技术特征：
1.一种基于改进bigru的配网超短期功率态势预测方法，其特征在于，包括以下步骤：s1，获取配电网的运行数据，并对准备输入深度模型的功率数据进行数据预处理；s2，利用小波分解将数据预处理后的功率数据进行多阶离散小波分解，之后对每条频率分量做单波重构，得到多条与分解前具有相同时序长度但不同频率分量的态势功率数据；s3，根据训练验证和滑动窗口策略划分出数据集及其输入输出格式：先将态势功率数据分为训练数据集、验证数据集和测试数据集，之后将各类数据集塑形为符合深度模型的输入格式和输出格式，深度模型根据功率超短期预测原则采用多个现有功率值预测一个近期未来功率值，态势预测时间范围为一刻；s4，搭建基于小波变换和自注意力机制的bigru深度预测模型，bigru深度预测模型由两层双向门控循环单元和自注意力模块构成；s5，将不同分量的训练数据集与验证数据集按顺序输入bigru深度预测模型，进行模型的训练和验证；将输出值与真实值利用不同的误差函数比较计算误差，在处理训练数据集时还要进行模型参数的反向梯度更新优化模型预测效果，处理验证数据集则不用；s6，将预测数据集输入训练和验证后的bigru深度预测模型，将预测数据集不同频率分量的预测结果相加得到最终模型预测值。2.根据权利要求1所述的基于改进bigru的配网超短期功率态势预测方法，其特征在于，所述步骤s1中，所述数据预处理，具体包括：空值和异常值剔除、数据归一化，其中采用的数据归一化公式如下：式(1)中，x
i
代表剔除空值和异常值后的实际一维功率数组中第i个时序值，x代表功率数组，min(x)代表计算该数组最小值，max(x)代表计算该数组最大值，该公式最终将原始数值限定在[
‑
1,1]范围中。3.根据权利要求1所述的基于改进bigru的配网超短期功率态势预测方法，其特征在于，所述步骤s2中，利用小波分解将数据预处理后的功率数据进行多阶离散小波分解，之后对每条频率分量做单波重构，得到多条与分解前具有相同时序长度但不同频率分量的态势功率数据，具体包括：多阶离散小波分解采用多阶一维的离散小波变换公式如下：a
j
＝a
i+1
h1，d
j
＝d
j+1
l1，j＝0，1，...，m
‑1ꢀꢀꢀꢀꢀ
(2)式(2)中，h1和l1分别为低通滤波系数和高通滤波系数，a
j
和d
j
分别为第j阶分解后的低频信号序列和高频信号序列，m为小波分解层数；单波重构采用小波的重构算法公式如下：a
j
＝a
j+1
h2+d
j+1
l2，j＝m
‑
1，...，1，0
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中，h2和l2分别为h1和l1的对偶算子。4.根据权利要求1所述的基于改进bigru的配网超短期功率态势预测方法，其特征在于，所述步骤s3中，将各类数据集塑形为深度模型的输入格式和输出格式，具体包括：分配好各类数据集的键值对，对应深度模型的输入格式和输出格式如下：
<input：{seq
len
，batch
size
，input
size
}，output：{seq
len
，batch
size
，output
size
}>
ꢀꢀꢀꢀꢀ
(4)式(4)中，seq
len
为需要预测的点数，也是输入与输出计算误差时键值对的数量；batch
size
为每次深度模型进行反向梯度更新所需样本数；input
size
为模型需要根据多少数量的现有值进行预测未来值；output
sise
为模型需要根据现有值进行预测多少未来值。5.根据权利要求4所述的基于改进bigru的配网超短期功率态势预测方法，其特征在于，所述步骤s4中，搭建基于小波变换和自注意力机制的bigru深度预测模型，bigru深度预测模型由两层双向门控循环单元和自注意力模块构成，具体包括：两层双向门控循环单元网络的隐含层维度不同，第一层维度和第二层维度变换由上到下：input：input
size
，hidden：hidden
size
*2，output：hidden
size
*4
ꢀꢀꢀꢀꢀ
(5)input：hidden
size
*4，hidden：hidden
size
，output：hidden
size
*2
ꢀꢀꢀꢀꢀꢀ
(6)式(5)和式(6)中，hidden
size
为门控循环单元的隐含层维度；将输出的隐含层张量通过预设的超参数的三次张量线性变换得到三个维度的自注意力机制的query，key，value张量，再通过自注意力机制的计算方法得到自注意力输出，计算方法如下：方法如下：式(7)首先通过query与key的转置key
t
做张量相乘将其变为特征值自注意力张量，再将自注意力矩阵进行特定维度归一化，之后将value张量与特征值自注意力张量相乘进行特征值的注意和重组得到attention特征值重组张量，最后将attention特征值重组张量再通过逆线性变换作为自注意力输出，其中d
k
为经过线性变换query，key，value张量的特征维度；式(8)为特定维度值归一化公式，其中x为进行维度归一化的张量，最终x的特定维度的值会被限制在[0，1]之间；将自注意力机制的输出与中间两层双向门控循环单元的输出相加，最后将其输出与双层输出的隐含层向量相加一齐输入最后的全连接层得到最终的深度模型输出态势预测值，全连接层张量隐含层维度变换如式(9)：input：hidden
size
*2，output：output
size
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)。6.根据权利要求1所述的基于改进bigru的配网超短期功率态势预测方法，其特征在于，所述步骤s5中，不同的误差函数，包括：平均绝对值误差函数mae、平均相对绝对值误差mape、均方根误差rmse和r2决定系数的四个计算公式：
式(10)
‑
(13)中的x
i
代表数据集中时序为i的深度模型输入值，pred(x
i
)代表深度预测模型根据已知值x
i
和现模型参数预测的结果，即深度预测模型的输出值，y(x
i
)对应时序为i的真实值，代表目前数据集中所有真实值的平均值，n代表总共需预测的数量。
技术总结
本发明公开了一种基于改进BiGRU的配网超短期功率态势预测方法，包括以下步骤：功率数据预处理；对预处理后的功率数据进行多阶离散小波分解，之后对每条频率分量做单波重构；根据训练验证和滑动窗口策略划分出数据集及其输入输出格式；搭建基于小波变换和自注意力机制的BiGRU深度预测模型，其由两层双向门控循环单元和自注意力模块构成；将不同分量的训练数据集与验证数据集输入对应BiGRU深度预测模型，进行模型的训练和验证；将预测数据集输入BiGRU深度预测模型，将不同频率分量的预测结果相加得到最终模型预测值。本发明搭建基于小波变换和自注意力机制的BiGRU深度模型，改善了传统模型的过拟合现象，提高了模型预测精度，加快了模型收敛速度。加快了模型收敛速度。加快了模型收敛速度。
技术研发人员：赵振兵 强一凡 王东升 李信 肖娜 李坚 吴佳 彭柏 杨睿 刘昀 王艺霏 李贤 苏丹 那琼澜 娄竞 张少军 谢旭 张宇 路剑敏 张雁忠 陈军法 高全成 刘德坤 刘庆时 席嫣娜 韦凌霄 王舒 刘若诗
受保护的技术使用者：国网北京市电力公司 国网冀北电力有限公司 国网冀北电力有限公司信息通信分公司 国家电网有限公司
技术研发日：2021.07.05
技术公布日：2021/10/11