[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

说明书

基于多维门控循环单元的序列到序列电力负荷预测方法，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；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。

技术领域

本发明属于电力负荷预测领域，具体涉及一种基于多维门控循环单元的序列到序列电力负荷预测方法。

背景技术

电力负荷预测是电力系统安全、经济运行的基础，为电力系统规划和运行、能源交易、机组启停、经济调度等提供重要信息。

目前，负荷预测方法主要分为传统数学统计方法如多元线性回归、自回归移动平均等和基于数据驱动的机器学习方法如传统人工神经网络、随机森林和深度学习神经网络等。“Amral N，Ozveren C S，King D.Short term load forecastingusing MultipleLinear Regression[C].Proceedings ofInternational Universities PowerEngineering Conference，Brighton，UK，2007.”将多元线性回归方法用于短期负荷预测，但该方法建模简单，难以反映负荷与影响因素之间的非线性关系。基于数据驱动的机器学习算法可有效提高负荷预测精度，但往往依赖大量数据样本和强大算力，存在鲁棒性差、过拟合等问题。如果能在数据驱动的同时，融入负荷预测的既有经验知识，可增强模型的适应性并减轻对样本数量的依赖，因此，构建基于知识与数据融合驱动的负荷预测模型成为未来极具潜力的发展方向。

“Chen K，Chen K，Wang Q，et al.Short-term load forecasting with deepresidual networks[J].IEEE Transactions on Smart Grid，2018，10(4)：3943-3952.”文献[2]根据负荷明显的日、周等周期性特点，选择日前、周前的历史负荷和气温作为全连接深度残差神经网络的输入，以预测未来24小时的负荷，但该方法忽略了负荷时序上的连续性，且易引入主观误差，若能将负荷的已知知识经验融入模型的建立中，将会更进一步的提高负荷预测精度。此外，常用的超参数搜索算法如随机搜索、网格搜索等存在耗时长、效率低下、离散型和连续型变量优化性能不均衡等问题，故有必要使用高效率且性能优越的超参数搜索算法优化模型的超参数。

因此，本发明研究一种基于多维门控循环单元的序列到序列电力负荷预测方法。

发明内容

本发明的目的是为了解决背景技术中指出的现有技术存在的非线性拟合能力不强、弱化负荷时序连续性、忽视模型结构设计与负荷先验知识融合导致负荷预测精度不高的技术问题，而提出的一种基于多维门控循环单元的序列到序列电力负荷预测方法。

为了解决上述技术问题，本发明采用的技术方案为：

基于多维门控循环单元的序列到序列电力负荷预测方法，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。

在步骤3中，在建立模型时，包括以下子步骤：