技术特征：
1.考虑eemd分解后重构准确性的电力负荷预测方法，其特征是，包括：对原始负荷进行eemd分解获得多个本征模态分量和一个残余分量；从多个本征模态分量中筛选出有效的本征模态分量，并针对上述各分量分别建立基于bo
‑
lstm的预测模型，获得分量预测信号；利用极限学习机算法将各分量预测信号进行融合以获得最终的预测信号。2.如权利要求1所述的考虑eemd分解后重构准确性的电力负荷预测方法，其特征是，还包括对原始负荷进行eemd分解的预处理步骤，具体为对原始负荷中的缺失值和噪声数据的处理。3.如权利要求1所述的考虑eemd分解后重构准确性的电力负荷预测方法，其特征是，筛选出有效的本征模态分量时，利用皮尔逊相关系数法计算各本征模态分量与原始信号之间的线性相关性，并选取相关性大于设定值的信号作为有效分量信号。4.如权利要求1所述的考虑eemd分解后重构准确性的电力负荷预测方法，其特征是，对于经皮尔逊相关系数法筛选出的有效分量信号进行标准化处理。5.如权利要求1所述的考虑eemd分解后重构准确性的电力负荷预测方法，其特征是，建立基于bo
‑
lstm的预测模型之后，对训练集数据处理获得各分量预测结果之后，将各分量预测信号去除最后一个点作为输入一起送入elm网络，输出设置为与分量信号相对应的未经eemd分解的原始信号。6.如权利要求1所述的考虑eemd分解后重构准确性的电力负荷预测方法，其特征是，利用贝叶斯优化算法调试elm网络超参数，从而elm学习各分量预测信号之间的非线性关系。7.如权利要求1所述的考虑eemd分解后重构准确性的电力负荷预测方法，其特征是，利用均方根误差、均方误差和平均绝对误差评估预测模型性能。8.考虑eemd分解后重构准确性的电力负荷预测系统，其特征是，包括：eemd分解模块，被配置为：对原始负荷进行eemd分解获得多个本征模态分量和一个残余分量；预测模型建立模块，被配置为：从多个本征模态分量中筛选出有效的本征模态分量，并针对上述各分量分别建立基于bo
‑
lstm的预测模型；预测信号获得模块，被配置为：利用预测模型获得分量预测信号，利用极限学习机算法将各分量预测信号进行融合以获得最终的预测信号。9.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1
‑
7任一所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1
‑
7任一所述的方法的步骤。
技术总结
本发明提出了考虑EEMD分解后重构准确性的电力负荷预测方法及系统，包括：对原始负荷进行EEMD分解获得多个本征模态分量和一个残余分量；从多个本征模态分量中筛选出有效的本征模态分量，并针对上述各分量分别建立基于BO
技术研发人员：孙波 于彬彬 李建靖 张承慧
受保护的技术使用者：山东大学
技术研发日：2021.08.24
技术公布日：2021/12/23