基于数据分解和深度学习的短期负荷预测方法及系统

本发明公开基于数据分解和深度学习的短期负荷预测方法及系统，步骤如下：S1：获取历史负荷数据以及特征数据，应用箱线图理论检验异常值，并采用前一天和后一天同一时刻数据对异常值进行均值填补；S2：采用变分模态分解降低负荷数据的不可预测性，得到不同频率的本征模态分量；S3：基于最大信息系数分析特征数据与负荷的相关性，实现特征降维，构建输入数据集；S4：构建GRU预测模型，并对输入数据集归一化处理，按固定比例划分为训练集和测试集；S5：训练GRU模型，进而实现数据预测，并将预测结果反归一化。本发明考虑电力负荷数据的非线性和非平稳性，可有效提高短期负荷预测精度。