一种基于模态GRU学习网络的配电台区售电量精准预测方法与流程

本发明涉及电量预测领域，具体涉及一种基于模态gru学习网络的配电台区售电量精准预测方法。

背景技术：

对台区售电量进行分析预测，能够帮助供电企业调整供电计划，优化供电结构，符合构建节约型社会、促进节能减排的发展理念。因此，建立有效的台区售电量预测模型一直以来都是电力领域的研究热点。

台区售电量通常受到用户用电行为、负荷变化、季节变化、节假日等多种因素的叠加影响，从而导致其时间序列呈现出不平稳的变化趋势，常用的预测模型有：支持向量机、随机森林算法和神经网络等，但由于没有对电量数据进行合理的细化分解，导致未能考虑多种叠加因素对电量数据的影响，因此预测效果通常欠佳。

技术实现要素：

本发明针对现有技术中的不足，提供一种基于模态gru学习网络的配电台区售电量精准预测方法。

为实现上述目的，本发明采用以下技术方案：

一种基于模态gru学习网络的配电台区售电量精准预测方法，其特征在于，包括如下步骤：

s1：获取台区售电量历史数据，划分测试集和训练集；

s2：数据预处理，补全采样时间点保证其连续，并利用平均插值法填补采样时间点缺失数据，得到台区售电量时间序列；

s3：利用实验法根据各模态分量的中心频率确定变分模态分解最优模态数k；

s4：在最优模态数k的条件下对台区售电量时间序列进行vmd分解，分别提取分解后的低频模态分量imfl和高频模态分量imfh时间序列；

s5：利用prophet预测模型和gru学习网络分别对低频模态和高频模态进行预测；

s6：重构各模态预测结果，得到台区售电量预测值。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤s2中的数据预处理过程具体如下：

s21：填补s1获取的样本时间序列数据中少量缺失的采样时间点，若采样时间点和数据大面积缺失，则利用同时期他年数据进行填补；

s22：利用平均插值法填补采样时间点缺失数据t，若求ti和ti+1之间的任一点，则直接取为和的平均值，即：

式中，ti、ti+1分别表示缺失数据的前后数据。

进一步地，步骤s3中确定最优模态数k的过程具体如下：

s31、令模态数k＝2，初始化vmd参数；

s32、对台区售电量时间序列进行vmd分解，得到各模态的中心频率，k阶分解过程约束变分方程为：

式中，f(t)是原始信号，t是时间变量，uk和ωk分别代表得到的k阶模态的集合及其中心频率，uk等同于uk(t)；δ(t)是狄拉克分布；l({uk}，{ωk}，λ)是增广拉格朗日函数；α为平衡参数；λ为拉格朗日乘子，λ等同于λ(t)；*表示卷积；分别是f(t)、ut(t)、λ(t)的傅里叶变换；ω表示模态中频率，n表示傅里叶展开阶数；

s33、比较在模态数k下，各相邻模态分量是否相近，若是，此时的k为最优模态数，转到s4；若否，令模态数k＝k+1，转到s32。

进一步地，prophet是一种时间序列分解模型，它主要用于时序数据特征和时序变化规律的研究，并对未来走势进行预测。该模型能够弥补传统时序模型对缺失值需要填充、模型缺乏灵活性等不足。步骤s5中prophet预测模型采用如下的基本形式：

p(t)＝g(t)+s(t)+h(t)+εt

其中，模型p(t)中：

1)g(t)是售电量增长趋势模型，该分量表示售电量时间序列在非周期上的变化趋势。在某些如季节更替月份变点(changepoint)，售电量时间序列的每一段数据的趋势会随变点的情况而改变。在时间序列中加入s个突变点，并且突变点的时间戳位置为sj(1≤j≤s)，采用分段逻辑回归增长模型实现分段线性拟合：

式中，a(t)是指标函数的向量；r(t)为模型的期望容量(承载能力)，为了简便运算，取历史售电量的非异常最大售电量作为r(t)的值；k+a(t)^tδ是售电量随时间变化的增长率，δ是突变点处增长率的变化值；m是偏移参数，γ是使函数连续的参数向量，t是时间变量；

2)s(t)是售电量季节趋势模型，售电量通常会随着周、月、年等季节性呈现出相应的周期性的变化，因此需要对其单独进行建模预测。基于傅立叶级数来建立季节分量的模型：

式中，t是时间序列的周期长度(如t＝7表示以周为周期)；2n表示期望在模型中使用周期的个数；n是傅里叶变换的阶数；β＝[a1，b1，...，an，bn]，an、bn是需要估计的参量；

3)h(t)是售电量节假日趋势模型，假设有m个假日，则节假日分量模型表示为：

z(t)＝[1(t∈di)，...，1(t∈dm)]

κ＝(κ1，...，κm)^t

式中，κ～normal(o，v²)，κ表示节假i的影响，符合正态分布，并且指标κ受节假日强度指标v的影响，κ数值的大小与节假日对售电量的影响成正比，κm表示第m个节假日对于预测值的影响；di表示窗口中包含的时间t，若t属于假期i，则1(t∈di)＝1，否则为1(t∈di)＝0；

4)εt是误差分量，表示未预测到的波动。

进一步地，gru神经网络能够挖掘时间序列自身特征，提高预测结果的准确性，适合规律未知或不确定的情况。gru包含更新门和重置门，相比其他神经网络结构参数更少，收敛速度更快。更新门控制前一时刻的状态信息保留到当前状态中的程度，值越大表示前一时刻的状态信息保留越多。重置门控制当前状态与先前的信息结合的程度，值越小说明忽略的信息越多。步骤s5中gru神经网络包含更新门和重置门，结构如下：

zt＝σ(w^(z)xt+u^(z)ht-1)

rt＝σ(w^(r)xt+u^(r)ht-1)

式中，zt为更新门，rt为重置门，xt为输入，ht为隐藏层的输出；基于gru的单元通过以下公式计算ht：

式中，是输入xt和过去隐层状态ht-1的汇总；u^(z)、w^(z)、u^(r)、w^(r)、u和w为可训练参数矩阵。

进一步地，采用训练集训练gru神经网络，采用测试集检验gru神经网络的预测效果。

本发明的有益效果是：本发明提出一种基于模态gru学习网络的配电台区售电量精准预测方法，首先利用变分模态分解(vmd)将台区售电量时间序列分解为低频模态和高频模态，从而降低时间序列的非平稳性；其次分别利用prophet时间序列预测模型和gru学习网络对分解后的低频模态和高频模态进行预测；最后将高频和低频模态的预测结果进行重构得到台区售电量预测结果。本发明能够提高台区售电量预测的准确性，具有很好的适用性和较高的准确率，可为台区售电量精准预测与管理提供理论和实践支撑。

附图说明

图1是本发明的总体流程图。

图2是prophet模型结构图。

图3是gru学习网络结构图。

图4是台区2016.1-2019.5售电量趋势图。

图5是vmd分解结果图。

图6a和6b分别是prophet预测分析结果图和组成成分趋势分析图。

图7是gru学习网络测试集预测曲线图。

图8是不同预测模型预测结果对比图。

图9是不同模型的预测点的误差对比图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图1所示的基于模态gru学习网络的配电台区售电量精准预测方法，包括如下步骤：

步骤1：获取台区售电量历史数据，划分测试集和训练集。

步骤2：数据预处理，补全采样时间点保证其连续，并利用平均插值法填补采样点缺失数据。

步骤3：利用实验法根据各模态分量的中心频率确定变分模态分解(vmd)最优模态数k；该步骤具体包括：

步骤3.1：令模态数k＝2，初始化vmd参数；

步骤3.2：对售电量时间序列进行vmd分解，得到各模态的中心频率；

步骤3.3：比较在此模态数k下，各相邻模态分量是否相近，若是，此时的k为最优模态数，转到步骤4；若否，令模态数k＝k+1，转到步骤3.2。

步骤4：在最优模态数k的条件下对台区售电量时间序列进行vmd分解，分别提取分解后的低频模态分量imfl和高频模态分量imfh时间序列。

步骤5：利用prophet预测模型和gru学习网络分别对低频模态和高频模态进行预测。prophet模型结构如图2所示。gru结构如图3所示，图中箭头所指方向为数据流动方向，×为矩阵的数乘，σ为激活函数sigmoid函数，tanh为激活函数，1-表示该链路向前传播的数据为1-zt。

步骤6：求和重构各模态预测结果，得到台区售电量预测值。

为进一步证明本发明提出方法的有效性和优势，选取我国东部地区某台区2016年1月1日至2019年5月30日的售电量数据进行实验仿真分析，该数据集采样时间周期为24h，共有1247个采样点，选取2016年1月1日至2019年2月28日共1155个采样点的监测数据作为训练集，2019年3月1日至2019年5月31日共92个点的监测数据作为测试集。

所选样本台区售电量历史数据存在少量数据缺失的情况，而采样数据的缺失会影响vmd分解，因此本发明选用平均插值法对缺失数据进行补全。该台区经处理后的售电量时间序列如图4所示。

从图4中可以看出，该台区售电量时间序列一方面有明显的周期性波动，呈现出春秋季售电量少，夏冬季售电量高的特点，属于有季节规律性的时间序列；另一方面该时间序列具有明显的非平稳性，直接对其预测会产生较大的误差，因此本发明利用vmd将其分解为具有更高规律性的模态，对低频模态和高频模态分别预测并求和重构，从而得到更精确的预测结果。

在分解前，需要确定模态数k，模态数过多会导致重复或者噪声，过少会导致欠分解。k取不同值时的中心频率如表1所示。

表12016-2019主要节假日列表

由表1可以看出，当k＝3时，中心频率出现了0.142和0.298两个相近的模态，因此本发明选取k＝2，分解结果如图5所示。

从图5中可以看出，低频模态imf1承担台区售电量的长期趋势，高频模态imf2揭示了台区售电量的阵发性和不规则波动。在此基础上，利用prophet和gru分别对其进行预测。

1)预测低频模态imf1

该台区售电量低频模态imf1的预测结果和经分解后各组成分量的预测趋势如图6a、6b所示。

2)预测高频模态imf2

选取高频模态imf2前1155个数据作为gru学习网络的训练集，后92个数据作为测试集，得到测试集预测曲线如图7所示。

3)重构预测结果分析

将prophet和gru对imf1和imf2的预测结果重构得到台区售电量预测值。为了说明本发明所提出方法在预测台区售电量方面的优越性，对比分析采用组合前prophet和gru单项模型以及svr和arima直接对2019年3月1日至2019年5月31日间的台区售电量预测，将各模型预测的结果与本发明方法进行结果比对，本发明使用均方根误差(rmse)和平均绝对误差(mae)评价指标来检验模型的预测效果，计算各模型预测值与观测值的均方根误差(rmse)和平均绝对误差(mae)评价指标结果如表2所示，各方法的售电量预测结果如图8所示。

表2不同模型预测的误差对比

从表2评估结果中可以看出：相较于组合前prophet和gru单项模型以及svr和arima直接对售电量进行预测的效果，本发明所提出的vmd-prophet-gru方法在rmse和mae的指标里都是数值最小的。

从图8可以看出本发明所提出的vmd-prophet-gru方法相比其他方法更贴近真实值。

图9给出不同模型的预测点的误差对比结果(全部误差取绝对值)，从图上可以明显看出本发明提出的vmd-prophet-gru方法，相比其他方法具有明显误差小的优势(红色点更贴近0)，这也说明本发明所提出方法对于线损率趋势的预测相比其他方法更为准确，预测效果更好。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。