一种基于CNN-IPSO-GRU混合模型的短期电力负荷预测方法与流程

本发明涉及一种电力负荷预测方法，尤其涉及一种基于cnn-ipso-gru混合模型的短期负荷预测方法。
背景技术：
：随着我国电力市场的快速发展，高效准确的短期负荷预测是电网研究的重要内容，精准的短期负荷预测对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。故亟需研究出提高负荷预测精度的新方法，提升电网经济效益。多年来国内外众多学者对短期负荷预测进行了大量研究，可概括为三类：统计法、模型组合法和机器学习法。统计法主要包含时间序列模型、模糊预测模型等，该方法的预测效果对数据集的分布特性有较高要求；组合预测法主要有两大类：其一是将不同预测模型有效结合起来，其二是使用数据分析方法对原始数据序列进行预处理，分析方法有卷积神经网络、经验模态分解(empiricalmodedecomposition，emd)等，进而结合模型进行预测；机器学习法主要有循环神经网络(recurrentneuralnetwork，rnn)、支持向量机(supportsectormachine，svm)、长短期记忆网络(longshort-termmemorynetwork，lstm)和门控循环单元(gatedrecurrentunit，gru)等。由于影响负荷波动的因素颇多，主要有历史负荷、气象因素、日期类型等等，考虑到历史数据集具有复杂性和时序性的特点，卷积神经网络(convolutionalneuralnetworks，cnn)由于其自身具有降低多维数据集复杂性的特点，现已被应用在进行负荷预测时提取特征向量方面。rnn因其自身具有“记忆功能”，被广泛应用在进行时间序列的预测方面，lstm与gru都是一种特殊的rnn，在时间序列预测方面都具有较高的精度。gru是在lstm结构基础上进行改进的，相比于lstm其自身结构更加简单、有更快的收敛速度与较高的预测准确率，由于利用gru模型进行预测时部分参数通常需要依靠传统经验来选取，具有不确定性，导致模型的预测效率与准确率降低。粒子群算法(particleswarmoptimization，pso)具有调节参数少、迭代寻优思路简洁、收敛速度快等优点，被广泛应用在确定模型参数方面，但pso算法在寻优过程中，容易陷入局部最优，导致误差结果较大等缺陷，故提出一种改进粒子群算法(improvedparticleswarmoptimization，ipso)以增强模型参数的寻优能力。技术实现要素：本发明要解决的技术问题是提供一种基于卷积神经网络和改进粒子群算法优化门控循环单元网络(cnn-ipso-gru)混合模型的短期电力负荷预测方法，使用该方法不仅克服了依据经验选取关键参数的难题，并具有更高的预测精度，对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。为解决上述技术问题，本发明提供了一种基于cnn-ipso-gru混合模型的短期负荷预测方法，包括如下步骤：a、收集电网历史负荷、气象因素、日期信息数据作为特征参量；b、获取步骤a中的特征参量在历史时间维度电网负荷中的样本数据，并对样本数据进行归一化处理，利用卷积神经网络cnn提取出表征负荷变化的多维特征向量，构造成时间序列，按时间顺序划分训练集数据和测试集数据；c、构建包括输入层、隐藏层、输出层的门控循环单元网络预测模型gru；d、使用步骤b中获得的训练集数据对步骤c中构建的门控循环单元网络预测模型gru进行改进粒子群算法ipso优化，在满足预测模型评价指标最优的基础上确定门控循环单元网络预测模型gru的最优参数，以此为基础重新建立优化后的门控循环单元网络预测模型ipso-gru；e、使用步骤b中获得的测试集数据作为步骤d中经优化的门控循环单元网络预测模型ipso-gru的输入变量，进一步进行电网短期负荷预测，得到预测结果。所述步骤b中对样本数据进行归一化处理指将样本数据映射到[0，1]之间，其归一化的公式为式(1)：式(1)中，x*为归一化后的数据；xmin、xmax分别为样本数据集的最小值与最大值，x为原始样本数据。所述步骤c中门控循环单元网络预测模型gru的具体构建过程如下：c1、收集电网历史负荷、气象因素、日期信息数据作为特征参量，利用卷积神经网络cnn提取出表征负荷变化的多维特征向量，构造成时间序列作为门控循环单元网络预测模型gru输入层的样本数据；c2、将步骤c1中各特征参量的样本数据进行归一化处理，映射到[0，1]之间，按时间顺序划分训练集数据和测试集数据；c3、隐藏层采用步骤c2得到的训练集数据对门控循环单元网络预测模型gru进行训练，在预测结果评价标准误差较小的情况下，确定门控循环单元网络预测模型gru的最优参数；c4、采用步骤c3得到的门控循环单元网络预测模型gru对测试集数据进行预测，得到预测结果p1、p2、…pn；c5、输出层采用以平均绝对百分比误差的方式计算步骤c4得到的n个预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析。所述步骤d中使用改进粒子群算法ipso优化门控循环单元网络预测模型gru的过程如下：d1、初始化步骤c中构建的门控循环单元网络预测模型gru参数，设置神经元个数m和学习率ε各自的取值范围、搜索范围，确定最大迭代次数tmax与种群规模ps、惯性权重ω的最大值ωmax与最小值ωmin，加速因子c1、c2的最大值与最小值；d2、根据步骤d1中初始化后的神经元个数m与学习率ε的取值，以步骤c构建的门控循环单元网络预测模型gru对测试集数据进行模型预测，将得到的预测结果的平均绝对百分比误差作为粒子的适应度值，适应度函数fiti定义如式(2)：式中，n表示测试集数据的样本容量；xact(i)和xpred(i)分别为i时刻负荷的真实值和预测值；d3、以神经元个数m和学习率ε两个参数为粒子，以步骤d2得到的预测结果的平均绝对百分比误差作为粒子适应度值，采用公式(3)～(7)迭代更新两个粒子的速度和位置，即更新门控循环单元网络预测模型gru两个关键参数的值；通过改进粒子群算法ipso寻优获得两个参数的最优值后，以此为基础重新建立优化后的门控循环单元网络预测模型ipso-gru；上式中，k表示当前迭代次数；tmax表示最大迭代数；分别表示粒子的速度、位置、个体局部最优解和全局最优解；r1与r2为[0，1]之间的随机数；ω(k)、c1(k)与c2(k)分别表示第k次迭代时惯性权重与加速因子的取值；ωmax＝0.9，ωmin＝0.4；tmax为最大迭代次数；c1与c2∈[0.5，2.5]；a＝b＝1，c＝d＝1.5；d4、以改进粒子群算法的公式(3)-(7)迭代更新粒子的速度与位置，计算对应的粒子适应度值，并比较局部与全局的最优解，当粒子适应度值趋于稳定或迭代次数达到最大，则满足终止条件，获取最优的神经元个数m与学习率ε参数，得到经改进粒子群算法优化后的门控循环单元网络预测模型ipso-gru，否则返回步骤d3继续进行迭代更新。所述步骤e中得到的预测结果使用平均相对百分误差mape、根均方误差rmse、预测精度fa以及决定系数r2四个评价指标进行模型评价，公式(8)-(11)所示：上式中：n表示测试数据集的样本容量；xact(i)和xpred(i)(i＝1,2,…n)分别为第i时刻负荷的真实值和预测值；表示预测样本真实值的平均值；其中mape与rmse数值越小，fa数值越大、r2的值越接近1，表示拟合优度越大，模型预测结果越准确。本发明首先收集电网历史负荷、气象因素和日期信息等数据，进行数据归一化处理后并划分训练集数据和测试集数据，利用卷积神经网络提取出表征负荷变化的多维特征向量，构造成时间序列作为模型的输入数据；然后构建门控循环单元网络预测模型，并利用训练集数据通过改进粒子群算法对门控循环单元网络预测模型进行优化，获得两个最优的预测模型参数，以获得的最优预测模型参数重新建立门控循环单元网络模型；最后以测试集数据实现电网短期的负荷预测。本发明提供的方法可以准确预测电网短期负荷变化趋势，进一步对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。附图说明图1为本发明实施例中粒子适应度值随迭代次数变化而变化的示意图；图2为本发明实施例中神经元个数随迭代次数变化而变化的示意图；图3为本发明实施例中学习率大小随迭代次数变化而变化的示意图；图4为本发明实施例中采用cnn-ipso-gru模型、cnn-pso-gru模型、cnn-gru模型、lstm模型、rnn模型和gru模型分别对电网负荷进行的预测曲线与实际曲线对比示意图；图5为本发明实施例中采用cnn-ipso-gru模型、cnn-pso-gru模型、cnn-gru模型、lstm模型、rnn模型和gru模型分别对电网负荷进行的预测的相对误差对比示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明提供了一种基于cnn-ipso-gru混合模型的短期负荷预测方法，包括如下步骤：a、收集电网历史负荷、气象因素、日期信息数据作为特征参量；b、获取步骤a中的特征参量在历史时间维度电网负荷中的样本数据，并对样本数据进行归一化处理，利用卷积神经网络cnn提取出表征负荷变化的多维特征向量，构造成时间序列，按时间顺序划分训练集数据和测试集数据；c、构建包括输入层、隐藏层、输出层的门控循环单元网络预测模型gru；d、使用步骤b中获得的训练集数据对步骤c中构建的门控循环单元网络预测模型gru进行改进粒子群算法ipso优化，在满足预测模型评价指标最优的基础上确定门控循环单元网络预测模型gru的最优参数，以此为基础重新建立优化后的门控循环单元网络预测模型ipso-gru；e、使用步骤b中获得的测试集数据作为步骤d中经优化的门控循环单元网络预测模型ipso-gru的输入变量，进一步进行电网短期负荷预测，得到预测结果。所述步骤b中对样本数据进行归一化处理指将样本数据映射到[0，1]之间，其归一化的公式为式(1)：式(1)中，x*为归一化后的数据；xmin、xmax分别为样本数据集的最小值与最大值，x为原始样本数据。所述步骤c中门控循环单元网络预测模型gru的具体构建过程如下：c1、收集电网历史负荷、气象因素、日期信息数据作为特征参量，利用卷积神经网络cnn提取出表征负荷变化的多维特征向量，构造成时间序列作为门控循环单元网络预测模型gru输入层的样本数据；c2、将步骤c1中各特征参量的样本数据进行归一化处理，映射到[0，1]之间，按时间顺序划分训练集数据和测试集数据；c3、隐藏层采用步骤c2得到的训练集数据对门控循环单元网络预测模型gru进行训练，在预测结果评价标准误差较小的情况下，确定门控循环单元网络预测模型gru的最优参数；c4、采用步骤c3得到的门控循环单元网络预测模型gru对测试集数据进行预测，得到预测结果p1、p2、…pn；c5、输出层采用以平均绝对百分比误差的方式计算步骤c4得到的n个预测结果，并进行反归一化处理得到最终的预测结果，最后结合实验评价指标对预测结果进行评价分析。所述步骤d中使用改进粒子群算法ipso优化门控循环单元网络预测模型gru的过程如下：d1、初始化步骤c中构建的门控循环单元网络预测模型gru参数，设置神经元个数m和学习率ε各自的取值范围、搜索范围，确定最大迭代次数tmax与种群规模ps、惯性权重ω的最大值ωmax与最小值ωmin，加速因子c1、c2的最大值与最小值；d2、根据步骤d1中初始化后的神经元个数m与学习率ε的取值，以步骤c构建的门控循环单元网络预测模型gru对测试集数据进行模型预测，将得到的预测结果的平均绝对百分比误差作为粒子的适应度值，适应度函数fiti定义如式(2)：式中，n表示测试集数据的样本容量；xact(i)和xpred(i)分别为i时刻负荷的真实值和预测值；d3、以神经元个数m和学习率ε两个参数为粒子，以步骤d2得到的预测结果的平均绝对百分比误差作为粒子适应度值，采用公式(3)～(7)迭代更新两个粒子的速度和位置，即更新门控循环单元网络预测模型gru两个关键参数的值；通过改进粒子群算法ipso寻优获得两个参数的最优值后，以此为基础重新建立优化后的门控循环单元网络预测模型ipso-gru；上式中，k表示当前迭代次数；tmax表示最大迭代数；分别表示粒子的速度、位置、个体局部最优解和全局最优解；r1与r2为[0，1]之间的随机数；ω(k)、c1(k)与c2(k)分别表示第k次迭代时惯性权重与加速因子的取值；ωmax＝0.9，ωmin＝0.4；tmax为最大迭代次数；c1与c2∈[0.5，2.5]；a＝b＝1，c＝d＝1.5；d4、以改进粒子群算法的公式(3)-(7)迭代更新粒子的速度与位置，计算对应的粒子适应度值，并比较局部与全局的最优解，当粒子适应度值趋于稳定或迭代次数达到最大，则满足终止条件，获取最优的神经元个数m与学习率ε参数，得到经改进粒子群算法优化后的门控循环单元网络预测模型ipso-gru，否则返回步骤d3继续进行迭代更新。所述步骤e中得到的预测结果使用平均相对百分误差mape、根均方误差rmse、预测精度fa以及决定系数r2四个评价指标进行模型评价，公式(8)-(11)所示：上式中：n表示测试数据集的样本容量；xact(i)和xpred(i)(i＝1,2,…n)分别为第i时刻负荷的真实值和预测值；表示预测样本真实值的平均值；其中mape与rmse数值越小，fa数值越大、r2的值越接近1，表示拟合优度越大，模型预测结果越准确。实施例本实施例针对影响电网负荷变化的因素具有复杂性和时序性特点，且现有的机器学习预测方法存在依据经验选取关键参数的不足，提出了一种基于卷积神经网络和改进粒子群算法优化门控循环单元的短期负荷预测方法，首先利用卷积神经网络提取出表征负荷变化的多维特征向量，并构造成时间序列输入到门控循环单元网络模型；然后使用改进粒子群算法对门控循环单元模型中的超参数(隐藏层神经元个数和学习率大小)进行迭代寻优，在预测精度最高的前提下得到最优参数，最后完成电网短期负荷预测。样本数据集使用中国某地区2013年1月1日至2014年12月31日，共2年的电网负荷以及气象数据，数据采集周期为15min，一天采集96个点，以2013年1月至2014年6月的电网负荷、气象数据作为训练数据集，以2014年7月到2014年12月作为测试数据集，使用上述样本数据在不同模型下进行预测，验证本发明提出的基于卷积神经网络和改进粒子群算法优化门控循环单元网络模型的短期电力负荷预测方法。使用改进粒子群算法优化门控循环单元网络模型过程中，模型参数的设置如表1所示。表1改进粒子群算法优化门控循环单元网络模型的参数参数取值参数取值迭代次数tmax100惯性权重最大值ωmax0.9种群规模ps50惯性权重最小值ωmin0.4m取值范围[1,32]加速因子c1初始值0.5m搜索范围[-4,4]加速因子c1最终值2.5ε取值范围[0.0001,0.01]加速因子c2初始值0.5ε搜索范围[-0.001,0.001]加速因子c2最终值2.5图(1)、(2)和(3)分别表示粒子适应度、隐藏层神经元个数和学习率随迭代次数变化而变化的规律，可以看出随着迭代次数的变化，pso-gru与ipso-gru粒子的适应度值最终稳定在2.236和1.513；2层隐藏层神经元个数m1与m2最终分别稳定在8和16个；学习率随着迭代次数的变化，最终稳定在0.0022。结合评价指标，将本发明所提出的cnn-ipso-gru模型与cnn-pso-gru、cnn-gru、gru、lstm和rnn模型进行负荷预测，对连续半年内负荷预测的评价指标如表2所示。分析可知：所提出的cnn-ipso-gru方法相比于cnn-gru、gru、lstm、rnn预测模型相比，mape指标分别降低了3.80％、12.79％、31.84％和37.94％，rmse指标分别降低了8.47％、16.61％、40.65％和43.24％，fa指标分别提高了0.09％、0.33％、1.06％和1.39％，说明了gru模型在处理时间序列问题方面有着更好的预测效果，也体现出了使用粒子群算法对其超参数进行优化的必要性；进一步将本发明提出的cnn-ipso-gru模型与cnn-pso-gru预测效果进行对比，其中mape、rmse分别降低了40.84％、24.06％，fa提高了0.92％，表明使用改进粒子群算法对超参数进行优化可以进一步提高预测精度，具有更高的可靠性；最后量化分析5种预测模型的效果，由决定系数r2的计算结果可知：本发明所提的cnn-ipso-gru预测模型的r2值为1.007，最接近于1，即模型预测效果最好。表2不同预测模型对比模型mape/％rmse/％fa/％r2cnn-ipso-gru1.318106.02198.6821.007cnn-pso-gru2.228139.61097.7720.989cnn-gru2.316152.53297.6841.012gru2.555167.41397.4451.014lstm3.269235.22296.7310.973rnn3.590245.97796.4101.0342014年12月某天中负荷实际值与其他模型预测值的大小变化曲线如图4所示，相对应预测点的绝对百分比误差变化折线图如图5所示，从图中可以看出5种预测模型都有较好的预测性能，但本发明所提出的cnn-ipso-gru模型预测误差最小、精度最高，对实际负荷数据有着更好的拟合能力，与实际负荷变化趋势基本一致。表3为不同算法模型验证一天中每个小时的第一个15min监测的负荷实际值和预测值及绝对百分比误差的汇总表。可以看出本发明所提出的方法在24个监测点的预测结果平均绝对百分比误差为1.205％，最大绝对百分比误差3.038％，mape指标相较于cnn-pso-gru、cnn-gru、gru、lstm和rnn模型分别降低了45.00％、49.45％、52.60％、60.54％和62.43％，证明所提出的cnn-ipso-gru预测方法无论是平均误差还是最大误差均优于其他模型，预测精度更高。表3实际值和预测值及绝对百分比误差本发明提出的一种基于卷积神经网络和改进粒子群算法优化门控循环单元网络(cnn-ipso-gru)混合模型的短期电力负荷预测方法，使用该方法能够快速搜索确定门控循环单元网络模型的最优参数，训练效率高、解决了依据经验选取参数而导致的模型拟合能力不够、预测精度低的问题，进而提高负荷预测精度，对降低发电机组的损耗、保证电网经济可靠运行发挥着重要作用。以上所述仅是本发明的优选实施方式，应当指出：对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页12