本發明涉及數據分析與時間序列預測，尤其涉及一種基于時頻增強與多級小波建模的電力負荷預測方法。
背景技術：
1、時間序列預測是通過歷史序列對未來序列進行估計的重要技術，在電力負荷預測、能源管理、天氣預測等領域具有廣泛應用。其中，電力負荷數據具有明顯的周期性、多尺度變化特征以及突發尖峰與驟降等復雜波動特性。隨著電力系統運行數據持續積累，電力負荷數據呈現出長時間跨度、多變量及高采樣頻率等特點，使得面向長時序預測的建模需求日益突出。
2、針對電力負荷長時序預測問題，研究者圍繞長依賴建模、序列分解建模以及計算效率優化等方面開展了大量研究。早期方法主要采用統計模型，隨著數據規模增長和計算能力提升，基于深度學習的方法逐漸成為主流，如應用循環神經網絡、卷積神經網絡以及transformer等模型在復雜非線性場景中表現出較強的擬合能力和預測性能。然而，研究表明，在部分時間序列預測基準數據集上，簡單線性模型在預測性能上可以達到甚至超過部分復雜的transformer結構。
3、因此，近年來基于mlp-mixer思想的方法也逐漸受到關注，該類方法在時間維度與通道維度進行特征混合，在部分基準數據集上取得較好效果。然而，該類方法也存在一定局限性：當歷史窗口長度較大時，直接在長時間維進行混合會導致計算復雜度快速增長；另一方面，部分方法采用基于移動平均的時域分解對多尺度序列進行處理，對于電力負荷中常見的復雜季節性結構以及突發尖峰、驟降等波動特征難以充分刻畫，多尺度序列直接混合也容易引入信息干擾。
4、此外，部分研究嘗試通過引入頻域分析或小波變換來增強建模能力，例如通過傅里葉變換或小波分解提取時間域與頻率域信息，以提升模型對多尺度特征的表征能力。但現有的技術方案仍存在難以充分利用多分辨率信息，處理過程中需要在時域與頻域之間進行多次轉換使計算復雜度過高，易出現跨尺度信息干擾的問題。
5、因此，有必要提供一種面向電力負荷長時序預測的方法，以提升多變量電力負荷長時序預測的預測精度與泛化能力。
技術實現思路
1、本發明的目的在于提供一種基于時頻增強與多級小波建模的電力負荷預測方法，用以提升多變量電力負荷長時序預測的預測精度與泛化能力。
2、第一方面，本發明提供的基于時頻增強與多級小波建模的電力負荷預測方法包括：構建多變量歷史電力負荷時間序列，并按變量通道進行實例歸一化處理以生成實例歸一化序列；對實例歸一化序列進行時域增強和頻譜增強得到增強特征序列；對增強特征序列執行級離散小波分解得到第級近似系數序列和各級小波系數的細節系數序列；基于第級近似系數序列和各級小波系數的細節系數序列進行獨立的分辨率分支建模，對各分辨率分支對應的系數序列進行建模和預測，得到預測近似系數序列及各級預測細節系數序列；基于預測近似系數序列及各級預測細節系數序列進行多級小波重構，并對重構結果進行反歸一化處理得到電力負荷預測結果。
3、本發明提供的基于時頻增強與多級小波建模的電力負荷預測方法的有益效果在于：設計多級小波分解將輸入電力負荷時間序列表示為不同分辨率的小波系數序列，能夠同時提取低頻趨勢信息與高頻細節信息。對于不同分辨率的小波系數序列設計了獨立的分辨率分支進行處理，避免出現信息干擾和信息損失，提高了多尺度特征利用效率。能夠協同時域與頻域特征增強并結合多分辨率建模，在降低計算復雜度的同時提升電力負荷長時序預測的精度與穩定性。
4、一種可能的實施例中，按變量通道進行實例歸一化處理采用可逆實例歸一化，包括：針對多變量歷史電力負荷時間序列中每個樣本的每個變量通道沿輸入序列長度維分別計算均值與標準差，并按變量通道對多變量歷史電力負荷時間序列輸入特征執行去均值與除標準差的歸一化；進行反歸一化處理時，采用與歸一化處理相同的均值與標準差執行逆變換以恢復對應的尺度與偏移信息。
5、另一種可能的實施例中，對實例歸一化序列進行時域增強和頻譜增強得到增強特征序列，包括：應用轉置函數對所述實例歸一化序列進行維度變換處理；利用兩個一維卷積層對維度變換后的序列進行交互卷積得到兩個卷積輸出；利用一個一維卷積層對兩個卷積輸出進行處理得到時域增強特征序列；對時域增強特征序列執行快速傅里葉變換得到頻域表示，根據頻域表示計算頻域功率譜，并基于可學習閾值參數確定自適應閾值，進而構造頻率掩碼并篩選頻域特征；采用全局復數可學習權重對頻域表示進行加權，得到全局頻譜特征，采用高頻復數可學習權重對掩碼篩選后的頻域特征進行加權，得到局部頻譜特征；將全局頻譜特征和局部頻譜特征融合后進行逆快速傅里葉變換處理得到最終的增強特征序列。
6、其它可能的實施例中，每個分辨率分支均包括補丁劃分與嵌入映射模塊、補丁維度混合子模塊、嵌入維度混合子模塊和預測頭模塊；分辨率分支執行預測處理包括對第級近似系數序列和各級小波系數的細節系數序列進行獨立的補丁劃分、嵌入、分塊維度混合處理、嵌入維度混合處理以及預測頭映射處理。
7、在補丁劃分與嵌入映射模塊中執行的處理包括：設定補丁長度和步長，根據步長對待劃分的系數序列末尾進行補值擴展后進行補丁劃分以得到補丁化輸出；根據設定的嵌入維度將所述補丁化輸出映射到維特征空間得到補丁嵌入結果。
8、補丁維度混合子模塊對補丁嵌入結果在補丁維度進行特征混合處理得到補丁維度混合特征，包括批歸一化、維度置換、兩層線性映射和激活函數處理，處理過程滿足如下公式：，，其中，表示補丁維度混合特征，表示補丁嵌入結果，表示批歸一化，表示維度置換，表示對補丁嵌入結果進行批歸一化及維度置換處理后的特征，表示gelu激活函數，表示補丁維度混合子模塊的線性映射層，表示補丁維度混合特征的張量空間，表示變量數，表示第個分辨率分支中經補丁劃分后的補丁數量。
9、嵌入維度混合子模塊對補丁維度混合特征在嵌入維度進行特征混合處理得到嵌入維度混合特征，處理過程包括：通過維度置換、批歸一化處理得到歸一化特征，通過兩層線性映射和函數對所述歸一化特征進一步處理后將結果與所述歸一化特征連接，處理過程滿足如下公式：，，表示歸一化特征，表示嵌入維度混合子模塊的線性映射層，表示gelu激活函數，表示嵌入維度混合特征。
10、預測頭模塊應用展平函數對所述嵌入維度混合特征進行展平，對展平后的特征進行線性變換得到對應分辨率的預測小波系數。
11、對預測小波系數序列進行多級小波重構和反歸一化處理包括：對預測小波系數序列按逆小波變換順序重構，對重構結果執行反歸一化處理得到電力負荷預測結果，反歸一化處理過程滿足如下公式：，其中，表示時刻第個變量通道的預測長度為的電力負荷預測結果，表示重構后時刻第個變量通道的預測值，表示第個變量通道沿輸入序列長度維的標準差，表示第個變量通道沿輸入序列長度維的均值。
12、第二方面，本發明還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現上述基于時頻增強與多級小波建模的電力負荷預測方法。
13、關于上述第二方面的有益效果可以參見上述第一方面的描述。