基于机器学习的电力负荷精准预测方法及系统

本发明涉及一种基于机器学习的电力负荷精准预测方法及系统，属于基于机器学习的负荷预测领域。所述方法，采用CEEMDAN算法将非平稳的原始负荷序列自适应分解为一系列本征模态分量IMF和一个残余分量RES。随后，针对每个分量并行地构建混合深度学习模型进行预测：该模型使用TCN提取分量的局部时序特征，继而采用TCN‑ABiLSTM或TCN‑Transformer‑GRU架构进行高级时序建模，以充分捕捉各分量的复杂动态特性。最后，将所有分量的预测结果输入一个序列到序列Seq2Seq融合模型，该模型通过注意力机制动态学习各分量在不同预测时刻的重要性权重，进行自适应加权聚合，输出最终负荷预测值。本发明有效克服了负荷数据的非平稳性与非线性难题，显著提升了预测的精度与鲁棒性。