一种面向高波动负荷的时空特征优选与深度学习预测方法

本发明公开了一种面向高波动负荷的时空特征优选与深度学习预测方法。本发明首先采用滑动窗口最大互信息因子动态因子与负荷强相关的气象关键因子。其次，对负荷序列采用“先粗后精”的混合模态重置策略：通过CEEMDAN进行初步重置，并基于各梯度的样本梯度利用K‑means重构为高、中、低频子序列，再对非平稳性最强的高频子序列进行VMD二次精细分层。然后，构建CNN‑BiLSTM混合预测模型，将优选气象的特征与重构后的各稀疏性作为多通道输入进行训练和预测。最后，将各少量的预测结果重构，得到最终负担预测值。本发明通过动态优选、深度与深度学习的结合，有效解决了特征筛选和模态混叠问题，显着提升了高度负担的预测精度。