[發(fā)明專利]基于多層Bi-GRU的Seq2seq網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201810064305.7
• 申請日: 2018-01-23
• 公開（公告）號: CN108197751A
• 公開（公告）日: 2018-06-22
• 發(fā)明（設(shè)計）人: 路寬;蘇建軍;趙巖;畢貞福;王昕;孟祥榮;高嵩;孫雯雪;龐向坤;趙陽;王文寬;李軍;韓英昆;于慶彬;姚長青;李克雷;顏慶
• 申請（專利權(quán)）人: 國網(wǎng)山東省電力公司電力科學(xué)研究院;國家電網(wǎng)公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 濟(jì)南圣達(dá)知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 張勇

1.一種基于多層Bi-GRU的Seq2seq網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測方法，其特征是：利用FCM方法提取相似日樣本并通過Min-max標(biāo)準(zhǔn)化方法對輸入變量進(jìn)行標(biāo)準(zhǔn)化，以Bi-GRU神經(jīng)元為基本單位構(gòu)建多層次Seq2seq神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，同時選用SELU激活函數(shù)作為整個神經(jīng)網(wǎng)絡(luò)的輸出層激活函數(shù)以減少梯度消失和梯度爆炸，實現(xiàn)整體模型在訓(xùn)練過程中平穩(wěn)運(yùn)行。

2.如權(quán)利要求1所述的一種基于多層Bi-GRU的Seq2seq網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測方法，其特征是：使用FCM計算樣本在不同簇中的隸屬度，根據(jù)隸屬度水平對樣本進(jìn)行分類，分到同類的樣本可以被歸類為具有相似水平較高的樣本。

3.如權(quán)利要求1所述的一種基于多層Bi-GRU的Seq2seq網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測方法，其特征是：將已經(jīng)分類完畢的數(shù)據(jù)劃分為訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)，對數(shù)據(jù)運(yùn)用Min-max方法標(biāo)準(zhǔn)化。

4.如權(quán)利要求1所述的一種基于多層Bi-GRU的Seq2seq網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測方法，其特征是：使用Min-max方法對輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化的范圍為[0,1]。

5.如權(quán)利要求1所述的一種基于多層Bi-GRU的Seq2seq網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測方法，其特征是：使用多層Bi-GRU的Seq2seq網(wǎng)絡(luò)模型對標(biāo)準(zhǔn)化后的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，并把標(biāo)準(zhǔn)化后的測試集數(shù)據(jù)帶入訓(xùn)練完畢的模型中進(jìn)行預(yù)測，然后反向變化后得出最終預(yù)測結(jié)果。

6.如權(quán)利要求1所述的一種基于多層Bi-GRU的Seq2seq網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測方法，其特征是：訓(xùn)練過程中，使用隨機(jī)梯度下降法對模型的參數(shù)進(jìn)行優(yōu)化。

7.如權(quán)利要求1所述的一種基于多層Bi-GRU的Seq2seq網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測方法，其特征是：多層Bi-GRU的Seq2seq網(wǎng)絡(luò)模型結(jié)構(gòu)包括編碼端部分和解碼端部分，編碼端由多層Bi-GRU組成，對輸入數(shù)據(jù)進(jìn)行編碼，并在網(wǎng)絡(luò)的末端輸出編碼后的最終狀態(tài)；解碼端則由單層GRU組成，接受來自編碼段的最終狀態(tài)作為初始輸入狀態(tài)，同時以每一步的輸出值作為下一步的輸入值。