[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

说明书

本发明公开了一种基于GRU和多核SVM对抗学习的用户短期电量预测方法及系统，所述方法包括：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。本发明通过生成器和判别器的相互博弈学习提高预测性能，提高了电量预测的准确度。

技术领域

本发明涉及智能用电技术领域，特别涉及一种基于GRU和多核SVM对抗学习的短期电量预测方法及系统。

背景技术

准确地对用电量进行预测能够保证电网系统准确可靠的运行，避免在电网调度过程中的资源浪费，同时，还有助于制定更经济的发电计划。

传统的电量预测方法主要包括回归分析法和时间序列分析法等。这些方法虽然在电力行业的一些应用上比较广泛，但是仍存在对于一些不确定因素考虑不足的缺点，同时也未能很好的利用序列数据的信息。为了提高预测的性能，智能预测方法(如人工神经网络、支持向量机预测模型和深度学习预测方法等)逐渐地被应用于电量预测研究中，其优点在于能够很好的挖掘出各种影响因素与电量之间的关联关系。目前，大多数研究是基于用电量序列进行预测建模，其中循环神经网络(Recurrent Neural Network，RNN)被广泛应用。长短期记忆网络(Long Short-Term Memory，LSTM)和门控循环单元(Gated RecurrentUnit，GRU)是RNN的变种，它们能够有效地解决RNN模型中长期依赖性的不足，是电量预测研究中比较常用的模型。此外，卷积神经网络(Convolutional Neural Networks，CNN)也被应用到负荷预测研究中。发明人发现，虽然这些方法已经取了不错的效果，但是这些方法忽略了电量序列内部之间潜在的关联关系，对于已有信息没有进行充分利用。

发明内容

基于上述问题，本发明的第一个方面，提供一种基于改进GRU和多核支持向量机对抗学习的用户短期电量预测方法及系统。基于用电量的主要特征因素，以双向GRU和多头注意力机制相结合作为生成器、多核SVM为判别器，构建基于生成对抗网络模型实现用户短期电力预测，通过生成器和判别器的相互博弈学习提高预测性能，提高了电量预测的准确度。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

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。

进一步地，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。

进一步地，基于灰色关联分析法提取影响因素特征及其权重。

进一步地，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。