本发明属于电力系统，更具体地，涉及一种基于mrmr-eabilstm-tcn电力负荷预测方法及预测系统。
背景技术：
1、不同于系统级负荷，用户负荷随机性强，基数小，且受气象条件、生产计划等因素影响强烈，从而使得用户负荷预测较难获得良好的预测结果。若对某小范围区域进行温度、湿度等微气象数据的监测与分析，同时在建立精细化用户负荷预测模型时将这些微气象数据纳入负荷影响因素，则能够一定程度上提高用户负荷预测精度。
2、对用户负荷时间序列建立预测模型时，前若干时间段的负荷值以及预测时刻的微气象都会对待预测时刻负荷值有不同程度的影响，而一般的线性方程难以描述负荷变化的非线性规律。为此，需要借助机器学习相关算法充分挖掘序列前后时刻数据间的相关性。然而，传统的人工神经网络或支持向量机等机器学习算法在训练模型参数及网络结构时存在运行效率低，浅层感知机难以表征高维数据特征等缺陷，导致传统算法不适宜输入维数高、负荷数据量较大的应用场合。因此，需要研究运算效率高、占用内存小、能够处理高维特征的预测算法，以保证负荷预测时效性与高效率。深度学习作为机器学习算法的延伸扩展，采用逐层训练方式搜索求解模型参数，因而可构建含多隐含层的网络结构，自主实现对高维输入数据的特征提取，避免了维数灾难问题。同时，深度学习算法采用批处理方式将原始海量数据分解为若干子样本集进行模型训练，提高了模型训练效率。大量研究成果及应用已表明：相对于机器学习算法，深度学习更适合处理高维输入及海量数据任务。因此，亟需一种用户负荷预测模型，以期能够获得科学合理的预测值，指导售电公司开展购售电业务。
3、深度学习算法相对传统的分类识别算法，避免了特征提取不当对分类精度的影响，同时还具有良好的抗噪能力。分别将深度自编码网络、卷积神经网络及分类深度学习神经网络等模型用于电力变压器故障诊断研究，验证了深度学习特征处理优势及分类精度。在用户用电模式分类领域，在聚类算法的基础上，将数量众多的用户负荷曲线按聚类中心分类融合为四类典型用电模式，分别为双峰型、三峰型、平稳型以及避峰型。然后，采用稀疏自编码深度学习模型对聚类结果进行分类处理，达到对用户用电行为模式进行识别的目标。
4、现有研究中将微气象数据作为外部特征输入模型时，可能会存在特征冗余的问题，即某些微气象数据对负荷变化影响不大，引入该特征反而会带来诸多冗余信息，进而对模型的学习造成负面影响，增加了过拟合的风险。此外，如循环神经网络等深度学习模型在进行长距离学习时易出现特征信息丢失以及梯度爆炸等问题，卷积神经网络采用局部连接和参数共享的方式有效提升了模型的运行效率，但也存在平移不变性以及池化过程参数丢失等不足之处，其余单一深度学习模型也有着各自的局限性。
技术实现思路
1、为解决现有技术中存在的不足，本发明提供一种基于mrmr-eabilstm-tcn的用户短期负荷预测方法，获得准确、可靠的用户电力负荷预测结果。
2、本发明采用如下的技术方案。本发明的第一方面提供了一种基于mrmr-eabilstm-tcn的电力负荷预测方法，包括以下步骤：
3、步骤1，采集负荷数据以及影响用户用电负荷的特征因子，进行数据清洗和归一化预处理；
4、步骤2，基于处理的数据，使用最大相关最小冗余算法mrmr对特征因子进行重要性排序，选取前n个相关特征，构成粗选特征集；
5、步骤3，构建结合超越自注意力ea、双向长短期记忆神经网络bilstm以及时间卷积网络tcn的mrmr-eabilstm-tcn短期用户负荷预测模型，以粗选特征集作为模型的特征输入；
6、步骤4，基于构建的模型进行预测，并通过前向选择算法评估不同输入特征的有效性，确定最优输入特征集合，优化电力预测模型。
7、优选地，步骤1中，采用的数据清洗分为异常值筛选和缺失值补充两个过程，基于箱型图筛选出原始数据中的异常值和缺失值，采用相邻时刻均值进行异常值修正和缺失值补充：
8、iqr＝q3-q1
9、ul＝q3+1.5·iqr
10、dl＝q1-1.5·iqr
11、其中：
12、ul为上限值，dl为下限值，q3为上四分位数，q1为下四分位数，iqr为四分位间距；
13、大于ul或小于dl的判定为异常值或缺失值，采用相邻时刻均值做异常值修正或缺失值补充。
14、优选地，步骤1中，所述归一化采用最大最小归一化方式将数据放缩到[0,1]之间：
15、
16、其中：
17、yi′表示归一化之后的负荷值，ymin表示负荷序列中最小负荷值，ymax表示负荷序列中最大负荷值。
18、优选地，步骤2中，计算多个线性或非线性变量间共同包含的信息量，要求特征集合与类别间相关性最大、特征之间冗余性最小，公式如下：
19、
20、其中：
21、s表示所选取的输入变量集合，|s|表示输入变量数目，c表示输出目标值；
22、d描述输入变量集合s中各输入变量xi与输出目标c间的互信息均值，反映输入变量集合与输出目标间的相关性；
23、r表示输入变量集合s中变量间互信息的大小，描述输入变量间的冗余性。
24、优选地，步骤2中，设置初始输入变量集合表示为x，且含有n个特征，s表示已经选取的特征集合，f表示待选的特征集合，应用mrmr选取输入变量集合包括以下步骤：
25、步骤2.1，初始化已选特征集s为空集，待选特征集为x，即x→f，
26、步骤2.2，对计算xi与目标类c的相关性i(xi；c)；记x*为满足max[i(xi；c)]条件的特征，令f-{x*}→f1，{x*}→s1；
27、步骤2.3，设xi∈fm-1，xj∈sm-1(m＝2,3,…,n)，从fm-1中找到使式成立的最大特征并记为x**，令fm-1-{x**}→fm，sm-1+{x**}→sm；
28、步骤2.4，重复步骤步骤2.3，直到f为则得到的备选特征集s，并将s中的特征按值降序排列。
29、优选地，步骤3中，所述超越自注意力ea，各特征的权重自适应分配，包括：
30、
31、fout＝amv
32、其中：
33、a表示注意力矩阵，norm表示标准化过程，f表示各特征，fout表示注意力向量；
34、m∈rs×d表示引入的一个外部空间记忆单元，其维度为s×d。
35、优选地，步骤3中，所述双向长短期记忆神经网络bilstm，通过将当前的状态与过去和未来的状态紧密联系起来，包括：
36、it＝σ(xtωxi+ht-1ωhi+bi)
37、ft＝σ(xtωxf+ht-1ωhf+bf)
38、ot＝σ(xtωxo+ht-1ωho+bo)
39、
40、ht＝ot⊙tanh(ct)
41、其中：
42、ft，it，ot分别为t时刻的遗忘门、输入门和输出门，ct表示t时刻的记忆单元状态，为候选记忆单元状态，ht为向前传播过程中的一个隐藏状态，ωxi、ωxf、ωxo及ωxc为相应门与输入之间的权重，ωhi、ωhf、ωho和ωhc为相应门与门之间的权重，bi、bf、bo和bc则为相应门的偏置。
43、优选地，步骤3中，所述时间卷积网络tcn由因果卷积、扩张卷积和残差连接三部分组成，某个元素m的扩张卷积操作f(m)表达式如下：
44、
45、其中：
46、x为输入时间序列，k为卷积核大小，i为扩张卷积操作的次数，xm-di为输入层对应元素m的位置，d为扩张卷积系数，f为卷积核，表示卷积运算。
47、优选地，步骤4中，所述前向选择算法，其过程为：特征子集从空集开始，每次选择一个特征加入特征子集，使得特征函数最优；
48、将采集到的原始用户负荷数据作为基于ea改进的bilstm模型的输入，使用ea初步提取时序特征后，将所提取的特征输入bilstm中做进一步特征学习；
49、采用封装器工作模式，设置最优输入变量集合初始值为空集，利用前向选择算法逐一添加互信息值最高的输入变量至已选输入变量集合，通过全连接层提取特征后，基于python中的拼接函数concatenate将eabilstm提取的负荷特征以及全连接层提取的关键因子特征进行拼接融合，拼接所得结果输入tcn模型中挖掘负荷和关键因子之间的耦合关系，基于预测误差最小的原则确定最优输入变量集合，优化用户短期负荷预测精度。
50、本发明的第二方面提供一种基于mrmr-eabilstm-tcn的电力负荷预测系统，包括：数据处理模块、特征选择模块、模型构建模块以及预测与评估模块；运行如权利要求1至9中任一项所述的一种基于mrmr-eabilstm-tcn的电力负荷预测系统，其特征在于：
51、数据处理模块用于收集电力负荷数据和影响用户用电负荷的特征因子，对采集到的数据进行清洗，处理异常值和缺失值，并进行归一化操作；
52、特征选择模块用于根据最大相关最小冗余算法，对特征因子进行重要性排序，选取前n个相关特征，形成粗选特征集，使集中注意力在相关的特征上；
53、模型构建模块用于构建综合超越自注意力ea、双向长短期记忆神经网络bilstm和时间卷积网络tcn的预测模型，ea用于自适应权重分配，bilstm用于处理时序特征，tcn用于提取长期依赖关系，全面捕捉负荷数据的特征；
54、预测与评估模块用于构建的mrmr-eabilstm-tcn模型进行电力负荷的短期预测，评估不同输入特征的有效性，确定最优输入特征集合，优化模型的性能。
55、本发明的第三方面提供一种终端，包括处理器及存储介质；其特征在于：
56、所述存储介质用于存储指令；
57、所述处理器用于根据所述指令进行操作以执行所述基于mrmr-eabilstm-tcn的电力负荷预测方法的步骤。
58、本发明的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行基于mrmr-eabilstm-tcn的电力负荷预测方法的步骤。
59、与现有技术相比，本发明的有益效果至少包括：本发明基于mrmr进行特征筛选，初步筛选出影响负荷程度较大的关键因子，并以此构成粗选特征集，有效避免特征冗余的问题；本发明构建了一种eabilstm-tcn模型，基于ea初步提取用户负荷的时序特征，将提取到的时序特征输入bilstm中做进一步特征学习，并与关键因子一起输入tcn中，捕捉负荷与关键因子的依赖关系；本发明采用mrmr-eabilstm-tcn进行负荷预测，并采用前向选择算法评估不同输入特征的有效性，确定最优输入特征集合，有利于最终负荷预测精度的提升，具有一定的工程价值。
1.一种基于mrmr-eabilstm-tcn的电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于mrmr-eabilstm-tcn的电力负荷预测方法，其特征在于：
3.根据权利要求1所述的一种基于mrmr-eabilstm-tcn的电力负荷预测方法，其特征在于：
4.根据权利要求1所述的一种基于mrmr-eabilstm-tcn的电力负荷预测方法，其特征在于：
5.根据权利要求4所述的一种基于mrmr-eabilstm-tcn的电力负荷预测方法，其特征在于：
6.根据权利要求1所述的一种基于mrmr-eabilstm-tcn的电力负荷预测方法，其特征在于：
7.根据权利要求1所述的一种基于mrmr-eabilstm-tcn的电力负荷预测方法，其特征在于：
8.根据权利要求1所述的一种基于mrmr-eabilstm-tcn的电力负荷预测方法，其特征在于：
9.根据权利要求1所述的一种基于mrmr-eabilstm-tcn的电力负荷预测方法，其特征在于：
10.一种基于mrmr-eabilstm-tcn的电力负荷预测系统，包括：数据处理模块、特征选择模块、模型构建模块以及预测与评估模块；运行如权利要求1至9中任一项所述的一种基于mrmr-eabilstm-tcn的电力负荷预测系统，其特征在于：
11.一种终端，包括处理器及存储介质；其特征在于：
12.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。
