本发明涉及电力系统，尤其涉及一种基于midcn的电力负荷预测方法。
背景技术：
1、电力行业是国家经济发展中的重要基础性能源产业，是保障人民稳定用电、社会各行各业稳定运作的关键。电力负荷预测作为电力系统运行、调度的关键环节，不仅直接影响电力系统运行的安全性与可靠性，而且直接影响人民的用电质量，所以精确的电力负荷预测一直是近些年来重要的研究课题。
2、目前电力负荷预测的方法可分为基于统计分析的传统预测方法，如自回归综合移动平均；基于机器学习的方法，如支持向量机；以及基于深度神经网络的方法，如卷积神经网络、长短期记忆网络以及运用注意力机制的基于transformer的网络模型。
3、现实中电力负荷数据存在非线性、非平稳性、周期性等特点，而单一的特征提取方式不能很好地捕捉负荷数据的时间尺度依赖关系。因此本发明提出一种基于多尺度等距扩张卷积网络midcn的电力负荷预测方法，使用多尺度混合分解将负荷数据分为趋势-周期项和季节项，并分别对其进行预测，且充分考虑负荷序列的多尺度时间特征，实现精确的预测效果。
技术实现思路
1、本发明的目的是提出一种基于多尺度等距扩张卷积网络midcn的电力负荷预测方法，使用多尺度混合分解将负荷数据分为趋势-周期项和季节项，并分别对其进行预测，且充分考虑负荷序列的多尺度时间特征，实现精确的预测效果，以解决单一的特征提取方式不能很好地捕捉负荷数据的时间尺度依赖关系的技术问题。
2、为了解决上述技术问题，本发明采用的技术方案为：
3、一种基于midcn的电力负荷预测方法，包括以下步骤：
4、步骤一：采集电力负荷历史数据，对采集到的电力负荷数据进行数据清洗，然后对数据进行归一化处理，将归一化后的数据划分为训练集和测试集；
5、步骤二：构建基于多尺度等距扩张卷积网络模型midcn；
6、步骤三：将训练集数据输入到基于多尺度等距扩张卷积网络模型midcn中对模型进行训练，得到训练好的基于多尺度等距扩张卷积网络模型midcn；
7、步骤四：将电力负荷数据输入到训练好的基于多尺度等距扩张卷积网络模型midcn中，得到电力负荷预测的结果。
8、在步骤二中，所构建的基于多尺度等距扩张卷积网络模型midcn具体为：
9、步骤1.使用多尺度混合分解将输入x分解成季节项xs和趋势-周期项xt：
10、
11、xs＝x-xt (2)
12、其中，avgpool表示平均池化操作，padding表示填充操作，保持平均池化后序列长度不变，kernel表示平均池化采用的核，mean表示求平均值，具体是将不同尺度大小的核通过填充操作和平均池化操作后提取出的趋势-周期项相加后求平均值；
13、步骤2.对于趋势-周期项xt，采用简单的线性层回归regression策略完成预测任务，其过程如下：
14、yt＝regression(xt) (3)
15、另一方面，针对更复杂的季节项xs，构建了包含多尺度等距扩张卷积网络的季节项预测模块，提取其复杂特征以便于更准确的预测，季节项预测模块的最终输出为ys；
16、步骤3.将趋势-周期项预测结果yt和季节项预测结果ys相加得到最终预测结果y，过程如下：
17、y＝yt+ys (4)
18、在步骤2中，针对季节项预测模块，它在工作时采用以下步骤：
19、步骤1)季节项xs通过嵌入模块得到其嵌入特征表示
20、
21、其中sum表示求和，tfe表示时间特征编码，pe表示位置编码，ve表示值嵌入，xzero表示用零填充的占位符，concat表示拼接合并；
22、将作为多尺度等距扩张卷积网络的初始输入：
23、
24、步骤2)通过多尺度等距扩张卷积网络提取多尺度的复杂特征；多尺度等距扩张卷积网络由n个多尺度等距扩张卷积层构成，每个多尺度等距扩张卷积层使用局部模块和全局模块分别提取序列的局部特征和全局相关性，第l个多尺度等距扩张卷积层提取到的特征可表示为：
25、ys,l＝midc(ys,l-1),l∈{1,2,...,n} (7)
26、其中ys,l表示第l个多尺度等距扩张卷积层的输出，midc表示多尺度等距扩张卷积层。
27、这里，将一维卷积扩张率dilation rate设置为2，实现扩张卷积，扩张卷积能够增大卷积核的感受野大小,从而捕捉更长时间跨度的时间依赖关系；
28、步骤3)使用二维卷积conv2d对不同尺度提取到的特征进行合并，得到多尺度特征
29、
30、其中i是变量，表示时间序列的不同尺度，i为输入时间序列的长度，则表示不同尺度分支提取到的特征。
31、步骤4)通过前馈神经网络和残差连接得到第l个多尺度等距扩张卷积层的输出ys,l：
32、
33、其中feedforward表示前馈神经网络。
34、步骤5)第n个多尺度等距扩张卷积层的输出ys,n通过线性层投影以及截断运算得到季节项预测模块的最终输出ys：
35、ys＝truncate(projection(ys,n)) (10)
36、其中，truncate表示截断运算，projection表示投影。
37、每个多尺度等距扩张卷积层包含局部模块和全局模块，分别提取序列的局部特征和全局相关性，采用以下步骤：
38、步骤(1)局部模块提取到的局部特征可表示为：
39、
40、其中conv1d表示一维卷积下采样，avgpool表示平均池化操作，padding表示填充操作，kernel＝i表示将一维卷积的卷积核大小和步长都设置为i来提取局部特征。
41、步骤(2)局部特征经全局模块得到全局特征其过程可以表示如下：
42、
43、其中norm表示归一化，isometricdilationconv表示等距扩张卷积，tanh是双曲正切激活函数，dropout表示神经网络的随机失活，即对局部模块经过上述操作得到的中间变量，ys,l-1表示第l-1个多尺度等距卷积层的输入，conv1dtranspose表示一维卷积上采样。
44、需要说明的是，全局模块对局部模块的输出进行全局相关性建模，常用的方法是自注意力机制，这里使用等距扩张卷积作为替代。等距扩张卷积是在等距卷积的基础上引入扩张卷积。等距卷积用长度为s-1的占位符0填充长度为s的序列，其核大小为s，即使用一个大的卷积核来度量整个序列的全局相关性。
45、与现有技术相比，本发明具有如下技术效果：
46、1)本发明采用midcn来完成对电力负荷的预测，midcn采用多尺度混合分解的方式将电力负荷分解成趋势-周期项和季节项，然后分别用线性层与多尺度等距扩张卷积网络进行预测，这种分解-预测的结构能有效提升电力负荷预测的精度，并具有良好的可解释性；
47、2)本发明构建了多尺度等距扩张卷积网络对复杂的季节特征进行建模，多尺度等距扩张卷积层包含局部模块和全局模块能提取电力负荷序列的局部特征和全局相关性，且扩张卷积的引入能增大感受野且不增加模型的参数量，进一步提高电力负荷预测的精度。
1.一种基于midcn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所述的方法，其特征在于，在步骤二中，所构建的基于多尺度等距扩张卷积网络模型midcn具体为：
3.根据权利要求2所述的方法，其特征在于，在步骤2中，针对季节项预测模块，它在工作时采用以下步骤：
4.根据权利要求3所述的方法，其特征在于，每个多尺度等距扩张卷积层包含局部模块和全局模块，分别提取序列的局部特征和全局相关性，采用以下步骤：
