基于多层改进GRU神经网络的短期电力负荷预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107578124A(43)申请公布日2018.01.12(21)申请号201710751174.5G06Q50/06(2012.01)(22)申请日2017.08.28G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人国网山东省电力公司电力科学研究院地址250003山东省济南市望岳路2000号申请人国家电网公司(72)发明人路宽麻常辉程艳孟祥荣孙雯雪庞向坤蒋哲于芃陈素红张用李广磊王文宽韩英昆姚常青王士柏(74)专利代理机构济南圣达知识产权代理有限公司37221代理人张勇(51)Int.Cl.G06Q10/04(2012.01)权利要求书2页说明书7页附图3页(54)发明名称基于多层改进GRU神经网络的短期电力负荷预测方法(57)摘要本发明公开了一种基于多层改进GRU神经网络的短期电力负荷预测方法，周期性的构建样本数据集；对样本中的输入数据进行异常点识别和缺失值处理，对处理后的数据进行标准化变换，并将数据集分成训练集、验证集和待预测集；构建改进的GRU神经网络，将训练集数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行多轮验证测试学习效果，记录并保存最优验证结果的模型权重；将待预测数据集输入训练后得到的最优GRU模型，计算标准化预测结果并进行逆标准化变换，得出最终预测结果。本发明提升了训练的速度和训练的效率。CN107578124ACN107578124A权利要求书1/2页1.一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：包括以下步骤：(1)周期性的构建样本数据集；(2)对样本中的输入数据进行异常点识别和缺失值处理，对处理后的数据进行标准化变换，并将数据集分成训练集、验证集和待预测集；(3)对GRU网络结构中的状态单元进行修改，使每个输出状态单元先进入激活函数后再进行下一步的计算，以此构建改进的GRU神经网络，将训练集数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行多轮验证测试学习效果，记录并保存最优验证结果的模型权重；(4)将待预测数据集输入训练后得到的最优GRU模型，计算标准化预测结果；(5)对预测结果进行逆标准化变换，得出最终预测结果。2.如权利要求1所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(1)中，对选取的给定时间段的样本数据进行整理、提取，形成输入、输出数据集，输入数据是指某个时间段内、以一定时间为间隔的电力负荷数据，输出数据是滞后于输入数据某个时期后的电力负荷数据。3.如权利要求1所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(1)中，以滚动窗口期内的一组数据作为单一输入单元，来预测未来某一期数据，得到的输入数据是一个以数据量为行、窗口期为列的矩阵。4.如权利要求1所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(2)中，采取垂直法进行数据异常点处理。5.如权利要求4所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(2)中，如果有数据值与之前的数据平均值的差值大于设定阈值，则该数据值为数据异常点，将该数据值重新赋值，其大小为之前的数据平均值与设定阈值的和或差。6.如权利要求1所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(2)中，当发生数据缺失，且缺失的数量小于设定范围时，选择相邻数据取平均值替代缺失值。7.如权利要求1所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(2)中，当缺失的数据大于设定范围时，采用垂直法利用历史同时期数据的平均值进行平滑代替缺失值。8.如权利要求1所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(2)中，利用归一化将数据的均值和向量统一到0和1上。9.如权利要求1所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(2)中，按照设定的比例将整个数据集依次划分为训练集、验证集和待预测集。10.如权利要求1所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(3)中，改进GRU模型在计算门的过程中使状态先进入一个激活函数，同时在输出端也需要通过一个激活函数，才能完成最后的输出。11.如权利要求1所述的一种基于多层改进GRU神经网络的短期电力负荷预测方法，其特征是：所述步骤(3)中，激活函数选择SELU函数，以使神经元的激励值自动收敛到零均值2CN107578124A权利要求书2/2页和单位方差。12.如权利要求1所述的一种基于多层改进GRU