本申请涉及电力负荷预测，尤其是一种多变量电力负荷预测方法。
背景技术：
1、随着可再生能源如风电、光伏等的快速发展，绿色能源的消纳量不断增加，可再生能源的不稳定性和波动性给能源消纳带来了巨大挑战。通过对电力负荷的变化趋势进行预测，使得能源的调度更加科学、合理、高效，这有助于提高能源利用效率和降低成本，保障能源供应的安全稳定，推动分布式能源的开发和应用。三类常见的负荷预测方法尚且存有一些局限性，在负荷预测的准确性上仍有一定的提升空间。
2、现有的lstm神经网络通常存在收敛速度缓慢和容易受到过拟合的影响的问题，因此亟需一种能够提高电力负荷预测的精度的预测方法。
技术实现思路
1、本申请的目的是提供一种多变量电力负荷预测方法，旨在加快电力负荷预测中模型的收敛速度，防止过拟合现象的出现，提升电力负荷预测的准确性。
2、本申请实施例提供一种多变量电力负荷预测方法，包括：
3、s1：获取电力负荷预测数据集，所述电力负荷预测数据集包括气象因素和日需求负荷数据；
4、s2：根据所述气象因素和所述日需求负荷数据选取待预测日的相似日，对相似日中的气象因素进行预处理，得到相似日中气象因素的特征序列；并对所述特征序列进行降维处理；
5、s3：组合降维后的所述特征序列和所述日需求负荷数据，构建训练集和测试集；
6、s4：通过所述训练集训练改进的lstm模型，所述改进的lstm模型包括输入层、用于降低拟合程度的dropout层、lstm层、用于加速收敛的批量归一化层、用于降低过拟合的正则化层、输出层；
7、s5：将所述测试集输入至训练完成的所述改进的lstm模型，得到预测的电力负荷数据。
8、优选的，所述气象因素包括最高温度、最低温度、平均温度、相对湿度、降雨量。
9、优选的，所述根据所述气象因素和所述日需求负荷数据选取待预测日的相似日包括：
10、采用灰色关联分析确定各所述气象因素与所述日需求负荷数据之间的灰色关联度；计算各所述气象因素与待预测日的气象因素之间的余弦相似度；将每日中各所述灰色关联度与对应气象因素的所述余弦相似度相乘，将多个乘积结果做加法运算，得到每日的综合分数；计算出电力负荷预测数据集中每一日的综合分数，并将所有的所述综合分数从低到高排序，选取顺位前五的综合分数对应的日期作为所述相似日。
11、优选的，计算所述灰色关联度之前还包括对各种所述气象因素进行均值标准化处理，计算公式为：
12、
13、其中，表示均值标准化处理后第k日的第i种气象因素；xi(k)表示第k日的第i种气象因素；表示所有气象因素的均值。
14、优选的，灰色关联度的计算公式为：
15、
16、
17、
18、其中，ri表示第i种气象因素与对应日期的日需求负荷数据之间的灰色关联度；n为天数；表示日期与气象因素之间的关联系数；ρ表示分辨系数；y(k)表示第k日的日需求负荷数据；表示均值标准化处理后第k日的第i种气象因素；
19、余弦相似度的计算公式为：
20、
21、其中，cosθ表示各气象因素与待预测目的气象因素之间的余弦相似度；z(i)表示待预测日的第i种气象因素。
22、优选的，所述每日的综合分数的计算公式为：
23、
24、其中，sk表示第k日的综合分数；m为气象因素的类型总数；cosθ表示各气象因素与待预测日的气象因素之间的余弦相似度；ri表示第i种气象因素与对应日期的日需求负荷数据之间的灰色关联度。
25、优选的，所述对相似日中的气象因素进行预处理，得到相似日中气象因素的特征序列包括：
26、采用经验模态分解方法对所述相似日中各种所述气象因素进行分解，得到每个所述相似日中每种所述气象因素对应的本征模态分量以及残差项；组合所有相似日的所述本征模态分量以及残差项，得到所述特征序列。
27、优选的，所述对所述特征序列进行降维处理包括：
28、采用核主成分分析方法筛选出所述特征序列中贡献率大于85％的成分作为主成分，降低特征序列的维度。
29、优选的，所述训练集与测试集的比例为8∶2。
30、优选的，所述改进的lstm模型中的超参数组合包括：输入层时间步数为1，输入层维数为9，隐藏层数量为1，隐藏层单元数目为100，输出层维数为1，训练轮次为150，每轮次迭代次数为99，最大迭代次数为14850。
31、本申请的有益效果：该方法通过获取电力负荷预测数据集，电力负荷预测数据集包括气象因素和日需求负荷数据；根据气象因素和日需求负荷数据选取待预测日的相似日，对相似日中的气象因素进行预处理，得到相似日中气象因素的特征序列；并对特征序列进行降维处理；组合降维后的特征序列和日需求负荷数据，构建训练集和测试集；通过训练集训练改进的lstm模型；将测试集输入至训练完成的改进的lstm模型，得到预测的电力负荷数据，加快了电力负荷预测中模型的收敛速度，防止过拟合现象的出现，提升了电力负荷预测的准确性，提高了能源利用效率和降低成本，保障能源供应的安全稳定。
1.一种多变量电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的多变量电力负荷预测方法，其特征在于，所述气象因素包括最高温度、最低温度、平均温度、相对湿度、降雨量。
3.根据权利要求2所述的多变量电力负荷预测方法，其特征在于，所述根据所述气象因素和所述日需求负荷数据选取待预测日的相似日包括：
4.根据权利要求3所述的多变量电力负荷预测方法，其特征在于，计算所述灰色关联度之前还包括对各种所述气象因素进行均值标准化处理，计算公式为：
5.根据权利要求4所述的多变量电力负荷预测方法，其特征在于，灰色关联度的计算公式为：
6.根据权利要求5所述的多变量电力负荷预测方法，其特征在于，所述每日的综合分数的计算公式为：
7.根据权利要求1所述的多变量电力负荷预测方法，其特征在于，所述对相似日中的气象因素进行预处理，得到相似日中气象因素的特征序列包括：
8.根据权利要求1所述的多变量电力负荷预测方法，其特征在于，所述对所述特征序列进行降维处理包括：
9.根据权利要求1所述的多变量电力负荷预测方法，其特征在于，所述训练集与测试集的比例为8:2。
10.根据权利要求1所述的多变量电力负荷预测方法，其特征在于，所述改进的lstm模型中的超参数组合包括：输入层时间步数为1，输入层维数为9，隐藏层数量为1，隐藏层单元数目为100，输出层维数为1，训练轮次为150，每轮次迭代次数为99，最大迭代次数为14850。
