基于MLP电力负荷时间序列预测方法与系统

本发明属于智能电网与时间序列深度学习预测，具体涉及基于mlp电力负荷时间序列预测方法与系统。

背景技术：

1、电力负荷预测是智能电网系统中的重要技术，对于优化电力资源配置、保障电网稳定运行以及提高能源利用效率具有重要意义。准确预测未来电力负荷变化趋势，可为电力调度、能源管理、需求响应以及电力市场运行提供可靠的数据支持。

2、传统电力负荷预测方法主要依赖自回归模型（ar）、移动平均模型（ma）、自回归移动平均模型以及支持向量机等统计或浅层机器学习方法。这类方法通常依赖人工设计特征，对负荷数据中复杂的非线性关系以及长时间范围内的依赖关系建模能力有限。近年来，循环神经网络、长短期记忆网络以及transformer等深度学习模型逐渐应用于电力负荷预测，但循环结构存在顺序计算限制，transformer在长序列处理中又具有较高的计算与存储开销。

3、电力负荷时间序列具有明显的非平稳性，其变化通常同时包含长期趋势、周期变化以及短时局部波动。季节变化、工作日与非工作日规律等因素形成相对稳定的低频趋势，而用户行为变化、设备启停及突发事件等因素会引起局部高频波动。仅在单一时间尺度上进行特征提取，容易造成长期趋势和短期细节信息之间的表征不足。

4、基于mlp的时间序列预测方法具有结构简单、并行计算效率高和推理开销较低等优点，但现有mlp预测方法通常侧重于时间维度和通道维度的信息混合，对负荷序列中不同频率成分以及局部时域变化的联合建模能力仍有提升空间。

5、因此，需要一种在保持mlp结构轻量化优势的同时，能够同时利用小波频域信息和局部时域信息的电力负荷预测方法，以提高复杂负荷场景下的预测稳定性和准确性。

技术实现思路

1、本发明是为了克服现有技术中，针对现有电力负荷时间序列预测方法存在的多尺度信息利用不足、局部时域变化表征能力有限以及长时域预测精度易衰减等问题，本发明提出一种基于mlp（多层感知机）电力负荷时间序列预测方法与系统。该方法在mlp预测框架中引入单分辨率小波分解，以获得低频趋势分量和高频细节分量；通过单分辨率小波分解获得小波频域特征，并设置多尺度时域增强分支提取局部时域特征；随后将小波频域特征与时域增强特征进行特征拼接，并通过多维度特征混合模块对融合特征进行时间维度和通道维度的进一步混合。与仅利用小波分解或仅利用mlp混合的结构相比，本发明通过频域与时域两条特征路径进行互补建模，在不显著增加模型复杂度的情况下，使模型同时获得负荷序列的多尺度频域信息和局部时域变化信息。

2、为了达到上述发明目的，本发明采用以下技术方案：

3、基于mlp电力负荷时间序列预测方法，包括如下步骤：

4、s1，数据获取与输入构建：获取目标区域、变电站、电力设备或用户侧的历史电力负荷运行数据，形成长度为t的输入时间序列，其中t表示历史时间窗口长度，xt表示第t个时间点的负荷值。根据实际应用需求，还可同步获取环境温度、油温以及小时、星期、月份等时间标签，并将其与负荷数据进行时间对齐。

5、s2，数据集划分与归一化处理：将经过预处理的电力负荷数据按照预设比例划分为训练集、验证集和测试集；对输入电力负荷时间序列执行可逆实例归一化处理，得到归一化序列xn，并保存归一化过程中使用的统计参数，用于预测结果的反归一化对输入电力负荷时间序列执行可逆实例归一化，通过计算训练数据的均值μ和标准差σ对输入数据进行尺度变换，得到归一化序列xn。归一化过程可表示为：；保存μ和σ用于预测结果的反归一化。

6、s3，特征映射处理：将归一化后的负荷序列输入映射模块，通过线性投影将负荷序列映射至预设高维特征空间，得到映射特征xm；随后根据小波频域分支和时域增强分支的输入维度要求，对所述映射特征进行维度变换，得到双分支特征提取模块的输入。

7、s4，双分支特征提取：将经维度变换后的特征同时输入小波频域分支和时域增强分支。所述小波频域分支采用单分辨率离散小波变换dwt对输入时序特征进行分解，获得低频趋势信息和高频细节信息，并形成小波频域特征xwavelet,所述时域增强分支采用dscrblock（双尺度卷积表征模块）进行局部时域特征提取，得到时域增强特征xtime。

8、s5，小波频域特征提取：所述dwt小波分解采用一层离散小波变换，优选采用db1小波，即haar小波作为基函数，将输入时序特征分解为低频分量和高频分量；低频分量用于表征电力负荷的趋势及主要周期变化，高频分量用于表征短时局部波动、突变及细节信息，并将分解结果拼接形成小波频域特征xwavelet。小波分解可表示为：，其中为离散小波分解后的低频分量，为离散小波分解后的高频分量。

9、s6，时域增强特征提取：将经维度变换后的时序特征输入dscr block。所述dscrblock包括并行的两条一维卷积分支，第一卷积分支采用卷积核尺寸为3的conv1d（卷积），，第二卷积分支采用卷积核尺寸为5的conv1d，，两个卷积分支分别提取不同时间范围的局部变化模式；各卷积分支输出分别经过gelu激活函数后，沿特征维度执行concat特征拼接，再通过linear线性映射得到时域增强特征。其中gelu表示高斯误差线性单元激活函数。所述时域增强分支不采用额外的复杂注意力结构，以保持模型的计算效率。

10、s7，特征融合：将小波频域特征xwavelet与时域增强特征xtime沿特征维度进行concat拼接，得到联合特征。通过特征拼接保留频域分解得到的趋势与细节信息以及dscr block提取的局部时域信息，为后续tcm block的时间和通道维度特征混合提供联合输入。

11、s8，tcm特征混合与预测：将联合特征ffusion输入由n个tcm block串联构成的预测模型；每个tcm block首先通过temporal mixer（时间混合器）沿时间维度进行特征混合，随后通过permute（维度置换）操作调整特征维度排列，再通过channel mixer（通道混合器）沿特征通道维度进行特征混合，并通过残差连接更新特征表示；经过n个tcm block处理后，将输出特征输入head预测输出层，得到未来预设预测步长的归一化电力负荷预测结果yn。

12、s9，模型训练：利用训练集对预测模型进行迭代训练，利用验证集监测模型性能并调整模型参数，在达到预设训练轮次或满足早停条件后获得训练完成的预测模型。训练过程中可采用adamw优化器、学习率调度策略以及均方误差损失函数进行参数优化。

13、s10，预测及反归一化：将待预测的历史负荷序列输入训练完成的预测模型，得到未来预设预测步长的归一化负荷预测结果yn，再利用步骤s2中保存的均值μ和标准差σ执行反归一化，得到实际负荷尺度下的预测结果，其中为防止分母为零的微小常数。

14、作为优选，步骤s1中，所述历史负荷运行数据除负荷值外，还可进一步采集同一时间段的环境温度或油温以及日期类型信息，所述日期类型信息包括小时、星期、月份、工作日或节假日标签；对原始数据进行缺失值处理、异常值检测及时间对齐，形成标准化输入样本。

15、作为优选，步骤s2中，将完整样本集按照7:1:2的比例划分为训练集、验证集和测试集；所述可逆归一化采用可逆实例归一化，利用训练集计算均值μ和标准差σ，并将相同实例归一化参数应用于验证集和测试集，以避免数据泄漏；保存实例归一化参数供预测阶段进行反归一化。

16、作为优选，步骤s3中，所述特征映射通过线性投影层将输入负荷序列映射至128维特征空间，所述特征维度还可根据输入序列长度、变量数量和硬件资源设置为64维或128维。

17、作为优选，步骤s4和步骤s5中，所述dwt小波频域分支采用daubechies小波族中的db1小波，即haar小波作为基函数，对输入高维时序特征执行一层离散小波变换；低频分量用于表征负荷长期趋势及周期性变化，高频分量用于表征短时随机波动及局部突变。

18、作为优选，步骤s8中，所述tcm block包括temporal mixer和channel mixer，temporal mixer和channel mixer分别在时间维度和特征通道维度进行mlp映射；各混合子模块可包括全连接层、relu激活函数和dropout层，并通过残差连接实现特征更新；多个tcmblock串联形成预测模型。

19、作为优选，步骤s6中，所述dscr block采用并行的多尺度一维卷积结构，其中第一卷积分支采用卷积核尺寸为3的一维卷积，用于提取较短时间范围内的局部变化模式；第二卷积分支采用卷积核尺寸为5的一维卷积，用于提取相对较长时间范围内的局部变化模式；两个分支分别经过gelu激活后进行concat拼接，并通过linear线性映射得到时域增强特征。

20、作为优选，步骤s7中，所述特征融合采用concat特征拼接方式，将小波频域特征xwavelet与时域增强特征xtime沿特征维度进行拼接，不直接采用逐元素相加，从而保留两个并行特征分支中的互补信息并形成联合特征ffusion。

21、作为优选，步骤s8中，所述预测模型包括n个串联的tcm block，n可设置为1-3；各tcm block由temporal mixer、permute和channel mixer构成，head预测输出层采用全连接映射将融合特征直接映射至目标预测长度。所述目标预测长度可根据应用场景设置为96、192、336或720个时间步，或者根据实际电力调度需求设置为未来24小时、48小时或72小时。

22、作为优选，步骤s9中，在训练过程中采用adamw优化器，初始学习率设置为0.001，结合余弦退火学习率调度策略进行迭代优化，batch_size设置为32，最大训练轮次设置为100轮，并设置连续10轮验证集损失未下降时触发早停机制。模型训练完成后，采用平均绝对误差mae和均方误差mse作为评价指标，在测试集上比较预测值与真实值，以评价模型的预测性能。

23、另外，本发明还提供了基于mlp的电力负荷时间序列预测系统，包括如下模块：

24、数据输入模块，用于获取历史电力负荷时间序列及辅助信息，并形成模型输入样本；

25、数据集划分与归一化模块，用于将样本划分为训练集、验证集和测试集，执行可逆实例归一化并保存统计参数；

26、特征映射与维度变换模块，用于将归一化后的负荷序列映射至高维特征空间并进行维度变换；

27、小波频域分支模块，用于对维度变换后的时序特征执行离散小波变换，分解为低频分量和高频分量并拼接形成小波频域特征；

28、时域增强分支模块，用于通过多尺度一维卷积对时序特征进行局部时域特征提取，得到时域增强特征；

29、特征融合模块，用于将小波频域特征和时域增强特征融合为联合特征；

30、预测模型模块，用于通过tcm block对联合特征进行时间维度和通道维度的特征混合，经预测输出层形成归一化预测结果，并利用训练集进行模型迭代训练、利用验证集监测模型性能；

31、预测及反归一化模块，用于将待预测样本输入训练完成的模型获得预测结果，并利用保存的统计参数进行反归一化。

32、本发明与现有技术相比，有益效果是：（1）本发明采用轻量化mlp结构进行特征混合和预测，避免复杂自注意力结构在长序列处理过程中产生较大的计算开销，在保持较强特征表达能力的同时降低模型参数量和推理成本；（2）本发明通过单分辨率小波分解获得低频趋势信息和高频细节信息，使模型能够在不同频率尺度上表征电力负荷变化规律，有利于同时学习长期趋势和短期波动；（3）本发明在小波频域分支之外设置多尺度时域增强分支，通过卷积核尺寸为3和5的一维卷积分别提取不同时间范围的局部变化模式，并通过gelu、concat和linear进行特征整合，从而增强模型对负荷局部峰值、突变和短期波动的表征能力；（4）本发明将小波频域特征与时域增强特征通过concat进行联合融合，使频域多尺度信息与时域局部变化信息相互补充，在不引入复杂注意力机制的情况下提高特征完整性和预测稳定性；（5）本发明模型结构简单、计算效率较高，能够适配常规服务器及边缘计算设备，并可根据预测步长调整模型输出维度，适用于不同时间尺度的电力负荷预测场景。