[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

说明书

本发明公开了一种基于CNN‑IPSO‑GRU混合模型的短期电力负荷预测方法，首先收集电网历史负荷、气象因素和日期信息等数据，进行数据归一化处理后并划分训练集和测试集，利用卷积神经网络技术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模型的输入；然后构建门控循环单元网络预测模型，并利用训练集数据通过改进粒子群算法对门控循环单元网络预测模型进行优化，获得两个最优的预测模型参数，以获得的最优预测模型参数重新建立门控循环单元网络模型；最后以测试集数据实现电网短期的负荷预测。本发明提供的方法可以准确预测电网短期负荷变化趋势，进一步对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。

技术领域

本发明涉及一种电力负荷预测方法，尤其涉及一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法。

背景技术

随着我国电力市场的快速发展，高效准确的短期负荷预测是电网研究的重要内容，精准的短期负荷预测对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。故亟需研究出提高负荷预测精度的新方法，提升电网经济效益。

多年来国内外众多学者对短期负荷预测进行了大量研究，可概括为三类：统计法、模型组合法和机器学习法。统计法主要包含时间序列模型、模糊预测模型等，该方法的预测效果对数据集的分布特性有较高要求；组合预测法主要有两大类：其一是将不同预测模型有效结合起来，其二是使用数据分析方法对原始数据序列进行预处理，分析方法有卷积神经网络、经验模态分解(Empirical Mode Decomposition，EMD)等，进而结合模型进行预测；机器学习法主要有循环神经网络(Recurrent Neural Network，RNN)、支持向量机(SupportSector Machine，SVM)、长短期记忆网络(Long short-term memory network，LSTM)和门控循环单元(Gated Recurrent Unit，GRU)等。

由于影响负荷波动的因素颇多，主要有历史负荷、气象因素、日期类型等等，考虑到历史数据集具有复杂性和时序性的特点，卷积神经网络(Convolutional NeuralNetworks，CNN)由于其自身具有降低多维数据集复杂性的特点，现已被应用在进行负荷预测时提取特征向量方面。RNN因其自身具有“记忆功能”，被广泛应用在进行时间序列的预测方面，LSTM与GRU都是一种特殊的RNN，在时间序列预测方面都具有较高的精度。GRU是在LSTM结构基础上进行改进的，相比于LSTM其自身结构更加简单、有更快的收敛速度与较高的预测准确率，由于利用GRU模型进行预测时部分参数通常需要依靠传统经验来选取，具有不确定性，导致模型的预测效率与准确率降低。粒子群算法(particle swarmoptimization，PSO)具有调节参数少、迭代寻优思路简洁、收敛速度快等优点，被广泛应用在确定模型参数方面，但PSO算法在寻优过程中，容易陷入局部最优，导致误差结果较大等缺陷，故提出一种改进粒子群算法(Improved particle swarm optimization，IPSO)以增强模型参数的寻优能力。

发明内容

本发明要解决的技术问题是提供一种基于卷积神经网络和改进粒子群算法优化门控循环单元网络(CNN-IPSO-GRU)混合模型的短期电力负荷预测方法，使用该方法不仅克服了依据经验选取关键参数的难题，并具有更高的预测精度，对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。

为解决上述技术问题，本发明提供了一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法，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；