[发明专利]一种基于Attention-GRU的短期住宅负荷预测方法

权利要求书

1.一种基于Attention-GRU的短期住宅负荷预测方法，其特征在于，包括下述步骤：

步骤一，数据预处理；

使用深度学习模型进行负荷预测的第一步是准备数据，并使用基于密度的噪声应用空间聚类(DBSCAN)技术，来评估日常功率分布的一致性；在次步骤中，构建训练集和测试集；

对于数据集和测试集的每个元素有两个部分，即矩阵X和矩阵Y；矩阵X是门控递归神经网络的输入，矩阵Y是门控递归神经网络的输出；矩阵X由四部分组成[E,I,D,H]：

(1)过去K个时间步长的能量消耗序列E＝{e_t-K，...，e_t-2，e_t-1}∈R^K；

(2)过去K个时间步长I∈R^K的时间日指标的增量序列；

(3)过去K个时间步长D对应的星期几指数；

(4)对应的二进制假日标记H；

由于GRU对数据规模敏感，因此根据特征的性质将四个输入向量缩放到(0,1)的范围内；对E采取数据归一化处理，而矢量I，D，H由一个热编码器编码，将具有M个基数的分类特征向量中的原始元素映射到具有M个元素的向量中，其中对应的新元素是1而其余新元素都是0；这四个向量被处理过后的矩阵GRU层的输入就是这四个向量的串联矩阵；

步骤二，模型构建；

负荷预测的第二步就选择适当的深度学习模型；由于GRU的独特复位门和更新门结构，它可以使输入数据的长度可变；GRU层的作用就是选择保存重要的信息，丢弃不重要的信息；原则上该层层数越多越好，模型的非线性拟合能力越强，学习的效果越好；但是由于训练模型需要消耗大量时间，所以一般选择效果较好且用时较少的方案；神经元的数量一般是2的n次方数，而且第一层的神经元的个数不能太少，否则不能学习到规律；目的是数据流在进入全连接层之前，对数据进行压缩，让全连接层的参数减少；由于全连接层的参数会随着输入数据的增加而加倍递增，所以适当压缩数据是很有必要的；

Attention层的作用是将模型学习到的特征权重赋予下一个时间步长中的输入向量，突出关键特征对预测负荷的影响；最终数据经过全连接层，然后得到最终输出层为预测时刻的负荷值；

步骤三，模型训练和测试；

在构建模型之后，使用预处理的训练集来对模型进行训练，然后使用测试集来测试模型；

步骤四，结果评估；

评估步骤三的结果；

均方误差(mean squared error，MSE)用于反映估计量与被估计量之间的差异程度，将其作为本网络的目标损失函数，其计算公式为：

式中为参数的估计值，θ为参数的实际值；

平均绝对百分误差(mean absolute percentage error，MAPE)是一种常用于衡量预测准确性的指标，通过该指标对网络的负荷预测结果做出评判，其计算公式为：

式中n为样本数量，y为实际值，y*为预测值。