[发明专利]一种基于GRU模型的台区线损率预测方法

权利要求书

1.一种基于GRU模型的台区线损率预测方法，其特征在于，包括以下步骤：

步骤S1:采集台区多维电气特征指标参数数据，构成原始数据；

步骤S2:对原始数据进行进行归一化处理，同时采用数据平滑技术对少量错误数据进行清洗处理,得到处理后的数据随机分为训练集数据和测试集数据；

步骤S3:构建GRU深度学习模型，并初始化基本参数；

步骤S4:将训练集数据作为输入，训练GRU网络参数，获得深度预测模型；

步骤S5:将测试数据输入训练好的GRU网络模型中，进行台区线损率误差测试分析，如果满足预设要求则得到最优深度预测模型并转入S6，否则转入步骤S3微调网络模型基本参数；

步骤S6:根据得到的最优深度预测模型，输入新增台区的电气特征参数，预测得到相应的线损率。

2.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法，其特征在于：所述台区多维电气特征指标参数数据包括、供电半径、低压线路总长度、负载率和居民用电比例、台区用户名数、居民用户数、供电量、耗电量、台区电能表总数、安装年限和抄表成率。

3.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法，其特征在于：所述数据归一化处理采用回归分析法，具体为：

设样本总数为N，特征参数数目为M，首先计算样本序列的均值和方差

其中i＝1,2,…,N,j＝1,2,…,M,x_ij为样本i的第j个特征；

得到的标准化数据Z_ij为

4.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法，其特征在于，所述GRU深度学习模型具体为：

LSTM每个神经单元包括4个组成部分，即输入门i_t，遗忘门f_t，输出门O_t和记忆单元C_t；

具体计算步骤如下：

输入状态

g_t＝tanh(W_igx_t+b_ig+W_hch_t-1+b_hg)

门控状态

i_t＝sigmoid(W_ijx_t+b_ii+W_hih_t-1+b_hi)

f_t＝sigmoid(W_ifx_t+b_if+W_hfh_t-1+b_hf)

O_t＝sigmoid(W_iox_t+b_io+W_hoh_t-1+b_ho)

记忆状态

C_t＝f_t×C_t-1+i_t×g_t

输出状态

h_t＝o_t×tanh(C_t)

其中tanh(·)表示双曲正切函数，sigmoid(·)为sigmoid函数，W是门权重向量，b是偏置项；

将LSTM的输入门、遗忘门、输出门变为更新门z_t和重置门z_t以及将单元状态c和h合并为一个状态h，得到GRU深度学习模型

计算步骤如下式所示

z_t＝sigmoid(W_izx_t+b_iz+W_hzh_t-1+b_hz)

r_t＝sigmoid(W_irx_t+b_ir+W_hrh_t-1+b_hr)

n_t＝tanh(W_inx_t+b_in+r_t×(W_hnh_t-1+b_hn))

h_t＝(1-z_t)×n_t+z_t×h_t-1。

5.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法，其特征在于：所述GRU的隐藏层数为150个门控循环单元，并设置Dropout层丢弃率为0.3。