[发明专利]基于注意力机制和CNN-BiGRU的负荷预测方法

说明书

本发明公开了基于注意力机制和CNN‑BiGRU的负荷预测方法；在历史负荷的预处理阶段添加双向GRU算法和注意力机制来提取负荷特征，改进负荷数据特征提取方法以提高短期负荷预测模型的预测精度，采用卷机神经网络算法实现短期负荷预测模型的建立，实现对短期负荷的准确预报。

技术领域

本发明涉及短期负荷预测领域，特别是涉及基于注意力机制和CNN-BiGRU的负荷预测方法。

背景技术

短期负荷预测一直是电力系统给用户提供合格可靠电能的重要保障。南宁电网短期负荷预测主要预测未来一周左右的电力负荷。预测精度严重影响着电力系统的规划、计划、营销、市场交易、调度等部门的工作人员的工作。短期电力负荷预测工作的关键取决于其负荷预测模型的建立，然而由于短期电力负荷的不确定性及其随机性，使其对负荷预测模型的要求越来越高。而影响短期负荷预测精度的因素也随着用户的用电需求趋于多样性而变得更加复杂。

根据影响负荷预测精度的因素，设计特征提取模型和预测模型。通常设计短期负荷预测模型需要考虑的因素有：历史负荷数据特性；气象因素；日期类型；恰当的数据特征提取和预测算法；容错能力。传统的负荷预测方法由两部分组成：数据预处理；构建负荷预测模型；模型训练；模型参数微调；测试。

近年来，随着人工智能算法的发展，短期负荷预测模型建立的关注点主要在预测模型的建立上。如人工神经网络、长短时记忆、极限学习机、支持向量机等，而对于前期的数据预处理部分关注较少，往往前期的数据预处理对后期的预测结果影响颇大。恰当的负荷数据处理手段不仅可以改善预测结果，更能通过简化预测模型的复杂度而节约计算机迭代成本。

例如，一种在中国专利文献上公开的“一种短期负荷预测方法和短期负荷预测装置”，其公告号CN111382891A；包括：获取过去时段的负荷数据和预测时段的外部参数；通过小波分解将过去时段的负荷数据分解为第二级细节分量、第三级近似分量和第三级细节分量；基于第二级细节分量，获取预测时段的预测负荷数据的第二级细节分量；基于过去时段的负荷数据的第三级近似分量和第三级细节分量以及所述外部参数，获取预测时段的预测负荷数据的第三级近似分量和第三级细节分量；通过小波重构将预测负荷数据的第二级细节分量、预测负荷数据的第三级近似分量和第三级细节分量重构为预测时段的预测负荷数据。根据短期负荷预测方法和短期负荷预测装置，能够准确地预测短期负荷。然而该方法通过拆分细节量完成对每段细节量进行预测，缺少对所拆分数据的预处理过程，往往前期的数据预处理对后期的预测结果影响颇大。恰当的负荷数据处理手段不仅可以改善预测结果，更能通过简化预测模型的复杂度而节约计算机迭代成本。

发明内容

本发明主要针对上述问题；提供了基于注意力机制和CNN-BiGRU的负荷预测方法；在历史负荷的预处理阶段添加双向GRU算法和注意力机制来提取负荷特征，改进负荷数据特征提取方法以提高短期负荷预测模型的预测精度，采用卷积神经网络算法实现短期负荷预测模型的建立，实现对短期负荷的准确预报。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于注意力机制和CNN-BiGRU的负荷预测方法，包括：

S1、数据采集：采集电网历史负荷数据，并将其储存为时间序列数据；

S2、数据预处理：将数据输入CNN层做特征提取；所述CNN层包括输入层、卷积层、激励层、池化层和全连接FC层；在输入预测模型前，提前消除数据量纲差异对模型的影响，即对数据进行归一化处理；

S3、建立预测模型：搭建Attention模块；搭建BiGRU模块；进行模型性能验证；

S4、负荷预测：将处理好的数据输入预测模型，输出负荷预测曲线。

在历史负荷的预处理阶段添加双向GRU算法和注意力机制来提取负荷特征，改进负荷数据特征提取方法以提高短期负荷预测模型的预测精度，采用卷积神经网络算法实现短期负荷预测模型的建立，实现对短期负荷的准确预报。

作为优选，所述卷积层定义为：