本申请涉及能源互联网场景中的负荷预测领域，具体涉及一种能源互联网背景下的电力负荷组合预测方法。
背景技术：
1、充电站的电力负荷预测在能源互联网中具有关键意义。通过提前了解充电站的电力需求，能源互联网平台可以实现智能的能源调度，优化充电时段，更有效地利用可再生能源，降低能源成本。此外，预测结果有助于提升电网稳定性，防止过载情况的发生，进而确保电力系统的可靠运行。通过合理规划充电站的电力需求，能源互联网不仅能够降低对传统能源的依赖，提高清洁能源比例，还能够提升用户体验，使用户更灵活地安排充电时间，降低成本。因此，充电站电力负荷预测是实现能源互联网智能、高效、经济运行的重要技术之一，为清洁能源大规模应用提供了关键支持。
2、传统电力负荷预测方法采用蒙特卡洛模拟与概率统计分析相结合，其优点在于模型简单、计算量小，且涉及参数较少。然而，随着新兴负荷的大规模并网运行和用户类型的逐渐增多，以及多种因素共同影响用电量，传统的负荷预测方法在适应新运行场景中的负荷预测方面已不再具备广泛适用性。
3、随着人工智能在负荷预测方面迅猛发展，面对庞大而多变的负荷数据，单一算法模型存在一些局限性。例如，bp神经网络的训练速度较慢，容易陷入局部极小点，难以达到全局最小值。卷积神经网络虽然也能进行预测，但是让模型既进行提取特征，也进行预测，会让模型泛化能力不强，因此考虑让cnn模型进行单独提取特征功能，而使用lightgbm模型进行预测。
技术实现思路
1、本申请实施例的目的在于提供一种能源互联网背景下的电力负荷组合预测方法，结合卷积神经网络的编解码优势，采用无监督方式对电力负荷数据进行特征学习，然后将输出数据作为lightgbm模型的输入，从而提高了数据特征提取能力与模型预测精度。
2、为实现上述目的，本申请提供如下技术方案：
3、本申请实施例提供一种能源互联网背景下的电力负荷组合预测方法，包括如下步骤：
4、步骤1：利用皮尔逊相关系数法对影响充电站负荷预测的因素进行分析，选取温度、湿度和充电站的电力负荷数据作为cnn模型的输入；
5、步骤2：训练cnn模型，构建卷积神经网络模型并且初始化权值,输入数据经过卷积层、池化层、全连接层的前向传播得到输出值，计算网络的输出值与目标值之间的误差，根据求得误差调整网络各层权值，训练结束，输出高阶特征数据；
6、步骤3：将cnn训练所得到的高阶特征数据作为lightgbm模型的输入，训练lightgbm模型；
7、步骤4：初始化n棵基分类决策树，训练样例的权重为1/n；
8、步骤5：训练弱分类器f(x)；
9、步骤6：根据训练误差确定当前弱分类器f(x)的权重θ,合并基分类器为强分类器,完成对lightgbm的训练，得到cnn-lightgbm组合模型；
10、步骤7：对测试集数据进行预处理，将其输入至训练完成的cnn-lightgbm模型中，预测输出结果。
11、步骤1中所述的输入数据需要进行预处理，包括对缺失数据的修正以及数据的归一化处理，归一化方法为：
12、
13、其中，x′为电力负荷数据的归一化数值，min(x)表示负荷数据的最小值，max(x)表示负荷数据的最大值。
14、步骤2中所述的cnn模型包括一层输入层，堆叠五层卷积层和池化层，两层全连接层以及一个softmax分类层，此处的softmax分类层是用于训练网络时传递误差，当网络训练完成后，去掉该层而提取前一层的输出数据以进行下一步的训练。
15、步骤6中所述的强分类器，其表达式如下：
16、fn(x)＝θ0f0(x)+θ1f1(x)+…+θifi(x)+…+θnfn(x)
17、其中，n为算法迭代次数，i为第i次迭代，且0≤i≤n，fi(x)为第i代训练出的分类器。
18、与现有技术相比，本申请的有益效果是：
19、1.通过分析影响因素选择合适的输入值，使得cnn模型能够更好地处理庞大的负荷数据并提取负荷数据的高维数据特征，提高模型的训练速度与数据兼容性；
20、2.通过组合cnn与lightgbm模型，使得前者优秀的特征提取能力与后者的良好泛化能力相结合，弥补了单一算法模型的不足，提高了对新型场景下负荷预测的准确率。
1.一种能源互联网背景下的电力负荷组合预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种能源互联网背景下的电力负荷组合预测方法，其特征在于，步骤1中所述的输入数据需要进行预处理，包括对缺失数据的修正以及数据的归一化处理，归一化方法为：
3.根据权利要求1所述的一种能源互联网背景下的电力负荷组合预测方法，其特征在于，步骤2中所述的cnn模型包括一层输入层，堆叠五层卷积层和池化层，两层全连接层以及一个softmax分类层，此处的softmax分类层是用于训练网络时传递误差，当网络训练完成后，去掉该层而提取前一层的输出数据以进行下一步的训练。
4.根据权利要求1所述的一种能源互联网背景下的电力负荷组合预测方法，其特征在于，步骤6中所述的强分类器，其表达式如下：
