基于多元变量分解和深度随机网络集成的负荷预测方法

本发明涉及一种基于多元变量分解和深度随机网络集成的负荷预测方法，属于住宅负荷预测领域。所述方法，首先，采用斯皮尔曼系数对采集到的天气和日历变量进行筛选以构建输入矩阵；其次通过经验小波变换将多元输入变量矩阵分解为固定数量且频率不同的子序列；然后构建多个深度随机向量函数链神经网络DRVFL对不同频率的子序列分别进行训练；最后，集成所有子序列的预测结果以生成最终预测。本发明通过经验小波变换技术将数据序列数据分解为多个不同频率的子分量，能够有效提取数据序列中深层次特征；本发明还构建了DRVFL预测模型，实现了高精度住宅负荷预测，且本发明有效解决了传统深度学习模型学习过程中的泛化能力不足的问题。