本發(fā)明屬于電力系統(tǒng)預(yù)測(cè)，具體涉及一種電力需求預(yù)測(cè)方法。

背景技術(shù)：

1、電力需求預(yù)測(cè)是電力系統(tǒng)規(guī)劃、調(diào)度和運(yùn)營(yíng)的核心環(huán)節(jié)。準(zhǔn)確的預(yù)測(cè)能夠幫助電力公司優(yōu)化發(fā)電計(jì)劃、降低運(yùn)營(yíng)成本、提高電網(wǎng)穩(wěn)定性，并為可再生能源的接入提供支持。然而，電力需求受到多種復(fù)雜因素的影響，如天氣變化、經(jīng)濟(jì)發(fā)展、社會(huì)活動(dòng)等，導(dǎo)致其具有非線性、非平穩(wěn)和周期性等特點(diǎn)，給準(zhǔn)確預(yù)測(cè)帶來(lái)了巨大挑戰(zhàn)。

2、傳統(tǒng)預(yù)測(cè)方法，如時(shí)間序列分析（arima）、回歸分析等，難以捕捉電力需求中的非線性特征和復(fù)雜模式。機(jī)器學(xué)習(xí)類方法，如支持向量機(jī)（svm）、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林（rf）等，雖然在一定程度上能夠捕捉非線性關(guān)系，提高了預(yù)測(cè)精度，但對(duì)高維以及長(zhǎng)序列數(shù)據(jù)的處理能力有限，無(wú)法有效挖掘數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系和全局特征。深度學(xué)習(xí)類方法，如lstm、gru等，能夠捕捉時(shí)間序列中的長(zhǎng)期依賴關(guān)系，但在處理多尺度、非平穩(wěn)信號(hào)時(shí)表現(xiàn)不足。信號(hào)分解類方法，如經(jīng)驗(yàn)?zāi)B(tài)分解（emd）、變分模態(tài)分解（vmd）等，能夠?qū)⒎瞧椒€(wěn)信號(hào)分解為多個(gè)模態(tài)分量，但存在模態(tài)混疊和參數(shù)選擇困難的問(wèn)題。

3、電力需求數(shù)據(jù)具有非平穩(wěn)性、非線性和多尺度特性。因此，需要一種更加有效的電力需求預(yù)測(cè)方法和系統(tǒng)，能夠充分考慮電力需求數(shù)據(jù)的特點(diǎn)，準(zhǔn)確捕捉數(shù)據(jù)中的復(fù)雜特征和長(zhǎng)期依賴關(guān)系，以提高預(yù)測(cè)的準(zhǔn)確性和可靠性。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于冠豪豬優(yōu)化器（cpo）優(yōu)化變分模態(tài)分解（vmd）和改進(jìn)深度學(xué)習(xí)模型（xlstm-informer）的電力需求預(yù)測(cè)方法，適用于電力系統(tǒng)的負(fù)荷預(yù)測(cè)、能源管理和智能電網(wǎng)優(yōu)化等領(lǐng)域。

2、本發(fā)明具體提供了一種電力需求預(yù)測(cè)方法，包含如下步驟：

3、步驟1，數(shù)據(jù)獲取與預(yù)處理：收集新格蘭2018年電力負(fù)荷數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，剔除缺失值和異常值；

4、步驟2，輸入經(jīng)過(guò)步驟1中預(yù)處理后的電力負(fù)荷數(shù)據(jù)集，執(zhí)行冠豪豬優(yōu)化算法cpo（crested?porcupine?optimizer,?cpo）優(yōu)化變分模態(tài)分解vmd（variational?modedecomposition,?vmd）算法動(dòng)態(tài)參數(shù)（cpo-vmd）：引入冠豪豬優(yōu)化算法cpo獲取最優(yōu)vmd算法參數(shù)，包括最優(yōu)模態(tài)數(shù)k和二次懲罰因子；獲取電力負(fù)荷數(shù)據(jù)分解后的兩個(gè)以上本征模態(tài)函數(shù)（intrinsic?mode?function,?imf）分量，每個(gè)imf分量代表不同頻率尺度的信號(hào)特征；

5、步驟3，建立串行模型xlstm-informer，所述串行模型xlstm-informer包括擴(kuò)展長(zhǎng)短期記憶（extended?long?short-term?memory）網(wǎng)絡(luò)xlstm模型和informer模型；首先使用擴(kuò)展長(zhǎng)短期記憶網(wǎng)絡(luò)xlstm模型進(jìn)行特征提?。簩⒉襟E2得到的每個(gè)imf分量與經(jīng)過(guò)步驟1中預(yù)處理后的電力負(fù)荷數(shù)據(jù)組成數(shù)據(jù)集，輸入到擴(kuò)展長(zhǎng)短期記憶網(wǎng)絡(luò)xlstm模型中進(jìn)行特征提取，獲取時(shí)間序列的深層特征；

6、步驟4，采用informer模型進(jìn)行數(shù)據(jù)預(yù)測(cè)：將擴(kuò)展長(zhǎng)短期記憶網(wǎng)絡(luò)xlstm模型提取的特征輸入到informer模型中進(jìn)行電力需求預(yù)測(cè)，輸出電力需求預(yù)測(cè)值與真實(shí)值的對(duì)比結(jié)果；

7、步驟5，模型評(píng)估：通過(guò)r2、均方誤差（mse）、均方根誤差（rmse）、平均絕對(duì)誤差（mae）和平均絕對(duì)百分比誤差（mape）對(duì)步驟4中得到的電力需求預(yù)測(cè)模型進(jìn)行評(píng)估。

8、步驟2包括：

9、步驟2.1，vmd算法的分解目標(biāo)是將本征模態(tài)函數(shù)imf帶寬總和最小化，約束為imf分量總和逼近原始信號(hào)，達(dá)到將疊加的本征模態(tài)函數(shù)imf分離的目的，將原始信號(hào)劃分為k個(gè)imf分量，包括如下步驟：

10、步驟2.1.1，初始化兩個(gè)集合和，和迭代次數(shù)n的初始值為0；其中是在第n次迭代vmd分解后得到的第k個(gè)模態(tài)分量，是在第n次迭代vmd分解后的第k個(gè)模態(tài)分量的中心頻率，表示拉格朗日算子；

11、步驟2.1.2，執(zhí)行；

12、步驟2.1.3，令，執(zhí)行，當(dāng)時(shí)，利用模態(tài)分量公式和中心頻率公式更新和，其中表示在第次迭代時(shí)vmd分解后得到的前個(gè)已更新的imf分量在頻率處的和，表示在第n次迭代時(shí)后個(gè)imf分量在頻率處的和，是在第次迭代vmd分解后得到的第k個(gè)模態(tài)分量，表示原始信號(hào)，是第n次迭代時(shí)拉格朗日乘子在頻率處的值，表示懲罰因子，用于平衡分解精度和噪聲抑制效果，d是積分符號(hào)；

13、步驟2.1.4，利用公式更新拉格朗日乘子，其中表示第次迭代時(shí)拉格朗日乘子在頻率處的值，為保真度系數(shù)；

14、步驟2.1.5，迭代步驟2.1.3和步驟2.1.4，當(dāng)滿足時(shí)，停止迭代，否則轉(zhuǎn)到步驟2.1.2，繼續(xù)執(zhí)行，其中為精度收斂判據(jù)；

15、步驟2.2，冠豪豬優(yōu)化算法cpo屬于基于自然的一類優(yōu)化算法，它的設(shè)計(jì)靈感源于冠豪豬別具一格的防御行為；冠豪豬優(yōu)化算法cpo包括如下步驟：

16、步驟2.2.1，種群初始化：與多數(shù)元啟發(fā)式算法一致，引入隨機(jī)數(shù)，在定義的上下界的搜索范圍內(nèi)隨機(jī)生成初始種群；

17、步驟2.2.2，循環(huán)種群縮減技術(shù)：在實(shí)施該策略的過(guò)程中，會(huì)有一些冠豪豬被移出群體，隨后又將生成一批新的個(gè)體，在維持種群多樣性的同時(shí)，有效提升收斂速率。公式為：

18、?，

19、其中n代表種群數(shù)量，是個(gè)體數(shù)量，為新生成種群中的最小個(gè)體數(shù)，群體大小不能小于，代表決定循環(huán)次數(shù)的變量，表示函數(shù)求值的最大循環(huán)次數(shù)，為新生成種群中個(gè)體的最小數(shù)量，m是當(dāng)前函數(shù)計(jì)算值，是余數(shù)或模運(yùn)算符；

20、步驟2.2.3，探索階段：冠豪豬與其他動(dòng)物最大的差異，在于其面對(duì)捕食者時(shí)所采用的獨(dú)特防御手段。cpo算法正是借鑒了冠豪豬這種在捕食者威脅下的特殊生存防御策略，執(zhí)行過(guò)程包括全局勘探與局部開(kāi)發(fā)兩個(gè)階段：

21、全局勘探階段：此階段冠豪豬距離捕食者較遠(yuǎn)，通過(guò)采取視覺(jué)和聲音兩種防御策略來(lái)威脅捕食者，包括第一防御策略和第二防御策略；

22、第一防御策略：冠豪豬通過(guò)舉起并扇動(dòng)羽毛，達(dá)到給捕食者警告的目的，數(shù)學(xué)模型為：

23、?，

24、第二防御策略：冠豪豬制造噪音并進(jìn)一步威脅捕食者，數(shù)學(xué)模型為：

25、?，

26、其中，表示第i個(gè)個(gè)體在第n次迭代時(shí)的位置，表示第i個(gè)個(gè)體在第次迭代時(shí)的位置，是服從正態(tài)分布的隨機(jī)數(shù)，、是位于之間的隨機(jī)數(shù)，是現(xiàn)存最優(yōu)解，是當(dāng)前冠豪豬cp（crested?porcupine,?cp）和從種群中隨機(jī)選擇的冠豪豬cp之間生成的向量，用于表示在第n次迭代時(shí)第i個(gè)捕食者所處的位置；y表示捕食者的位置，為一個(gè)二元向量，和是之間的隨機(jī)整數(shù)，和為隨機(jī)選取的兩個(gè)冠豪豬cp個(gè)體位置；

27、局部開(kāi)發(fā)階段：此時(shí)捕食者已經(jīng)距離冠豪豬較近，冠豪豬會(huì)采取防御行動(dòng)，利用釋放獨(dú)特氣味和發(fā)動(dòng)物理攻擊兩種方式，對(duì)來(lái)犯的捕食者予以堅(jiān)決反擊，包括第三防御策略和第四防御策略；

28、第三防御策略：冠豪豬會(huì)分泌一種惡臭在周圍區(qū)域傳播，以防止捕食者進(jìn)一步接近，數(shù)學(xué)模型為：

29、?，

30、第四防御策略：當(dāng)之前的所有策略都失效后，冠豪豬會(huì)對(duì)捕食者發(fā)起物理攻擊，數(shù)學(xué)模型為：

31、，

32、其中是之間的隨機(jī)數(shù)，為一隨機(jī)選取的冠豪豬cp個(gè)體位置，代表預(yù)防因子，代表氣味擴(kuò)散因子，為控制搜索方向的參數(shù)，是收斂速度因子，、是位于之間的隨機(jī)數(shù)，是個(gè)體物理攻擊捕食者時(shí)產(chǎn)生的非彈性碰撞力；

33、步驟2.3，利用冠豪豬優(yōu)化算法cpo優(yōu)化vmd參數(shù)：包絡(luò)熵作為信號(hào)分析領(lǐng)域的關(guān)鍵量化指標(biāo)，能夠精準(zhǔn)表征信號(hào)的稀疏特性，其大小與信號(hào)的周期性呈反相關(guān)。以最小包絡(luò)熵作為適應(yīng)度函數(shù)，對(duì)vmd分解算法中的分解模態(tài)數(shù)k和二次懲罰因子參數(shù)進(jìn)行優(yōu)化，使得vmd分解后得到的各imf分量能夠最好地覆蓋數(shù)據(jù)集中的不同類別或取值，從而代表整個(gè)數(shù)據(jù)集的特征；其中k決定分解得到的imf數(shù)目，決定imf帶寬的寬度；定義包絡(luò)熵：

34、?，

35、?，

36、?，

37、其中，為imf信號(hào)，，m為imf信號(hào)長(zhǎng)度，為的標(biāo)準(zhǔn)化，表示信號(hào)的概率分布，是imf信號(hào)的包絡(luò)熵，是imf信號(hào)經(jīng)過(guò)希爾伯特（hilbert）解調(diào)得到的包絡(luò)信號(hào)序列，表示hilbert變換；

38、以最小包絡(luò)熵作為優(yōu)化目標(biāo)，使用冠豪豬優(yōu)化算法cpo優(yōu)化vmd算法的參數(shù)，得到最優(yōu)分解模態(tài)數(shù)k和二次懲罰因子。

39、步驟3中，所述擴(kuò)展長(zhǎng)短期記憶網(wǎng)絡(luò)xlstm模型對(duì)傳統(tǒng)lstm模型框架的指數(shù)門(mén)控和記憶結(jié)構(gòu)進(jìn)行修改，引入slstm（標(biāo)量lstm）和mlstm（矩陣lstm），進(jìn)一步形成xlstm塊和完整架構(gòu)。slstm引入指數(shù)門(mén)控和新的記憶混合技術(shù)，mlstm?采用矩陣內(nèi)存和協(xié)方差更新規(guī)則提升存儲(chǔ)容量，且實(shí)現(xiàn)了完全并行化。與lstm模型相比，擴(kuò)展長(zhǎng)短期記憶網(wǎng)絡(luò)xlstm模型的計(jì)算精度更高。擴(kuò)展長(zhǎng)短期記憶網(wǎng)絡(luò)xlstm模型的具體構(gòu)造步驟包括建立slstm模塊和mlstm模塊：

40、步驟3.1，通過(guò)向前傳遞計(jì)算和穩(wěn)定化處理建立slstm模塊；

41、所述向前傳遞計(jì)算包括如下步驟：

42、步驟3.1.1，更新細(xì)胞狀態(tài)：

43、?，

44、其中表示時(shí)刻t的細(xì)胞狀態(tài)，為時(shí)刻的細(xì)胞狀態(tài)，表示遺忘門(mén)，用于控制上一時(shí)刻細(xì)胞狀態(tài)信息的保留程度；表示輸入門(mén)，用于控制當(dāng)前輸入信息進(jìn)入細(xì)胞狀態(tài)的程度；表示細(xì)胞輸入，由計(jì)算獲得，中間參數(shù)，其中是當(dāng)前時(shí)刻的輸入，為輸入到細(xì)胞輸入的權(quán)重向量，是時(shí)刻的隱藏狀態(tài)到細(xì)胞輸入的循環(huán)權(quán)重，是細(xì)胞輸入的偏置項(xiàng)，是激活函數(shù)，t是轉(zhuǎn)置符號(hào)；

45、步驟3.1.2，更新歸一化器狀態(tài)：

46、?，

47、其中是時(shí)刻t的歸一化器狀態(tài)，用于對(duì)細(xì)胞狀態(tài)進(jìn)行歸一化，是時(shí)刻的歸一化器狀態(tài)；

48、步驟3.1.3，計(jì)算隱藏狀態(tài)：

49、?，

50、?，

51、其中是時(shí)刻t的隱藏狀態(tài)，是輸出門(mén)，用于控制細(xì)胞狀態(tài)輸出到隱藏狀態(tài)的程度；是經(jīng)過(guò)歸一化處理后的細(xì)胞狀態(tài)，用于計(jì)算隱藏狀態(tài)；

52、步驟3.1.4，計(jì)算門(mén)：

53、?，

54、?，

55、或?，

56、?，

57、?，

58、?，

59、其中是輸入到輸入門(mén)的權(quán)重向量，是隱藏狀態(tài)到輸入門(mén)的循環(huán)權(quán)重，為輸入門(mén)的偏置項(xiàng)；是輸入到遺忘門(mén)的權(quán)重向量，是隱藏狀態(tài)到遺忘門(mén)的循環(huán)權(quán)重，是遺忘門(mén)的偏置項(xiàng)，是sigmoid激活函數(shù),?；是輸入到輸出門(mén)的權(quán)重向量，是隱藏狀態(tài)到輸出門(mén)的循環(huán)權(quán)重，是輸出門(mén)的偏置項(xiàng)；exp是自然指數(shù)函數(shù)，和是門(mén)控單元在計(jì)算過(guò)程中的中間變量，分別是遺忘門(mén)和輸出門(mén)在經(jīng)過(guò)權(quán)重矩陣運(yùn)算和偏置項(xiàng)相加后的結(jié)果；

60、所述穩(wěn)定化處理包括如下步驟：

61、步驟3.1.5，為了防止指數(shù)激活函數(shù)導(dǎo)致的值過(guò)大問(wèn)題，引入穩(wěn)定狀態(tài)：

62、?，

63、其中是上一時(shí)刻（時(shí)刻）的穩(wěn)定狀態(tài)值；

64、步驟3.1.6，對(duì)輸入門(mén)和遺忘門(mén)進(jìn)行穩(wěn)定化；

65、?，

66、?，

67、其中是經(jīng)過(guò)穩(wěn)定化處理后的輸入門(mén)值，是未經(jīng)過(guò)穩(wěn)定化處理前計(jì)算輸入門(mén)時(shí)的中間值，是穩(wěn)定化后的遺忘門(mén)值；

68、步驟3.2，通過(guò)向前傳遞計(jì)算構(gòu)造mlstm模塊，包括如下步驟：

69、步驟3.2.1，更新細(xì)胞狀態(tài)：

70、?，

71、?，

72、?，

73、其中表示時(shí)刻t的矩陣形式的細(xì)胞狀態(tài)，表示時(shí)刻的矩陣形式的細(xì)胞狀態(tài)。和分別表示時(shí)刻t的價(jià)值向量和鍵向量，、是響應(yīng)的權(quán)重矩陣，、是偏置項(xiàng)，s表示向量的維度；

74、步驟3.2.2，更新歸一化器狀態(tài)：

75、；

76、步驟3.2.3，計(jì)算隱藏狀態(tài)：

77、?，

78、?，

79、其中是查詢向量，為權(quán)重矩陣，為偏置項(xiàng)；是經(jīng)過(guò)計(jì)算和處理后的中間結(jié)果，用于得到最終隱藏狀態(tài)，表示逐元素相乘；

80、步驟3.2.4，計(jì)算門(mén)：

81、?，

82、?，

83、或?，

84、?，

85、?，

86、?；

87、步驟3.3，構(gòu)建xlstm模型：

88、slstm塊和mlstm塊是xlstm塊的基礎(chǔ)單元，兩個(gè)以上x(chóng)lstm塊以殘差堆疊的方式構(gòu)成xlstm架構(gòu)，基于xlstm架構(gòu)訓(xùn)練得到的模型為所述擴(kuò)展長(zhǎng)短期記憶網(wǎng)絡(luò)xlstm模型。

89、步驟4包括：

90、步驟4.1，輸入編碼；

91、首先，輸入序列，其中表示實(shí)數(shù)空間，l是時(shí)間序列的長(zhǎng)度，是模型維度；其次，對(duì)輸入序列進(jìn)行位置編碼，以保留時(shí)間信息，位置編碼pe的公式為：

92、?，

93、?，

94、其中是時(shí)間步位置，，是維度索引，，表示位置編碼pe在位置、維度索引為時(shí)的值；然后，將輸入序列與位置編碼相加，得到編碼后的輸入；

95、步驟4.2，概率稀疏自注意力；

96、傳統(tǒng)的自注意力計(jì)算復(fù)雜度為，informer通過(guò)概率稀疏自注意力機(jī)制將其降低到。

97、定義查詢向量稀疏性度量：

98、?，

99、其中是第i個(gè)查詢向量，是用來(lái)衡量第i個(gè)查詢向量的稀疏性指標(biāo)，是鍵矩陣，，表示第j個(gè)鍵向量，是的轉(zhuǎn)置向量；

100、只選擇稀疏性最高的個(gè)查詢向量進(jìn)行計(jì)算，其余查詢向量被忽略：

101、，

102、其中，是經(jīng)過(guò)稀疏化處理后的查詢矩陣，是一個(gè)操作符，表示從給定的集合中選取排名前個(gè)元素的操作，是一個(gè)超參數(shù)；

103、步驟4.3，自注意力蒸餾；

104、步驟4.4，建立編碼器；

105、步驟4.5，建立解碼器。

106、步驟4.3包括：為了進(jìn)一步降低序列長(zhǎng)度和內(nèi)存占用，informer引入了注意力蒸餾機(jī)制：

107、對(duì)每一層的輸出進(jìn)行卷積和下采樣：

108、?，

109、其中是第 l層的輸出矩陣，表示第層的輸出矩陣，和是可學(xué)習(xí)的卷積核和偏置，relu是激活函數(shù)，用于引入非線性，maxpool1d表示一維最大池化操作，用于對(duì)卷積后的結(jié)果進(jìn)行下采樣，減少序列長(zhǎng)度。通過(guò)蒸餾操作，序列長(zhǎng)度逐漸減少，保留最重要的信息。

110、步驟4.4包括：編碼器由兩個(gè)以上概率稀疏自注意力層和自注意力蒸餾層堆疊組成；

111、每層的輸出經(jīng)過(guò)層歸一化和殘差連接：

112、?，

113、其中是第 l層的輸入，是第 l層的輸出，表示對(duì)第 l層輸入進(jìn)行概率稀疏自注意力計(jì)算的結(jié)果，layernorm是層歸一化操作，用于對(duì)輸入進(jìn)行歸一化，加速模型的收斂。

114、步驟4.5包括：解碼器采用生成式解碼器結(jié)構(gòu)，直接生成整個(gè)輸出序列，而不是逐步預(yù)測(cè)。輸入包括：目標(biāo)序列的前綴（已知部分）和編碼器的輸出（上下文信息）。解碼器的自注意力層使用全注意力機(jī)制，而不是概率稀疏注意力機(jī)制。最終輸出通過(guò)全連接層映射到目標(biāo)維度：

115、?，

116、其中是解碼器的輸出，fc是全連接層，是最終的預(yù)測(cè)結(jié)果。

117、步驟5包括：

118、使用決定系數(shù)衡量模型對(duì)目標(biāo)變量的解釋能力：

119、?，

120、其中是模型預(yù)測(cè)值，是實(shí)際值，是所有實(shí)際觀測(cè)值的平均值，為樣本容量，即觀測(cè)值數(shù)量；決定系數(shù)取值范圍為，越接近1，模型對(duì)數(shù)據(jù)的解釋能力越強(qiáng)；

121、均方誤差mse是預(yù)測(cè)值與真實(shí)值之間差異的平方的平均值：

122、?，

123、其中mse越小，模型的預(yù)測(cè)誤差越小。其對(duì)異常值敏感，因?yàn)檎`差被平方放大。

124、均方根誤差rmse是mse的平方根，與目標(biāo)變量的量綱一致：

125、?，

126、其中rmse越小，模型的預(yù)測(cè)誤差越小。rmse對(duì)異常值敏感，但比mse更為直觀。

127、平均絕對(duì)誤差mae是預(yù)測(cè)值與真實(shí)值之間絕對(duì)差異的平均值：

128、?，

129、其中mae越小，模型的預(yù)測(cè)誤差越小。mae對(duì)異常值不敏感，因?yàn)檎`差未被平方。

130、平均絕對(duì)百分比誤差（mape）是預(yù)測(cè)值與真實(shí)值之間絕對(duì)差異的百分比的平均值：

131、?，

132、其中mape值越小，模型的預(yù)測(cè)結(jié)果越好。

133、本發(fā)明還提供了一種電子設(shè)備，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器存儲(chǔ)有程序代碼，當(dāng)所述程序代碼被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行所述的方法的步驟。

134、本發(fā)明還提供了一種存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序或指令，當(dāng)所述計(jì)算機(jī)程序或指令在計(jì)算機(jī)上運(yùn)行時(shí)，執(zhí)行所述的方法的步驟。

135、本發(fā)明方法通過(guò)改進(jìn)的信號(hào)分解方法和深度學(xué)習(xí)模型，提高對(duì)非平穩(wěn)、非線性電力需求數(shù)據(jù)的處理能力。利用cpo優(yōu)化vmd參數(shù)，解決傳統(tǒng)vmd方法中參數(shù)選擇困難的問(wèn)題。增強(qiáng)深度學(xué)習(xí)模型對(duì)多尺度時(shí)間序列的建模能力，提高預(yù)測(cè)精度。為電力系統(tǒng)的負(fù)荷預(yù)測(cè)、能源管理和智能電網(wǎng)優(yōu)化提供可靠的技術(shù)支持。

136、有益效果：本發(fā)明提出了一種基于vmd-xlstm-informer的電力需求預(yù)測(cè)方法，采用的模型通過(guò)cpo優(yōu)化vmd參數(shù)，解決了傳統(tǒng)vmd方法中參數(shù)選擇困難的問(wèn)題。冠豪豬優(yōu)化算法cpo具有全局搜索能力強(qiáng)、收斂速度快的特點(diǎn)，能夠有效減少模態(tài)混疊現(xiàn)象，提高信號(hào)分解的精度和穩(wěn)定性。在xlstm-informer預(yù)測(cè)模型中，結(jié)合x(chóng)lstm的擴(kuò)展記憶能力和informer的自注意力機(jī)制，增強(qiáng)了對(duì)多尺度時(shí)間序列的建模能力，在保證計(jì)算效率的同時(shí)，顯著提高了預(yù)測(cè)精度。本發(fā)明能夠有效處理非平穩(wěn)、非線性的電力需求數(shù)據(jù)，適用于復(fù)雜的電力系統(tǒng)場(chǎng)景。在實(shí)際應(yīng)用中表現(xiàn)出較高的預(yù)測(cè)精度和穩(wěn)定性，為電力系統(tǒng)的優(yōu)化管理提供了可靠的技術(shù)支持。