CN112766078A - 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 - Google Patents
基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 Download PDFInfo
- Publication number
- CN112766078A CN112766078A CN202011639813.7A CN202011639813A CN112766078A CN 112766078 A CN112766078 A CN 112766078A CN 202011639813 A CN202011639813 A CN 202011639813A CN 112766078 A CN112766078 A CN 112766078A
- Authority
- CN
- China
- Prior art keywords
- gru
- mlr
- emd
- svr
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007246 mechanism Effects 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000012417 linear regression Methods 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 3
- 241000288105 Grus Species 0.000 abstract 1
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于EMD‑SVR‑MLR与注意力机制的GRU‑NN的电力负荷层次预测方法，采用经验模态分解信号处理算法对用户负荷原始时间序列数据进行分解处理，并对模态函数进行重构。对重构分量建立支持向量机多元线性回归初级预测模型，从而获得预测值。将初级预测模型的预测值和原始的时间序列数据进行融合，形成新的时间序列，作为门控循环单元神经网络网络的输入，建模学习特征内部动态变化规律，并引入注意力机制赋予GRU隐含状态不同的权重，最后完成短期负荷预测；该方法提高了时间轴上对隐式时间序列的特征提取能力和计算能力，对于具有周期和长期依赖关系的电力系统的负荷预测具有较高的准确率和精确度，具有一定的实用价值。
Description
技术领域
本发明涉及电力技术领域，具体为基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法。
背景技术
准确的电力负荷预测是保证电力系统安全稳定运行的重要手段之一，也是电力调度、供电企业电力设施建设等方面的重要依据。影响电力负荷的因素很多(如社会、政策、天气、节假日等)，而这些数据往往会对电力使用产生影响。因此，如何通过这些不同方面的影响因素，合理地利用这些因数的数据进行预测准确是提高预测精度的关键。
有效而精确的短期负荷预测有助于电力部门合理地制定生产计划，减少对资源的浪费。以循环神经网络(recurrent neural network，RNN)为主体建立的深度学习预测模型是短期负荷预测方法中的典型代表，但在历史序列中，由于潜在的高维特征很难提取，重要信息在时间序列过长时容易丢失。由于负荷预测问题的假设空间很大，可能有多个假设在训练集上达到同等性能，若使用单一模型可能由于随机性而导致泛化性能不佳。
为解决上述问题，提出基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法。
发明内容
本发明的目的在于提供基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，从而解决了现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，方法具体包括如下步骤：
S1：用EMD算法对电力负荷原始时序数据进行分解，得到几个具有不同特征的IMF；
S2：由于EMD分解得到的IMF数量较多且IMF间存在一定的相关性，因此有必要对IMF进行重构，从而降低建立预测模型的重复工作量，用样本熵来衡量IMF复杂性，用趋势分量、细节分量和随机分量来重建与样本熵相近的IMF；
S3：对重构分量分别建立SVR和MLR负荷预测模型，将不同分量预测结果叠加即初级预测模型获得预测值；
S4：把初级预测模型预测出的值当做次级预测模型的特征值和原始的时间序列数据进行融合，形成新的时间序列，负荷数据经过预处理后长度为n，可以用X表示X＝[x1…xt-1,xt…xn]T；
S5：把新的时间序列作为GRU网络的输入，建模学习特征内部动态变化规律，并引入注意力机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后完成短期负荷预测。
进一步地，S1中用EMD算法得到IMF的方法步骤如下：
S11：找出电力负荷时间序列y(t)中的所有极大值，并用插值方法拟合其包络线u(t)；与之类似，求出y(t)列的全部最小值，用插值方法拟合其包络线v(t)；据此计算上下包络线平均m1(t)为
S12：将原始信号y(t)与m1(t)相减得到h1(t)，即h1(t)＝y(t)-m1(t)；
S13：判断h1(t))是否满足IMF分量条件，若不满足，则将h1(t)视为新的信号y(t)，重复步骤上一步，直到h1(t)满足IMF条件，若满足，则第1个IMF分量可表示为c1(t)＝h1(t)；
S14：将剩余分量r1(t)作为新的原始信号，重复前面几步，从而可得到其他IMF分量和1个余量，r1(t)＝y(t)-c1(t)。
进一步地，S1中采用EMD方法将原始信号y(t)分解为n个IMF分量ci(t)和一个剩余分量rn(t)公式如下
进一步地，S3中建立SVR和MLR负荷预测模型。用趋势分量当做MLR负荷预测模型的输入、用细节分量当做MLR负荷预测模型的输入，然后将不同分量预测结果叠加即初级预测模型的预测值。
进一步地，S5中引入注意力机制GRU网络主要分为输入层、GRU层、注意力层和输出层：
S51：输入层：输入层以新的时间序列X为预测模型输入；
S52：GRU层：构建GRU结构，充分地学习这些特征，从而捕捉到其内部变化规律，GRU层的输出记为H，在第t步的输出表示为
ht＝GRU(HC,t-1,HC,t),t∈[1,i]；
S53：注意力层：注意力层在输入为GRU网络层激活处理的输出矢量H的情况下，根据权重分配原则计算不同特征矢量对应概率，不断更新迭代更优的权重参数矩阵；
S54：输出层：输出层通过全连接层进行计算出预测步长为m的输出Y＝[y1,y2·····ym]T，预测公式可表示为
进一步地，S52中的详细公式如下(式中：Rt和Zt分别为重置门和更新门；⊙为元素乘法，σ为Sigmoid激活函数；tanh为双曲正切函数；Wxr，Whr，Wxz，Whz，Wxh，Whh均为训练参数矩阵；br，bz，bh是偏差参数；当前时刻候选激活状态
)
Rt＝σ(XtWxr+Ht-1Whr+br)
Zt＝σ(XtWxz+Ht-1Whz+bz)
进一步地，S53中注意力机制层的权重系数计算公式可表示为
et＝utanh(wht+b)
与现有技术相比，本发明的有益效果如下：
1、本发明提出的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，采用经验模态分解(empirical mode decomposition，EMD)信号处理算法对用户负荷原始时间序列数据进行分解处理，计算各模态函数(Intrinsic Mode Function，IMF)样本熵值并根据样本熵大小对模态函数进行重构。
2、本发明提出的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，对重构分量分别建立支持向量机(support vector regression，SVR)算法和多元线性回归(multiple linear regression，MLR)负荷预测模型，叠加不同分量预测结果从而获得预测值。
3、本发明提出的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，把初级预测模型的预测值当做次级预测模型的特征值和原始的时间序列数据进行融合，形成新的时间序列。
4、本发明提出的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，将把新的时间序列作为门控循环单元神经网络(gated recurrent unit neuralnetwork，GRU-NN)网络的输入，建模学习特征内部动态变化规律，并引入注意力机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后完成短期负荷预测。该方法提高了时间轴上对隐式时间序列的特征提取能力和计算能力，对于具有周期和长期依赖关系的电力系统的负荷预测具有较高的准确率和精确度，具有一定的实用价值。
附图说明
图1为本发明基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法的电力负荷预测流程图；
图2为本发明基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法的整体步骤流程图；
图3为本发明基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法的整体步骤一种用EMD算法得到IMF的方法步骤流程图；
图4为本发明基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法的整体步骤五中引入注意力机制GRU网络主要分为输入层、GRU层、注意力层和输出层步骤流程图；
图5为本发明基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法的EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测模型示意图；
图6为本发明基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法的利用本申请的方法进行预测的结果与利用单模型GRU-NN、单模型SVR模型以及单模型MLR模型进行预测的结果的对比示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
请参阅图1-4，基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，方法具体包括如下步骤：
步骤一：用EMD算法对电力负荷原始时序数据进行分解，得到几个具有不同特征的IMF，利用本申请的方法进行预测的结果与利用单模型GRU-NN、单模型SVR模型以及单模型MLR模型进行预测的结果的对比示意图，其具体步骤如下：
找出电力负荷时间序列y(t)中的所有极大值，并用插值方法拟合其包络线u(t)；与之类似，求出y(t)列的全部最小值，用插值方法拟合其包络线v(t)。据此计算上下包络线平均m1(t)为
将原始信号y(t)与m1(t)相减得到h1(t)，即h1(t)＝y(t)-m1(t)；
判断h1(t)是否满足IMF分量条件，若不满足，则将h1(t)视为新的信号y(t)，重复步骤上一步，直到h1(t)满足IMF条件。若满足，则第1个IMF分量可表示为c1(t)＝h1(t)；
将剩余分量r1(t)作为新的原始信号，重复前面几步，从而可得到其他IMF分量和1个余量，r1(t)＝y(t)-c1(t)；
采用EMD方法将原始信号y(t)分解为n个IMF分量ci(t)和一个剩余分量rn(t)。因此原始信号y(t)可由IMF分量和剩余分量表示为
步骤二：由于EMD分解得到的IMF数量较多且IMF间存在一定的相关性，因此有必要对IMF进行重构，从而降低建立预测模型的重复工作量。用样本熵来衡量IMF复杂性，用趋势分量、细节分量和随机分量来重建与样本熵相近的IMF；
步骤三：对重构分量分别建立SVR和MLR负荷预测模型，将不同分量预测结果叠加即初级预测模型获得预测值，用趋势分量当做MLR负荷预测模型的输入、用细节分量当做MLR负荷预测模型的输入，然后将不同分量预测结果叠加即初级预测模型的预测值；
步骤四：把初级预测模型预测出的值当做次级预测模型的特征值和原始的时间序列数据进行融合，形成新的时间序列，负荷数据经过预处理后长度为n，可以用X表示X＝[x1…xt-1,xt…xn]T；
步骤五：把新的时间序列作为GRU网络的输入，建模学习特征内部动态变化规律，并引入注意力机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后完成短期负荷预测：
输入层：输入层以新的时间序列X为预测模型输入；
GRU层：构建GRU结构，充分地学习这些特征，从而捕捉到其内部变化规律。GRU层的输出记为H，在第t步的输出表示为
Rt＝σ(XtWxr+Ht-1Whr+br)
Zt＝σ(XtWxz+Ht-1Whz+bz)
式中：Rt和Zt分别为重置门和更新门；⊙为元素乘法，σ为Sigmoid激活函数；tanh为双曲正切函数；Wxr，Whr，Wxz，Whz，Wxh，Whh均为训练参数矩阵；br，bz，bh是偏差参数；当前时刻候选激活状态
注意力层：注意力层在输入为GRU网络层激活处理的输出矢量H的情况下，根据权重分配原则计算不同特征矢量对应概率，不断更新迭代更优的权重参数矩阵。注意力机制层的权重系数计算公式可表示为
et＝utanh(wht+b)
输出层：输出层通过全连接层进行计算出预测步长为m的输出Y＝[y1,y2·····ym]T，预测公式可表示为
请参阅图5和表1，基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，为了更好的分析本发明算法的应用场景，选用某地区电网实际运行负荷数据进行验证。其中，2014-2015年全年数据为训练数据，2016年1-6月份数据为测试数据。预测评价指标采用平均相对误差eMAPE(mean absolute percentage error，MAPE)，相对均方误差eRMSE(root mean square error，RMSE)，如下所示：
式中：x(i)和y(i)分别表示i时刻的实际值和预测值；n为样本数量。
表1不同模型负荷预测精度结果表
为使模型收敛更快，精度更高，此次实验运用归一化处理将数据转换到[0，1]范围内，归一化公式为
针对不同的时段，不同子模型可能表现出不同的优势，本发明模型能够充分学习到各个子模型优点，进一步提升预测效果。
由表1与图6可知，使用层次学习模型相较于其他单一算法都能够更好的预测电力负荷的变化趋势。本发明和MLR、SVR和GRU-NN进行对比，提出的预测模型能够获得更高的负荷预测精度，也具有更广泛的应用潜力。
本申请创新性的提出了电力负荷层次预测方法，其预测的结果与单模型GRU-NN、单模型SVR以及单模型MLR的结果对比图请参考图3，相比于单模型结构，本申请的预测精度更高。
综上所述：本发明提出的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，首先，采用经验模态分解(empirical mode decomposition，EMD)信号处理算法对用户负荷原始时间序列数据进行分解处理，计算各模态函数(Intrinsic ModeFunction，IMF)样本熵值并根据样本熵大小对模态函数进行重构。其次，对重构分量分别建立支持向量机(support vector regression，SVR)算法和多元线性回归(multiple linearregression，MLR)负荷预测模型，叠加不同分量预测结果从而获得预测值。然后，把初级预测模型预测出的值当做次级预测模型的特征值和原始的时间序列数据进行融合，形成新的时间序列，最后将把新的时间序列作为门控循环单元神经网络(gated recurrent unitneural network，GRU-NN)网络的输入，建模学习特征内部动态变化规律，并引入注意力机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后完成短期负荷预测。该方法提高了时间轴上对隐式时间序列的特征提取能力和计算能力，对于具有周期和长期依赖关系的电力系统的负荷预测具有较高的准确率和精确度，具有一定的实用价值。
本发明未详述部分为现有技术。
上述实施例仅是本发明实施例的一部分，并非全部。以上的实施方式只是用来解释本发明，并不能限定本发明的保护范围。在此基础上，由本领域技术人员在不进行创造性劳动的情况下得到的所有其它实施例，也就是所有在本申请的精神和原则范围内所做的修改、等同替换和改进等等，都属于本发明规定的保护范围。
Claims (7)
1.基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，包括，其特征在于：方法具体包括如下步骤：
S1：用EMD算法对电力负荷原始时序数据进行分解，得到几个具有不同特征的IMF；
S2：由于EMD分解得到的IMF数量较多且IMF间存在一定的相关性，因此有必要对IMF进行重构，从而降低建立预测模型的重复工作量，用样本熵来衡量IMF复杂性，用趋势分量、细节分量和随机分量来重建与样本熵相近的IMF；
S3：对重构分量分别建立SVR和MLR负荷预测模型，将不同分量预测结果叠加即初级预测模型获得预测值；
S4：把初级预测模型预测出的值当做次级预测模型的特征值和原始的时间序列数据进行融合，形成新的时间序列，负荷数据经过预处理后长度为n，可以用X表示X＝[x1…xt-1,xt…xn]T；
S5：把新的时间序列作为GRU网络的输入，建模学习特征内部动态变化规律，并引入注意力机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后完成短期负荷预测。
2.根据权利要求1所述的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，其特征在于：S1中用EMD算法得到IMF的方法步骤如下：
S11：找出电力负荷时间序列y(t)中的所有极大值，并用插值方法拟合其包络线u(t)；与之类似，求出y(t)列的全部最小值，用插值方法拟合其包络线v(t)；据此计算上下包络线平均m1(t)为
S12：将原始信号y(t)与m1(t)相减得到h1(t)，即h1(t)＝y(t)-m1(t)；
S13：判断h1(t)是否满足IMF分量条件，若不满足，则将h1(t)视为新的信号y(t)，重复步骤上一步，直到h1(t)满足IMF条件，若满足，则第1个IMF分量可表示为c1(t)＝h1(t)；
S14：将剩余分量r1(t)作为新的原始信号，重复前面几步，从而可得到其他IMF分量和1个余量，r1(t)＝y(t)-c1(t)。
3.根据权利要求2所述的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，其特征在于：S1中采用EMD方法将原始信号y(t)分解为n个IMF分量ci(t)和一个剩余分量rn(t)公式如下：
4.根据权利要求1所述的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，其特征在于：S3中建立SVR和MLR负荷预测模型，用趋势分量当做MLR负荷预测模型的输入、用细节分量当做MLR负荷预测模型的输入，然后将不同分量预测结果叠加即初级预测模型的预测值。
5.根据权利要求1所述的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，其特征在于：S5中引入注意力机制GRU网络主要分为输入层、GRU层、注意力层和输出层：
S51：输入层：输入层以新的时间序列X为预测模型输入；
S52：GRU层：构建GRU结构，充分地学习这些特征，从而捕捉到其内部变化规律，GRU层的输出记为H，在第t步的输出表示为
ht＝GRU(HC,t-1,HC,t),t∈[1,i]；
S53：注意力层：注意力层在输入为GRU网络层激活处理的输出矢量H的情况下，根据权重分配原则计算不同特征矢量对应概率，不断更新迭代更优的权重参数矩阵；
S54：输出层：输出层通过全连接层进行计算出预测步长为m的输出Y＝[y1,y2…··ym]T，预测公式可表示为yt＝Sigmoid(wost+bo)。
6.根据权利要求5所述的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，其特征在于：S52中的详细公式如下(式中：Rt和Zt分别为重置门和更新门；⊙为元素乘法，σ为Sigmoid激活函数；tanh为双曲正切函数；Wxr，Whr，Wxz，Whz，Wxh，Whh均为训练参数矩阵；br，bz，bh是偏差参数；当前时刻候选激活状态
)
Rt＝σ(XtWxr+Ht-1Whr+br)
Zt＝σ(XtWxz+Ht-1Whz+bz)
7.根据权利要求5所述的基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，其特征在于：S53中注意力机制层的权重系数计算公式可表示为
et＝utanh(wht+b)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011639813.7A CN112766078B (zh) | 2020-12-31 | 2020-12-31 | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011639813.7A CN112766078B (zh) | 2020-12-31 | 2020-12-31 | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112766078A true CN112766078A (zh) | 2021-05-07 |
| CN112766078B CN112766078B (zh) | 2024-04-16 |
Family
ID=75698343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011639813.7A Active CN112766078B (zh) | 2020-12-31 | 2020-12-31 | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766078B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
| CN113780636A (zh) * | 2021-08-26 | 2021-12-10 | 河北工业大学 | 一种基于EMD-GRU-Attention的太阳能辐射预测方法 |
| CN113837480A (zh) * | 2021-09-29 | 2021-12-24 | 河北工业大学 | 基于改进gru和差分误差补偿的冲击性负荷预测方法 |
| CN114498634A (zh) * | 2022-02-17 | 2022-05-13 | 四川大学 | 一种基于电表数据的电动汽车充电负荷预测方法 |
| CN114707431A (zh) * | 2022-06-02 | 2022-07-05 | 广东工业大学 | 一种旋转多组件剩余使用寿命预测方法、系统及存储介质 |
| CN115048873A (zh) * | 2022-08-12 | 2022-09-13 | 太原科技大学 | 一种用于飞机发动机的剩余使用寿命预测系统 |
| CN115952915A (zh) * | 2023-01-09 | 2023-04-11 | 北京建筑大学 | 一种使用模糊熵分类的能耗预测优化方法 |
| CN117117860A (zh) * | 2023-10-20 | 2023-11-24 | 浙江大学 | 一种多频率时间模式渐进解缠的电力负载预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609671A (zh) * | 2017-08-10 | 2018-01-19 | 燕山大学 | 一种基于综合因素评价模型的短期电力负荷预测方法 |
| CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
| CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
| WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
| CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
| CN111553465A (zh) * | 2020-04-27 | 2020-08-18 | 西安建筑科技大学 | 一种基于vmd-gru网络的公共建筑冷负荷预测方法 |
-
2020
- 2020-12-31 CN CN202011639813.7A patent/CN112766078B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609671A (zh) * | 2017-08-10 | 2018-01-19 | 燕山大学 | 一种基于综合因素评价模型的短期电力负荷预测方法 |
| WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
| CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
| CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
| CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
| CN111553465A (zh) * | 2020-04-27 | 2020-08-18 | 西安建筑科技大学 | 一种基于vmd-gru网络的公共建筑冷负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵兵 等: "基于注意力机制的CNN-GRU短期电力负荷预测方法", 电网技术, vol. 43, no. 12, 31 December 2019 (2019-12-31) * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
| CN113516316B (zh) * | 2021-07-29 | 2023-03-24 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
| CN113780636A (zh) * | 2021-08-26 | 2021-12-10 | 河北工业大学 | 一种基于EMD-GRU-Attention的太阳能辐射预测方法 |
| CN113837480A (zh) * | 2021-09-29 | 2021-12-24 | 河北工业大学 | 基于改进gru和差分误差补偿的冲击性负荷预测方法 |
| CN113837480B (zh) * | 2021-09-29 | 2023-11-07 | 河北工业大学 | 基于改进gru和差分误差补偿的冲击性负荷预测方法 |
| CN114498634A (zh) * | 2022-02-17 | 2022-05-13 | 四川大学 | 一种基于电表数据的电动汽车充电负荷预测方法 |
| CN114498634B (zh) * | 2022-02-17 | 2023-08-29 | 四川大学 | 一种基于电表数据的电动汽车充电负荷预测方法 |
| CN114707431A (zh) * | 2022-06-02 | 2022-07-05 | 广东工业大学 | 一种旋转多组件剩余使用寿命预测方法、系统及存储介质 |
| CN115048873A (zh) * | 2022-08-12 | 2022-09-13 | 太原科技大学 | 一种用于飞机发动机的剩余使用寿命预测系统 |
| CN115952915A (zh) * | 2023-01-09 | 2023-04-11 | 北京建筑大学 | 一种使用模糊熵分类的能耗预测优化方法 |
| CN117117860A (zh) * | 2023-10-20 | 2023-11-24 | 浙江大学 | 一种多频率时间模式渐进解缠的电力负载预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112766078B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766078A (zh) | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 | |
| CN109886498B (zh) | 一种基于特征选择的emd-gru短期电力负荷预测方法 | |
| Zhang et al. | Wind speed forecasting based on quantile regression minimal gated memory network and kernel density estimation | |
| Tian | Modes decomposition forecasting approach for ultra-short-term wind speed | |
| CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
| CN111832825B (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN111416797B (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
| CN113128671B (zh) | 一种基于多模态机器学习的服务需求动态预测方法及系统 | |
| Wen et al. | Time series prediction based on LSTM-attention-LSTM model | |
| CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
| Lv et al. | An improved long short-term memory neural network for stock forecast | |
| CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| CN113537469A (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| Wang et al. | An approach for day-ahead interval forecasting of photovoltaic power: A novel DCGAN and LSTM based quantile regression modeling method | |
| Shao et al. | Short‐Term Load Forecasting Based on EEMD‐WOA‐LSTM Combination Model | |
| Wang et al. | Multienergy load forecasting for regional integrated energy systems considering multienergy coupling of variation characteristic curves | |
| Huang et al. | Short-term load forecasting based on a hybrid neural network and phase space reconstruction | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN116632834A (zh) | 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法 | |
| Juan et al. | Multi-step prediction of dissolved oxygen in river based on random forest missing value imputation and attention mechanism coupled with recurrent neural network | |
| CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |