技術(shù)特征：

1.一種基于相似日篩選的負(fù)荷預(yù)測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于相似日篩選的負(fù)荷預(yù)測方法，其特征在于，對(duì)訓(xùn)練數(shù)據(jù)集中的維度進(jìn)行篩選，包括以下步驟：

3.根據(jù)權(quán)利要求1所述的基于相似日篩選的負(fù)荷預(yù)測方法，其特征在于，相似日的確定方法為：

4.根據(jù)權(quán)利要求1所述的基于相似日篩選的負(fù)荷預(yù)測方法，其特征在于，數(shù)據(jù)分解的方法為：

5.根據(jù)權(quán)利要求1所述的基于相似日篩選的負(fù)荷預(yù)測方法，其特征在于，cnn-bilstm模型與informer模型的預(yù)測結(jié)果融合的方法為：

6.一種基于相似日篩選的負(fù)荷預(yù)測系統(tǒng)，其特征在于，包括：

7.根據(jù)權(quán)利要求6所述的基于相似日篩選的負(fù)荷預(yù)測系統(tǒng)，其特征在于，所述數(shù)據(jù)處理模塊，在訓(xùn)練數(shù)據(jù)集的各維度數(shù)據(jù)中隨機(jī)選擇一個(gè)數(shù)據(jù)增加10％得到第一訓(xùn)練集p1：

8.根據(jù)權(quán)利要求6所述的基于相似日篩選的負(fù)荷預(yù)測系統(tǒng)，其特征在于，所述相似日計(jì)算模塊，相似日的確定方法為：

9.根據(jù)權(quán)利要求6所述的基于相似日篩選的負(fù)荷預(yù)測系統(tǒng)，其特征在于，數(shù)據(jù)分解模塊，數(shù)據(jù)分解的方法為：

10.根據(jù)權(quán)利要求6所述的基于相似日篩選的負(fù)荷預(yù)測系統(tǒng)，其特征在于，所述負(fù)荷預(yù)測模塊，cnn-bilstm模型與informer模型的預(yù)測結(jié)果融合的方法為：

技術(shù)總結(jié)
本發(fā)明涉及一種基于相似日篩選的負(fù)荷預(yù)測方法及系統(tǒng)，該方法包括以下步驟：通過獲取實(shí)時(shí)的負(fù)荷數(shù)據(jù)(包括溫度、氣壓和濕度)與歷史的負(fù)荷數(shù)據(jù)，并將它們拼接成訓(xùn)練數(shù)據(jù)集進(jìn)行歸一化處理。之后，使用歸一化后的數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得到第一和第二預(yù)測序列，并計(jì)算其平均變化影響值以減少數(shù)據(jù)維度。接著，通過確定實(shí)時(shí)與歷史的相似日來過濾非相似日數(shù)據(jù)，形成特征集。進(jìn)一步，對(duì)特征集進(jìn)行數(shù)據(jù)分解，劃分高頻和低頻分量。高頻分量用于訓(xùn)練CNN?BiLSTM模型，低頻分量則用于訓(xùn)練informer模型，兩者預(yù)測結(jié)果融合得出最終負(fù)荷預(yù)測。本發(fā)明有效減少非相似日數(shù)據(jù)的影響，促使模型更加聚焦于相關(guān)性高的相似歷史數(shù)據(jù)，從而提高預(yù)測準(zhǔn)確性。

技術(shù)研發(fā)人員：肖愷,朱玲玲,錢曉瑞,林嵐輝,詹祥澎,陳宇穎,盧威,潘舒宸,吳凡,鄭雄輝,杜松燕,鄭欣玲,葉婧
受保護(hù)的技術(shù)使用者：國網(wǎng)福建省電力有限公司營銷服務(wù)中心
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15