[发明专利]一种基于QR-GRU的发电厂统计数据预测校验方法

权利要求书

1.一种基于QR-GRU的发电厂统计数据预测校验方法，其特征在于，所述基于QR-GRU的发电厂统计数据预测校验方法，包括：

步骤1、针对待预测校验的数据种类进行相关性检测，获得相关性系数；

步骤2、构建QR-GRU神经网络，所述QR-GRU神经网络由多个GRU单元组成，且设置QR-GRU神经网络的损失函数为QR损失函数，所述QR损失函数的公式如下：

式中，QRLOSS为损失值，T为数据采集的月度时间的总数，τ为τ分位数，Y_i为待预测校验的数据种类第i个月度时间的实际值，y_i为待预测校验的数据种类第i个月度时间的预测值，i＝1，2，3...T；

步骤3、根据所述相关性系数，获取历史发电厂统计数据中待预测校验的数据种类以及与其相关性强的数据种类所对应的数据作为训练数据，分别以τ＝γ和τ＝1-γ对QR-GRU神经网络进行训练，得到两种网络参数；

步骤4、获取上月的发电厂统计数据，按照训练时所取的相关性强的数据种类所对应的数据作为输入值，将输入值输入至分别以τ＝γ和τ＝1-γ为参数的两种QR-GRU神经网络中得到针对待预测校验的数据种类的两个预测值，γ∈[0，1]；

步骤5、若待预测校验的数据种类本月获取的实际值位于两个预测值之间，则判断本月的实际值为正常数据；否则为异常数据。

2.如权利要求1所述的基于QR-GRU的发电厂统计数据预测校验方法，其特征在于，所述针对待预测校验的数据种类进行相关性检测，获得相关性系数，包括：

将待预测校验的数据种类与发电厂统计数据中其他的数据种类进行两两之间的相关性检测，得到两两对应的相关性系数。

3.如权利要求2所述的基于QR-GRU的发电厂统计数据预测校验方法，其特征在于，所述相关性系数的计算如下：

令待计算相关性的两个种类的数据为A＝{a_i|a₁，a₂，...a_T}和B＝{b_i|b₁，b₂，...b_T}，其中i＝1，2，3...T表示月度时间，则相关性系数r的计算公式如下：

式中，a_i为数据种类A第i个月度时间的月度统计数据，为数据种类A所有月度时间下月度统计数据的均值，b_i为数据种类B第i个月度时间的月度统计数据，为数据种类B所有月度时间下月度统计数据的均值；若|r|＞0.5则表示两个种类的数据间的相关性强。

4.如权利要求1所述的基于QR-GRU的发电厂统计数据预测校验方法，其特征在于，所述GRU单元的隐含层内含更新门和重置门；

所述GRU单元在t时刻更新门的输出表达式如下：

z_t＝σ(W_z，τ·[x_t，h_t-1]+b_z，τ)

式中，z_t是t时刻更新门的输出，W_z，τ、b_z，τ是更新门在τ分位数下的权重和偏置，x_t为t时刻的输入，h_t-1为t-1时刻输出，即上一节点的输出，σ为sigmoid函数；

所述GRU单元在t时刻重置门的输出表达式如下：

r_t＝σ(W_r，τ·[x_t，h_t-1]+b_r，τ)

式中，r_t是t时刻重置门的输出，W_r，τ、b_r，τ是重置门在τ分位数下的权重和偏置；

所述GRU单元在t时刻的输出表达式如下：

h_t＝(1-z_t)Δh_t-1+z_tΔs_t

s_t＝tanh(W_s，τ·[r_tΔh_t-1，x_t]+b_s，τ)

式中，h_t是GRU单元在t时刻的输出，s_t是过程量，W_s，τ、b_s，τ是过程量在τ分位数下的权重和偏置，tanh是双曲正切函数，Δ为哈达玛乘积。