基于改进GRU-NP模型的低压台区超短期负荷预测方法及系统与流程

本发明属于电力环境下的负荷预测领域，具体涉及基于改进gru-np(gatedrecurrent unit-neural prophet，门控循环单元-神经先知)模型的低压台区超短期负荷预测方法及系统。

背景技术：

1、门控循环神经网络(gated recurrent neural network)，是为了更好地捕捉时间序列中时间步距离较大的依赖关系而提出的，它通过可以学习的门来控制信息的流动。其中，门控循环单元(gru,gated recurrent unit)是一种常用的门控循环神经网络。它引入了重置门(reset gate)和更新门(update gate)的概念，从而修改了循环神经网络中隐藏状态的计算方式。

2、neural prophet，是由meta公司的核心数据科学团队开发的可分解时间序列预测模型，是一个基于pytorch实现的用户友好型时间序列预测工具，延续了2018年开源预测工具prophet的主要功能，主要用于时序数据分析。neural prophet由不同的分量组成，例如趋势、季节性、自动回归、其他回归量等，其中三个主要的模型组件为趋势、季节性和节假日。

3、多层感知机(mlp，multilayer perceptron)也叫人工神经网络(ann，artificialneural network)，除了输入输出层，它中间可以有多个隐层，mlp模型可以使用不同的算法实现。对于混合模型，使用反向传播来实现mlp模型，因为该方法可以使预测结果拥有更高的准确性。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供一种基于改进gru-np模型的低压台区超短期负荷预测方法及系统，提高低压台区多特征负荷数据预测的精度。

2、本发明采用如下的技术方案。

3、基于改进gru-np模型的低压台区超短期负荷预测方法，包括以下步骤：

4、步骤1，对原始数据集进行归一化处理，并计算温度、湿度、降雨量特征与负荷数据的距离相关系数，选取强相关的特征作为外部因素，对负荷数据进行清洗与补全；

5、步骤2，搭建基于rmsprop优化的gru模型，使用步骤1得出的负荷数据与强相关的特征数据对模型进行训练，搭建基于optuna超参数寻优np模型，使用步骤1得出的负荷数据结合时序特征对np模型进行训练；

6、步骤3，使用三层mlp网络寻找gru模型与np模型结合的最佳权重，从而得到改进的gru-np模型；

7、步骤4，将步骤2得出的gru模型和np模型的预测结果，使用改进的gru-np模型进行预测得到未来的负荷值，作为最终预测结果。

8、优选地，步骤1具体包括：

9、步骤1.1，对原始数据集进行min-max归一化，min-max归一化公式如下：

10、

11、式中，

12、x表示处理前的数据，

13、x′表示处理后的数据，

14、xmax表示数据的最大值，

15、xmin表示数据的最小值；

16、步骤1.2，引入距离相关系数对原始数据集中温度、湿度、降雨量进行特征相关性分析，利用距离相关系数公式进行计算；

17、步骤1.3，根据步骤1.2计算得出温度与负荷数据距离相关系数，湿度与负荷数据距离相关系数，降雨量与负荷数据距离相关系数，距离相关系数为0～0.2表示两序列为无相关或弱相关，选取距离相关系数大于0.2的特征作为外部因素参与gru模型的训练；

18、步骤1.4，对负荷数据进行数据清洗，填补空缺值、排除异常值。

19、优选地，步骤1.2中，距离相关系数公式如下所示：

20、

21、式中，

22、μ表示负荷数据序列，

23、v表示温度、湿度、降雨量的特征数据序列，

24、dcov(μ,v)表示表示μ和v的协方差，

25、dcorr(μ,v)表示μ和v的距离相关系数。

26、优选地，步骤2，具体包括：

27、步骤2.1，对步骤1得到的负荷数据与强相关特征数据按比例划分训练集和测试集；

28、步骤2.2，搭建基于rmsprop优化的gru模型，添加dropout层降低过拟合的风险，每个门控循环单元包括：更新门、重置门；更新门用于控制前一时刻的隐藏状态输出，及当前时刻的隐藏状态输入被带入到当前时刻的隐藏状态的程度；重置门用于控制前一时刻的隐藏状态输出流入当前时刻的候选隐藏状态中；

29、步骤2.3，设置gru模型超参数，使用rmsprop算法对gru模型进行优化；

30、步骤2.4，将训练集输入基于rmsprop优化的gru模型进行训练，得到训练好的gru模型。

31、优选地，使用rmsprop算法的参数更新过程如下：

32、更新状态分量st，计算随机梯度gradt的平方项的质数加权移动平均，公式如下所示：

33、st＝γst-1+(1-γ)gradt⊙gradt

34、式中，

35、t表示时间步，

36、γ表示衰减系数，为超参数，取值(0,1)，

37、gradt表示随机梯度，

38、st-1表示当前时刻状态分量，

39、st表示前一时刻状态分量；

40、更新自变量xt，自变量中每个元素的学习率通过按元素运算重新调整，公式如下所示：

41、

42、式中，

43、ε表示为了维持数值稳定性而添加的常数，取值10-6，

44、xt-1表示前一时刻的输入数据，

45、xt表示当前时刻的输入数据，

46、lr表示全局学习率。

47、优选地，步骤2还包括：

48、步骤2.5，使用optuna对np模型进行超参数寻优；选取变更点列表、变更点个数、趋势正则、学习率作为待寻优的超参数列表，滞后阶数通过对比实验选择，最终固定为4；

49、步骤2.6，采用optuna寻优后的超参数列表搭建np模型，公式如下所示：

50、y(t)＝t(t)+s(t)+h(t)+e(t)

51、式中，

52、t(t)表示趋势项，s(t)表示季节项，h(t)表示节假日、特殊事件效应，e(t)表示随机误差项；

53、步骤2.7，将训练集输入np模型进行训练，得到训练好的np模型。

54、优选地，步骤3具体包括：

55、步骤3.1，构建三层mlp网络，公式如下所示：

56、f(x)＝g(b2+w2*f(w1*x+b1)))

57、式中，

58、x表示输入的负荷数据，

59、f(x)表示输出的预测值，

60、w1表示第一层隐藏层的权重系数，

61、w2表示第二层隐藏层的权重系数，

62、b1表示第一层隐藏层的偏置项，

63、b2表示第二层隐藏层的偏置项，

64、f(w1*x+b1)表示第一层隐藏层计算结果,

65、g表示激活函数，为relu激活函数；

66、步骤3.2，使用mlp网络对步骤2得出的gru模型和np模型预测结果进行训练，得到最优权重系数，使用最优权重系数将模型结合得到改进的gru-np模型。

67、基于改进gru-np模型的低压台区超短期负荷预测系统，包括：数据处理模块，模型搭建模块，模型改进模块，预测模块，其中：

68、数据处理模块用于对原始数据集进行归一化处理，并计算温度、湿度、降雨量特征与负荷数据的距离相关系数，选取强相关的特征作为外部因素，对负荷数据进行清洗与补全；

69、模型搭建模块用于搭建基于rmsprop优化的gru模型，使用数据处理模块得出的负荷数据与强相关的特征数据对模型进行训练，搭建基于optuna超参数寻优np模型，负荷数据结合时序特征对np模型进行训练；

70、模型改进模块用于使用三层mlp网络寻找gru模型与np模型结合的最佳权重，从而得到改进的gru-np模型；

71、预测模块用于将gru模型和np模型的预测结果，使用改进的gru-np模型进行预测得到未来一刻钟的负荷值，作为最终预测结果。

72、一种终端，包括处理器及存储介质；其中：

73、存储介质用于存储指令；

74、处理器用于根据所述指令进行操作以执行根据基于改进gru-np模型的低压台区超短期负荷预测方法的步骤。

75、计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现基于改进gru-np模型的低压台区超短期负荷预测方法的步骤。

76、本发明的有益效果在于，与现有技术相比，

77、本发明改进型gru-np模型通过特征工程计算距离相关系数从而去除弱相关特征，引入rmsprop(root mean square prop)、optuna分别对gru模型、np模型进行优化，并通过多层感知机寻找融合的最佳权重结合了gru模型的温度特征优势以及np模型的时序、季节、节假日影响分量，有效的提高了低压台区超短期负荷预测的精度。

78、本发明与传统神经网络(gru、lstm、bp)相比，混合模型具有其不具备的时序特征，与prophet模型(np模型的前代)相比，引入自回归网络提高了预测精度，与单np模型相比具有温度特征。此外通过引入optuna对np模型超参数进行寻优，使得模预测精度更高。