[发明专利]一种基于模态GRU学习网络的配电台区售电量精准预测方法

说明书

一种基于模态GRU学习网络的配电台区售电量精准预测方法，包括如下步骤：S1、获取台区售电量历史数据，划分测试集和训练集；S2、数据预处理，补全采样时间点保证其连续，并利用平均插值法填补采样点缺失数据；S3、利用实验法根据各模态分量的中心频率确定变分模态分解（VMD）最优模态数K；S4、对台区售电量历史数据进行VMD分解，分别提取分解后的低频模态分量和高频模态分量；S5、利用Prophet预测模型和GRU学习网络分别对低频模态和高频模态进行预测；S6、重构各模态预测结果，得到台区售电量预测值。本发明能够提高台区售电量的预测精度，可为台区售电量精准预测与管理提供理论和实践支撑。

技术领域

本发明涉及电量预测领域，具体涉及一种基于模态GRU学习网络的配电台区售电量精准预测方法。

背景技术

对台区售电量进行分析预测，能够帮助供电企业调整供电计划，优化供电结构，符合构建节约型社会、促进节能减排的发展理念。因此，建立有效的台区售电量预测模型一直以来都是电力领域的研究热点。

台区售电量通常受到用户用电行为、负荷变化、季节变化、节假日等多种因素的叠加影响，从而导致其时间序列呈现出不平稳的变化趋势，常用的预测模型有：支持向量机、随机森林算法和神经网络等，但由于没有对电量数据进行合理的细化分解，导致未能考虑多种叠加因素对电量数据的影响，因此预测效果通常欠佳。

发明内容

本发明针对现有技术中的不足，提供一种基于模态GRU学习网络的配电台区售电量精准预测方法。

为实现上述目的，本发明采用以下技术方案：

一种基于模态GRU学习网络的配电台区售电量精准预测方法，其特征在于，包括如下步骤：

S1：获取台区售电量历史数据，划分测试集和训练集；

S2：数据预处理，补全采样时间点保证其连续，并利用平均插值法填补采样时间点缺失数据，得到台区售电量时间序列；

S3：利用实验法根据各模态分量的中心频率确定变分模态分解最优模态数K；

S4：在最优模态数K的条件下对台区售电量时间序列进行VMD分解，分别提取分解后的低频模态分量IMF_L和高频模态分量IMF_H时间序列；

S5：利用Prophet预测模型和GRU学习网络分别对低频模态和高频模态进行预测；

S6：重构各模态预测结果，得到台区售电量预测值。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S2中的数据预处理过程具体如下：

S21：填补S1获取的样本时间序列数据中少量缺失的采样时间点，若采样时间点和数据大面积缺失，则利用同时期他年数据进行填补；

S22：利用平均插值法填补采样时间点缺失数据T，若求T_i和T_i+1之间的任一点，则直接取为和的平均值，即：

式中，T_i、T_i+1分别表示缺失数据的前后数据。

进一步地，步骤S3中确定最优模态数K的过程具体如下：

S31、令模态数K＝2，初始化VMD参数；

S32、对台区售电量时间序列进行VMD分解，得到各模态的中心频率，K阶分解过程约束变分方程为：