[发明专利]一种基于GRU和多核SVM对抗学习的短期电量预测方法及系统

权利要求书

1.一种基于GRU和多核SVM对抗学习的用户短期电量预测方法，其特征在于，包括以下步骤：

获取待预测用户的历史用电数据和当前用电相关数据；

采用预训练的用户短期电量预测模型进行用电量预测，其中，所述用户短期电量预测模型训练方法包括：

基于历史用电数据和用电相关数据，提取影响因素特征及其权重；

基于影响因素特征及其权重，对双向GRU和多头注意力机制构建的生成器进行训练，输出用户用电量状态预测向量；

将用户用电量综合向量和真实数据作为输入，基于多核SVM判别器的判别结果对生成器进行参数更新，得到用户短期电量预测模型。

2.如权利要求1所述的一种基于GRU和多核SVM对抗学习的用户短期电量预测方法，其特征在于，获取用户用电数据和用电相关数据后，还进行数据清洗，包括删除重复数据、补全缺失数据和删除错误数据。

3.如权利要求1所述的一种基于GRU和多核SVM对抗学习的用户短期电量预测方法，其特征在于，基于灰色关联分析法提取影响因素特征及其权重。

4.如权利要求3所述的一种基于GRU和多核SVM对抗学习的用户短期电量预测方法，其特征在于，基于灰色关联分析法提取影响因素特征包括：

利用灰色关联分析法，计算特征相关统计量；

设定相关统计量阈值作为预设关联度阈值，筛选出与用户用电量行为相关的特征作为影响因素特征。

5.如权利要求1所述的一种基于GRU和多核SVM对抗学习的用户短期电量预测方法，其特征在于，对双向GRU和多头注意力机制构建的生成器进行训练包括：

基于影响因素特征及其权重，通过双向GRU学习获取上下文信息；

进行多次自注意力计算，将每一次计算结果进行拼接,最后通过线性映射函数得到多头注意力分数，得到用户用电量综合向量；

采用用户用电量综合向量，根据softmax预测函数计算损失函数，采用反向传播算法训练双向GRU的学习参数，完成生成器的训练。

6.如权利要求5所述的一种基于GRU和多核SVM对抗学习的用户短期电量预测方法，其特征在于，通过双向GRU学习获取上下文信息包括：

将影响因素特征序列向量映射为低维向量集合；

通过前向和后向GRU分别对低维向量集合进行学习；

通过拼接函数对双向GRU学习得到的特征进行拼接，得到上下文信息。

7.如权利要求1所述的一种基于GRU和多核SVM对抗学习的用户短期电量预测方法，其特征在于，根据实际用电量和生成的用电量预测值计算均方根误差，将均方根误差作为目标函数，对生成器进行参数更新。

8.一种基于GRU和多核SVM对抗学习的用户短期电量预测系统，其特征在于，包括：

数据获取模块，被配置为：获取待预测用户的历史用电数据和当前用电相关数据；

用电预测模块，被配置为：采用预训练的用户短期电量预测模型进行用电量预测，其中，所述用户短期电量预测模型训练方法包括：

基于历史用电数据和用电相关数据，提取影响因素特征及其权重；

基于影响因素特征及其权重，对双向GRU和多头注意力机制构建的生成器进行训练，输出用户用电量状态预测向量；

将用户用电量综合向量和真实数据作为输入，基于多核SVM判别器的判别结果对生成器进行参数更新，得到用户短期电量预测模型。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述基于GRU和多核SVM对抗学习的用户短期电量预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述基于GRU和多核SVM对抗学习的用户短期电量预测方法。