[发明专利]基于综合形状误差和时间误差的长期电力负荷预测方法

权利要求书

1.基于综合形状误差和时间误差的长期电力负荷预测方法，其特征在于，包括以下步骤：

采集原始数据，基于所述原始数据进行数据预处理，获取训练集和测试集，基于所述训练集和所述测试集分别进行数据归一化处理，获得归一化处理后的归一化训练集和归一化测试集；

构建负荷预测模型，将所述归一化训练集输入到所述负荷预测模型中进行训练，获得训练好的负荷预测模型；将所述归一化测试集输入到所述训练好的负荷预测模型中，获得预测结果。

2.根据权利要求1所述的基于综合形状误差和时间误差的长期电力负荷预测方法，其特征在于，构建负荷预测模型，包括编码器，包含两个隐藏层，编码器计算过程包括：当前时刻的隐藏状态时，会首先计算一个候选状态而在计算候选状态时，会考虑重置门r_t的取值：

r_t＝σ(W_r[h_t-1,x_t]) (1)

使用Sigmoid函数使得门的取值限定为[0,1]之间，当重置门近于0，当前候选值会忽略前一个隐藏状态h_t-1，并用当前的输入x_t来计算，有效地让隐藏状态抛弃任何将来发现的不相关信息：

计算出来候选值之后，通过更新门来控制前一个隐藏状态有多少信息可以传递到当前隐藏状态，更新门z_t为：

z_t＝σ(W_z[h_t-1,x_t]) (3)

最后当前时刻的隐藏状态h_t可以计算为：

3.根据权利要求2所述的基于综合形状误差和时间误差的长期电力负荷预测方法，其特征在于，构建负荷预测模型包括解码器，所述解码器中包含一个未来层，所述未来层结合两个隐藏层，将结合后的数据输入到自注意力机制中，所述解码器的计算过程包括：

其中GRU()函数表示对输入的数据的非线性转换；u_t与v_t分别为BiGRU所对应的前向隐含层状态和反向隐含层状态所对应的权重；b_t表示t时刻隐含层状态所对应的偏置；解码器将输入序列X分步输入，其在t时刻的GRU神经元隐藏层状态由t-1时刻GRU神经元隐藏层状态和t时刻输入x_t共同决定，即：

h_t＝f(h_t-1,x_t) (8)

式中：h_t为t时刻GRU神经元隐藏层状态；h_t-1为t-1时刻GRU神经元隐藏层状态；x_t为时刻输入的数据；则编码器输出的中间状态c为：

c＝q([h₁,h₂,h₃,...,h_n]) (9)

式(8)与式(9)中的q与f为非线性函数。