[發(fā)明專利]一種基于Attention-GRU的短期住宅負(fù)荷預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910703915.1
• 申請(qǐng)日: 2019-07-31
• 公開（公告）號(hào): CN110619420B
• 公開（公告）日: 2022-04-08
• 發(fā)明（設(shè)計(jì)）人: 張少峰;劉義;楊超;蔣麗;謝勝利
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 廣東廣信君達(dá)律師事務(wù)所 44329
• 代理人: 杜鵬飛

1.一種基于Attention-GRU的短期住宅負(fù)荷預(yù)測(cè)方法，其特征在于，包括下述步驟：

步驟一，數(shù)據(jù)預(yù)處理；

使用深度學(xué)習(xí)模型進(jìn)行負(fù)荷預(yù)測(cè)的第一步是準(zhǔn)備數(shù)據(jù)，并使用基于密度的噪聲應(yīng)用空間聚類(DBSCAN)技術(shù)，來評(píng)估日常功率分布的一致性；在次步驟中，構(gòu)建訓(xùn)練集和測(cè)試集；

對(duì)于數(shù)據(jù)集和測(cè)試集的每個(gè)元素有兩個(gè)部分，即矩陣X和矩陣Y；矩陣X是門控遞歸神經(jīng)網(wǎng)絡(luò)的輸入，矩陣Y是門控遞歸神經(jīng)網(wǎng)絡(luò)的輸出；矩陣X由四部分組成[E,I,D,H]：

(1)過去K個(gè)時(shí)間步長(zhǎng)的能量消耗序列E＝{e_t-K，...，e_t-2，e_t-1}∈R^K；

(2)過去K個(gè)時(shí)間步長(zhǎng)I∈R^K的時(shí)間日指標(biāo)的增量序列；

(3)過去K個(gè)時(shí)間步長(zhǎng)D對(duì)應(yīng)的星期幾指數(shù)；

(4)對(duì)應(yīng)的二進(jìn)制假日標(biāo)記H；

由于GRU對(duì)數(shù)據(jù)規(guī)模敏感，因此根據(jù)特征的性質(zhì)將四個(gè)輸入向量縮放到(0,1)的范圍內(nèi)；對(duì)E采取數(shù)據(jù)歸一化處理，而矢量I，D，H由一個(gè)熱編碼器編碼，將具有M個(gè)基數(shù)的分類特征向量中的原始元素映射到具有M個(gè)元素的向量中，其中對(duì)應(yīng)的新元素是1而其余新元素都是0；這四個(gè)向量被處理過后的矩陣GRU層的輸入就是這四個(gè)向量的串聯(lián)矩陣；

步驟二，模型構(gòu)建；

負(fù)荷預(yù)測(cè)的第二步就選擇適當(dāng)?shù)纳疃葘W(xué)習(xí)模型；由于GRU的獨(dú)特復(fù)位門和更新門結(jié)構(gòu)，它可以使輸入數(shù)據(jù)的長(zhǎng)度可變；GRU層的作用就是選擇保存重要的信息，丟棄不重要的信息；原則上該層層數(shù)越多越好，模型的非線性擬合能力越強(qiáng)，學(xué)習(xí)的效果越好；但是由于訓(xùn)練模型需要消耗大量時(shí)間，所以一般選擇效果較好且用時(shí)較少的方案；神經(jīng)元的數(shù)量一般是2的n次方數(shù)，而且第一層的神經(jīng)元的個(gè)數(shù)不能太少，否則不能學(xué)習(xí)到規(guī)律；目的是數(shù)據(jù)流在進(jìn)入全連接層之前，對(duì)數(shù)據(jù)進(jìn)行壓縮，讓全連接層的參數(shù)減少；由于全連接層的參數(shù)會(huì)隨著輸入數(shù)據(jù)的增加而加倍遞增，所以適當(dāng)壓縮數(shù)據(jù)是很有必要的；

Attention層的作用是將模型學(xué)習(xí)到的特征權(quán)重賦予下一個(gè)時(shí)間步長(zhǎng)中的輸入向量，突出關(guān)鍵特征對(duì)預(yù)測(cè)負(fù)荷的影響；最終數(shù)據(jù)經(jīng)過全連接層，然后得到最終輸出層為預(yù)測(cè)時(shí)刻的負(fù)荷值；

步驟三，模型訓(xùn)練和測(cè)試；

在構(gòu)建模型之后，使用預(yù)處理的訓(xùn)練集來對(duì)模型進(jìn)行訓(xùn)練，然后使用測(cè)試集來測(cè)試模型；

步驟四，結(jié)果評(píng)估；

評(píng)估步驟三的結(jié)果；

均方誤差(mean squared error，MSE)用于反映估計(jì)量與被估計(jì)量之間的差異程度，將其作為本網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，其計(jì)算公式為：

式中為參數(shù)的估計(jì)值，θ為參數(shù)的實(shí)際值；

平均絕對(duì)百分誤差(mean absolute percentage error，MAPE)是一種常用于衡量預(yù)測(cè)準(zhǔn)確性的指標(biāo)，通過該指標(biāo)對(duì)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)結(jié)果做出評(píng)判，其計(jì)算公式為：

式中n為樣本數(shù)量，y為實(shí)際值，y*為預(yù)測(cè)值。