[发明专利]基于多维门控循环单元的序列到序列电力负荷预测方法

权利要求书

1.基于多维门控循环单元的序列到序列电力负荷预测方法，其特征在于，它包括以下步骤：

步骤1：收集多个样本日的负荷功率和影响因素数据，将数据集划分为训练集和测试集；

步骤2：通过输入模块对输入数据维度化处理；

步骤3：建立基于多维门控循环单元的序列到序列多维时序预测模型MDGRU-Seq2Seq；

步骤4：利用基于梯度提升分位数回归贝叶斯优化算法的交叉验证超参数寻优策略预训练模型，获得模型的最优超参数；

步骤5：利用训练集再训练模型确定预测模型的最佳权重和偏置参数，并输入测试集，获得最终负荷预测结果。

2.根据权利要求1所述的方法，其特征在于，在步骤3中，在建立模型时，包括以下子步骤：

步骤3.1：构建多维门控循环单元MDGRU融合处理负荷时刻、日和周等多个维度的时序信息；

步骤3.2：利用多维门控循环单元构建序列到序列的多维时序预测框架，建立历史与预测日已知信息对预测日负荷的非线性关系，提取预测日各时刻负荷的多维时序隐藏特征；

步骤3.3：构建输出层，将预测日各时刻的多维时序隐藏特征输入输出层，一次性得到预测日T_o个时刻的负荷预测值。

3.根据权利要求2所述的方法，其特征在于，在步骤3.1中，所建立的模型为：

隐藏特征h_t-1^p(1)→concat拼接模块(2)→多维时时序特征H_t-1(3)；

多维时序特征H_t-1(3)→Relu激活函数(4)→历史状态向量s_t(7)；

多维时序特征H_t-1(3)→输入特征x_t(14)→sigmoid激活函数(15)→重置门r_t(6)；

多维时序特征H_t-1(3)→输入特征x_t(14)→sigmoid激活函数(16)→更新门z_t(10)；

多维时序特征H_t-1(3)→重置门r_t(6)→点乘处理模块(5)→输入特征x_t(14)→tanh激活函数(17)→候选状态向量(18)；

历史状态向量s_t(7)→更新门z_t(10)→数值减法模块(9)→点乘模块(8)→更新门z_t(10)→候选状态向量(18)→点乘处理模块(13)→加法模块(11)→隐特征向量h_t(12)。

4.根据权利要求3所述的方法，其特征在于，先将n个维度序列上一时刻的隐藏状态h_t-1^p∈R^q,p∈1...n通过拼接得到多维信息H_t-1∈R^nq，然后利用线性整流单元Relu对H_t-1进行信息融合，得到历史状态s_t∈R^q，之后，利用重置门r_t∈R^q和更新门z_t∈R^q对输入信息x_t和H_t-1进行处理，得到当前时刻的输出h_t，计算公式如下：

s_t＝Relu(U_H^s×H_t-1+b^s)

5.根据权利要求3所述的方法，其特征在于，在步骤3-2中，预测框架由编码模块和解码模块构成，编码模块和解码模块分别由T_i和T_o个MDGRU单元按多周期维度时序排列而成构成。