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

有效

• 申請?zhí)枺?/td>: 201910703915.1
• 申請日: 2019-07-31
• 公開（公告）號: CN110619420B
• 公開（公告）日: 2022-04-08
• 發(fā)明（設(shè)計）人: 張少峰;劉義;楊超;蔣麗;謝勝利
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號: G06Q10/04
• 分類號: 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

本發(fā)明公開了一種基于Attention?GRU的短期住宅負(fù)荷預(yù)測方法，包括下述步驟：數(shù)據(jù)預(yù)處理；使用深度學(xué)習(xí)模型進(jìn)行負(fù)載預(yù)測的第一步是以適當(dāng)?shù)母袷綔?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)練集和測試集；本發(fā)明將人工智能在自然語言處理的兩種算法結(jié)合構(gòu)建出短期住宅負(fù)荷預(yù)測模型，該模型用GRU算法不僅僅克服傳統(tǒng)智能預(yù)測算法遞歸神經(jīng)網(wǎng)絡(luò)的不足，也解決了RNN的決梯度爆炸和梯度消失問題；用Attention層的作用是將模型學(xué)習(xí)到的特征權(quán)重賦予下一個時間步長中的輸入向量，突出關(guān)鍵特征對預(yù)測負(fù)荷的影響。

技術(shù)領(lǐng)域

本發(fā)明涉及電力負(fù)荷預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于Attention-GRU的短期住宅負(fù)荷預(yù)測方法。

背景技術(shù)

負(fù)荷預(yù)測是電力系統(tǒng)規(guī)劃和控制的第一階段。準(zhǔn)確的負(fù)荷預(yù)測對于公用事業(yè)公司來說非常重要，可以確保電網(wǎng)的可靠性和穩(wěn)定性，以滿足負(fù)荷需求。根據(jù)預(yù)測的時間范圍，電力需求預(yù)測可大致分為三類，即短期電力需求預(yù)測，中期電力需求預(yù)測和長期電力需求預(yù)測。它對于有效處理日常運(yùn)營，發(fā)電容量調(diào)度，采購計劃和評估非常有用。住宅每日負(fù)荷預(yù)測是一種短期負(fù)荷預(yù)測。它是估算電力系統(tǒng)待機(jī)容量，每日負(fù)荷率以及設(shè)定峰谷電價的重要依據(jù)。此外，它對公用事業(yè)的運(yùn)營和生產(chǎn)成本也有重大影響。因此，負(fù)荷預(yù)測算法在過去幾十年中得到了廣泛的研究。大多數(shù)預(yù)測模型基于相似性原理和各種優(yōu)化算法，分為兩類：一種是經(jīng)典的預(yù)測算法，另一種是智能預(yù)測算法。

對于經(jīng)典預(yù)測算法，主要優(yōu)點(diǎn)是計算速度快，魯棒性強(qiáng)，回歸分析和指數(shù)平滑簡單易行。然而，由于缺乏負(fù)荷曲線特征分析，其預(yù)測精度明顯不足。時間序列方法可以反映負(fù)載的連續(xù)變化，但是這種方法需要原始序列的高平滑性，并且不能解決負(fù)載因子的變化。頻域分量法和小波分析法可以研究頻域負(fù)荷，但不考慮其他因素對負(fù)荷的影響，如社會因素、氣象因素。

對于智能預(yù)測算法，它們的優(yōu)勢在于篩選和處理影響負(fù)載的主要因素。人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks，ANN)和支持向量機(jī)(support vector machine，SVM)已經(jīng)被廣泛用于負(fù)荷預(yù)測?；贏NN和SVM方法，提出了主成分分析人工神經(jīng)網(wǎng)絡(luò)(principal component analysis-artificial neural networks，PCA-ANN)、最小二乘支持向量機(jī)(least squares support vector machine，LS-SVM)來提高負(fù)荷預(yù)測精度。然而，這些傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)沒有考慮負(fù)荷曲線的時間序列特征，這些特征性容易陷入局部最優(yōu)和過度擬合。因此，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在短期住宅負(fù)荷預(yù)測中遇到了技術(shù)瓶頸。

2006年，Hinton教授提出了一個深度信念網(wǎng)絡(luò)(deep belief network，DBN)，它標(biāo)志著深度學(xué)習(xí)時代的到來。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，RNN引入了可以處理輸入之間上下文相關(guān)性的定向循環(huán)。一些研究人員發(fā)現(xiàn)使用RNN無法確保出色的預(yù)測效果，原因在于RNN不適合處理數(shù)據(jù)的長期依賴性。門控循環(huán)單元(gated recurrent unit，GRU)是RNN的改進(jìn)，它可以解決梯度消失和梯度爆炸的問題。與LSTM相比，門控循環(huán)單元具有更少的參數(shù)并且更容易收斂，在解決其他復(fù)雜問題方面取得了許多突破，成為數(shù)據(jù)科學(xué)界最有前途的技術(shù)之一。

另一方面，基于注意力機(jī)制(attention)的神經(jīng)網(wǎng)絡(luò)近幾年在自然語言處理領(lǐng)域取得了很好的應(yīng)用效果，如機(jī)器翻譯、句法分析和自動文摘等。該機(jī)制通過為神經(jīng)網(wǎng)絡(luò)隱藏層單元分配不同概率權(quán)重，使得隱藏層能夠關(guān)注更為關(guān)鍵的信息。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于Attention-GRU的短期住宅負(fù)荷預(yù)測方法，該方法應(yīng)用基于密度的噪聲應(yīng)用空間聚類(density-basedspatial clustering of application with noise，DBSCAN)技術(shù)來確定數(shù)據(jù)的異常值分布情況，然后用提出的Attention-GRU預(yù)測方法對住宅進(jìn)行每日負(fù)荷預(yù)測。

本發(fā)明的目的通過下述技術(shù)方案實現(xiàn)：