[发明专利]一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法

权利要求书

1.一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法，其特征在于，包括如下步骤：

A、收集电网历史负荷、气象因素、日期信息数据作为特征参量；

B、获取步骤A中的特征参量在历史时间维度电网负荷中的样本数据，并对样本数据进行归一化处理，利用卷积神经网络CNN提取出表征负荷变化的多维特征向量，构造成时间序列，按时间顺序划分训练集数据和测试集数据；

C、构建包括输入层、隐藏层、输出层的门控循环单元网络预测模型GRU；

D、使用步骤B中获得的训练集数据对步骤C中构建的门控循环单元网络预测模型GRU进行改进粒子群算法IPSO优化，在满足预测模型评价指标最优的基础上确定门控循环单元网络预测模型GRU的最优参数，以此为基础重新建立优化后的门控循环单元网络预测模型IPSO-GRU；

E、使用步骤B中获得的测试集数据作为步骤D中经优化的门控循环单元网络预测模型IPSO-GRU的输入变量，进一步进行电网短期负荷预测，得到预测结果；

所述步骤B中对样本数据进行归一化处理指将样本数据映射到[0，1]之间，其归一化的公式为式(1)：

式(1)中，x^*为归一化后的数据；x_min、x_max分别为样本数据集的最小值与最大值，x为原始样本数据；

所述步骤C中门控循环单元网络预测模型GRU的具体构建过程如下：

C1、收集电网历史负荷、气象因素、日期信息数据作为特征参量，利用卷积神经网络CNN提取出表征负荷变化的多维特征向量，构造成时间序列作为门控循环单元网络预测模型GRU输入层的样本数据；

C2、将步骤C1中各特征参量的样本数据进行归一化处理，映射到[0，1]之间，按时间顺序划分训练集数据和测试集数据；

C3、隐藏层采用步骤C2得到的训练集数据对门控循环单元网络预测模型GRU进行训练，在预测结果评价标准误差较小的情况下，确定门控循环单元网络预测模型GRU的最优参数；

C4、采用步骤C3得到的门控循环单元网络预测模型GRU对测试集数据进行预测，得到预测结果P₁、P₂、…P_n；

C5、输出层采用以平均绝对百分比误差的方式计算步骤C4得到的n个预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析；

所述步骤D中使用改进粒子群算法IPSO优化门控循环单元网络预测模型GRU的过程如下：

D1、初始化步骤C中构建的门控循环单元网络预测模型GRU参数，设置神经元个数m和学习率ε各自的取值范围、搜索范围，确定最大迭代次数T_max与种群规模ps、惯性权重ω的最大值ω_max与最小值ω_min，加速因子c₁、c₂的最大值与最小值；

D2、根据步骤D1中初始化后的神经元个数m与学习率ε的取值，以步骤C构建的门控循环单元网络预测模型GRU对测试集数据进行模型预测，将得到的预测结果的平均绝对百分比误差作为粒子的适应度值，适应度函数f_iti定义如式(2)：

式中，n表示测试集数据的样本容量；X_act(i)和X_pred(i)分别为i时刻负荷的真实值和预测值；

D3、以神经元个数m和学习率ε两个参数为粒子，以步骤D2得到的预测结果的平均绝对百分比误差作为粒子适应度值，采用公式(3)～(7)迭代更新两个粒子的速度和位置，即更新门控循环单元网络预测模型GRU两个关键参数的值；通过改进粒子群算法IPSO寻优获得两个参数的最优值后，以此为基础重新建立优化后的门控循环单元网络预测模型IPSO-GRU；

上式中，k表示当前迭代次数；T_max表示最大迭代数；分别表示粒子的速度、位置、个体局部最优解和全局最优解；r₁与r₂为[0，1]之间的随机数；ω(k)、c₁(k)与c₂(k)分别表示第k次迭代时惯性权重与加速因子的取值；ω_max＝0.9，ω_min＝0.4；T_max为最大迭代次数；c₁与c₂∈[0.5，2.5]；a＝b＝1，c＝d＝1.5；

D4、以改进粒子群算法的公式(3)-(7)迭代更新粒子的速度与位置，计算对应的粒子适应度值，并比较局部与全局的最优解，当粒子适应度值趋于稳定或迭代次数达到最大，则满足终止条件，获取最优的神经元个数m与学习率ε参数，得到经改进粒子群算法优化后的门控循环单元网络预测模型IPSO-GRU，否则返回步骤D3继续进行迭代更新。

2.根据权利要求1所述的一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法，其特征在于：所述步骤E中得到的预测结果使用平均相对百分误差MAPE、根均方误差RMSE、预测精度FA以及决定系数R²四个评价指标进行模型评价，公式(8)-(11)所示：

上式中：n表示测试数据集的样本容量；X_act(i)和X_pred(i)分别为第i时刻负荷的真实值和预测值，其中 i ＝ 1,2, … n ；表示预测样本真实值的平均值；其中MAPE与RMSE数值越小，FA数值越大、R²的值越接近1，表示拟合优度越大，模型预测结果越准确。