[发明专利]一种基于QR-GRU的发电厂统计数据预测校验方法

说明书

本发明公开了一种基于QR‑GRU的发电厂统计数据预测校验方法，包括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；构建QR‑GRU神经网络；根据相关性系数，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，得到两种网络参数；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；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。本发明有效提升数据校核的效率和准确率。

技术领域

本申请属于时序数据校验领域，具体涉及一种基于QR-GRU的发电厂统计数据预测校验方法。

背景技术

目前发电厂月度统计数据报表包括发电最高负荷、发电量、发电用厂用电量、上网电量、其他电量(购网电量)、发电用原煤量、发电用煤折标准煤量、供热量、供热用厂用电量、供热用煤折标准煤量、供热用原煤量等多种数据，数据量众多，靠人工审核工作量大，容易出错。

发明内容

本申请提供一种基于QR-GRU的发电厂统计数据预测校验方法，提升数据校核的效率和准确率。

为实现上述目的，本申请所采取的技术方案为：

一种基于QR-GRU的发电厂统计数据预测校验方法，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。

以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。

作为优选，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。

作为优选，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：