一种基于周期性模式分解与双流架构的电力负荷预测方法

本发明公开了一种基于周期性模式分解与双流架构的电力负荷预测方法，依次包含以下步骤：首先，构建电力负荷数据序列数据输入，并采用可学习循环周期模块对原始序列进行分解，将序列分解为周期成分和残差成分；然后，利用双流架构分别处理分解后的两个成分，其中线性流采用多层感知机处理残差成分的线性特征，非线性流采用基于分块技术的卷积神经网络处理周期成分的非线性时空模式；接着，采用特征连接模块融合双流输出；最后，结合反正切损失函数和Sigmoid学习率调整策略优化模型训练过程，生成最终的预测结果。实验结果表明，本方法在电力负荷数据集表现卓越，具有显式建模周期模式、有效分离序列成分、预测精度高、参数效率优、训练稳定性强的优点，相比现有方法在MSE和MAE指标上均有显著提升。