[發(fā)明專利]基于EMD-SVR-MLR與注意力機制的GRU-NN的電力負荷層次預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202011639813.7
• 申請日: 2020-12-31
• 公開（公告）號: CN112766078A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計）人: 徐耀松;段彥強;李佳旺;王雨虹;王丹丹;屠乃威;閻馨;付華;謝國民;盧萬杰
• 申請（專利權(quán)）人: 遼寧工程技術(shù)大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;H02J3/00
• 代理公司: 北京君泊知識產(chǎn)權(quán)代理有限公司 11496
• 代理人: 李丹

本發(fā)明公開了基于EMD?SVR?MLR與注意力機制的GRU?NN的電力負荷層次預(yù)測方法，采用經(jīng)驗?zāi)B(tài)分解信號處理算法對用戶負荷原始時間序列數(shù)據(jù)進行分解處理，并對模態(tài)函數(shù)進行重構(gòu)。對重構(gòu)分量建立支持向量機多元線性回歸初級預(yù)測模型，從而獲得預(yù)測值。將初級預(yù)測模型的預(yù)測值和原始的時間序列數(shù)據(jù)進行融合，形成新的時間序列，作為門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的輸入，建模學習特征內(nèi)部動態(tài)變化規(guī)律，并引入注意力機制賦予GRU隱含狀態(tài)不同的權(quán)重，最后完成短期負荷預(yù)測；該方法提高了時間軸上對隱式時間序列的特征提取能力和計算能力，對于具有周期和長期依賴關(guān)系的電力系統(tǒng)的負荷預(yù)測具有較高的準確率和精確度，具有一定的實用價值。

技術(shù)領(lǐng)域

本發(fā)明涉及電力技術(shù)領(lǐng)域，具體為基于EMD-SVR-MLR與注意力機制的GRU-NN的電力負荷層次預(yù)測方法。

背景技術(shù)

準確的電力負荷預(yù)測是保證電力系統(tǒng)安全穩(wěn)定運行的重要手段之一，也是電力調(diào)度、供電企業(yè)電力設(shè)施建設(shè)等方面的重要依據(jù)。影響電力負荷的因素很多(如社會、政策、天氣、節(jié)假日等)，而這些數(shù)據(jù)往往會對電力使用產(chǎn)生影響。因此，如何通過這些不同方面的影響因素，合理地利用這些因數(shù)的數(shù)據(jù)進行預(yù)測準確是提高預(yù)測精度的關(guān)鍵。

有效而精確的短期負荷預(yù)測有助于電力部門合理地制定生產(chǎn)計劃，減少對資源的浪費。以循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)為主體建立的深度學習預(yù)測模型是短期負荷預(yù)測方法中的典型代表，但在歷史序列中，由于潛在的高維特征很難提取，重要信息在時間序列過長時容易丟失。由于負荷預(yù)測問題的假設(shè)空間很大，可能有多個假設(shè)在訓(xùn)練集上達到同等性能，若使用單一模型可能由于隨機性而導(dǎo)致泛化性能不佳。

為解決上述問題，提出基于EMD-SVR-MLR與注意力機制的GRU-NN的電力負荷層次預(yù)測方法。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供基于EMD-SVR-MLR與注意力機制的GRU-NN的電力負荷層次預(yù)測方法，從而解決了現(xiàn)有技術(shù)中的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于EMD-SVR-MLR與注意力機制的GRU-NN的電力負荷層次預(yù)測方法，方法具體包括如下步驟：

S1：用EMD算法對電力負荷原始時序數(shù)據(jù)進行分解，得到幾個具有不同特征的IMF；

S2：由于EMD分解得到的IMF數(shù)量較多且IMF間存在一定的相關(guān)性，因此有必要對IMF進行重構(gòu)，從而降低建立預(yù)測模型的重復(fù)工作量，用樣本熵來衡量IMF復(fù)雜性，用趨勢分量、細節(jié)分量和隨機分量來重建與樣本熵相近的IMF；

S3：對重構(gòu)分量分別建立SVR和MLR負荷預(yù)測模型，將不同分量預(yù)測結(jié)果疊加即初級預(yù)測模型獲得預(yù)測值；

S4：把初級預(yù)測模型預(yù)測出的值當做次級預(yù)測模型的特征值和原始的時間序列數(shù)據(jù)進行融合，形成新的時間序列，負荷數(shù)據(jù)經(jīng)過預(yù)處理后長度為n，可以用X表示X＝[x₁…x_t-1,x_t…x_n]^T；

S5：把新的時間序列作為GRU網(wǎng)絡(luò)的輸入，建模學習特征內(nèi)部動態(tài)變化規(guī)律，并引入注意力機制通過映射加權(quán)和學習參數(shù)矩陣賦予GRU隱含狀態(tài)不同的權(quán)重，減少歷史信息的丟失并加強重要信息的影響，最后完成短期負荷預(yù)測。

進一步地，S1中用EMD算法得到IMF的方法步驟如下：

S11：找出電力負荷時間序列y(t)中的所有極大值，并用插值方法擬合其包絡(luò)線u(t)；與之類似，求出y(t)列的全部最小值，用插值方法擬合其包絡(luò)線v(t)；據(jù)此計算上下包絡(luò)線平均m₁(t)為

S12：將原始信號y(t)與m₁(t)相減得到h₁(t)，即h₁(t)＝y(tǒng)(t)-m₁(t)；