一种短期预测电力负荷预测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115967077A(43)申请公布日2023.04.14(21)申请号202211054394.X(22)申请日2022.08.30(71)申请人湖南农业大学地址414699湖南省长沙市芙蓉区(72)发明人江昕耘(74)专利代理机构北京卓胜佰达知识产权代理有限公司16026专利代理师陈桂兰(51)Int.Cl.H02J3/00(2006.01)G06N3/0442(2023.01)G06N3/086(2023.01)G06N3/006(2023.01)权利要求书2页说明书6页附图4页(54)发明名称一种短期预测电力负荷预测方法及系统(57)摘要本发明公开一种短期预测电力负荷预测方法及系统，包括：获取数据样本，对数据样本进行预处理；采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；对预测的电力负荷值进行评价；其中，获取改进的GRU神经网络模型包括：确定寻优参数，寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；将寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型。本方案通过PSO算法对GRU模型进行超参数优化，得到的改进的GRU模型获得更高的预测性能，使用该改进的GRU模型能够有效提高短期电力负荷预测的准确性及稳定性。CN115967077ACN115967077A权利要求书1/2页1.一种短期预测电力负荷预测方法，其特征在于，包括：获取数据样本，对数据样本进行预处理；采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；对所述预测的电力负荷值进行评价；其中，获取所述改进的GRU神经网络模型包括：确定寻优参数，所述寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；将所述寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型；采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型包括：S1、初始化粒子群；S2、确定各个粒子的适应度值，采用GRU神经网络模型预测值的均方误差作为粒子适应度值fit；S3、基于各个粒子的适应度值更新个体最优解pbest和群体最优解gbest；S4、判断是否满足粒子群算法的收敛条件，若满足，则输出最优参数，若不满足，则执行S5到S7，S5、依据全局最优解和个体最优解来更新每个粒子的速度和位置；S6、更新全局最优解和个体最优解；S7、返回S3继续执行，直到满足收敛条件，输出最优参数，重新训练GRU神经网络模型进行预测。2.根据权利要求1所述的方法，其特征在于：所述数据样本的类型基于影响电力负荷变化的因素得到，所述影响因素包括气象因素和时间因素。3.根据权利要求1所述的方法，其特征在于：所述预处理为：对数据样本进行归一化处理。4.根据权利要求3所述的方法，其特征在于：所述归一化处理包括：负荷数据标准化处理、温度数据标准化处理、星期类型的划分以及标准化处理和湿度数据的选择。5.根据权利要求1所述的方法，其特征在于：对所述预测电力负荷值进行评价中的评价指标包括：根均方差、平均绝对误差、平均相对百分误差、决定系数。6.一种短期预测电力负荷预测系统，其特征在于，包括：第一获取模块，用于获取数据样本，对数据样本进行预处理；分析模块，用于采用改进的GRU神经网络模型对预处理后的样本数据进行处理，得到预测的电力负荷值；评价模块，用于对所述预测的电力负荷值进行评价；所述分析模块包括第二获取模块，用于构建所述改进的GRU神经网络模型；其中，第二获取模块包括：第一计算模块，用于确定寻优参数，所述寻优参数包括GRU神经网络模型的神经元数量L1、L2、训练迭代次数K、学习率lr；第二计算模块，用于将所述寻优参数作为粒子寻优的特征，采用PSO算法对GRU神经网络模型进行参数寻优，得到改进的GRU神经网络模型。7.根据权利要求6所述的系统，其特征在于：所述第一获取模块包括：第一预处理模块，用于对负荷数据标准化处理；第二预处理模块，用于对温度数据标准化处理；第三预处理模块，用于对星期类型进行划分以及标准化处理；2CN115967077A权利要求书2/2页第四预处理模块，用于选择湿度数据。3CN115967077A说明书1/6页一种短期预测电力负荷预测方法及系统技术领域[0001]本发明涉及电力预测技术领域，特别涉及一种短期预测电力负荷预测方法及系统。背景技术[0002]电力负荷预测是指将用电负荷关联度较高的部分影响因素通过某种数学公式来进行求解，预测得出在一段时间内满足一定要求的用电负荷的过程。根据预测时间可分为长期、中期、短期和超