[发明专利]一种基于Attention-GRU的短期住宅负荷预测方法

说明书

本发明公开了一种基于Attention‑GRU的短期住宅负荷预测方法，包括下述步骤：数据预处理；使用深度学习模型进行负载预测的第一步是以适当的格式准备数据，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；本发明将人工智能在自然语言处理的两种算法结合构建出短期住宅负荷预测模型，该模型用GRU算法不仅仅克服传统智能预测算法递归神经网络的不足，也解决了RNN的决梯度爆炸和梯度消失问题；用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。

技术领域

本发明涉及电力负荷预测技术领域，具体涉及一种基于Attention-GRU的短期住宅负荷预测方法。

背景技术

负荷预测是电力系统规划和控制的第一阶段。准确的负荷预测对于公用事业公司来说非常重要，可以确保电网的可靠性和稳定性，以满足负荷需求。根据预测的时间范围，电力需求预测可大致分为三类，即短期电力需求预测，中期电力需求预测和长期电力需求预测。它对于有效处理日常运营，发电容量调度，采购计划和评估非常有用。住宅每日负荷预测是一种短期负荷预测。它是估算电力系统待机容量，每日负荷率以及设定峰谷电价的重要依据。此外，它对公用事业的运营和生产成本也有重大影响。因此，负荷预测算法在过去几十年中得到了广泛的研究。大多数预测模型基于相似性原理和各种优化算法，分为两类：一种是经典的预测算法，另一种是智能预测算法。

对于经典预测算法，主要优点是计算速度快，鲁棒性强，回归分析和指数平滑简单易行。然而，由于缺乏负荷曲线特征分析，其预测精度明显不足。时间序列方法可以反映负载的连续变化，但是这种方法需要原始序列的高平滑性，并且不能解决负载因子的变化。频域分量法和小波分析法可以研究频域负荷，但不考虑其他因素对负荷的影响，如社会因素、气象因素。

对于智能预测算法，它们的优势在于筛选和处理影响负载的主要因素。人工神经网络(artificial neural networks，ANN)和支持向量机(support vector machine，SVM)已经被广泛用于负荷预测。基于ANN和SVM方法，提出了主成分分析人工神经网络(principal component analysis-artificial neural networks，PCA-ANN)、最小二乘支持向量机(least squares support vector machine，LS-SVM)来提高负荷预测精度。然而，这些传统的神经网络没有考虑负荷曲线的时间序列特征，这些特征性容易陷入局部最优和过度拟合。因此，传统神经网络在短期住宅负荷预测中遇到了技术瓶颈。

2006年，Hinton教授提出了一个深度信念网络(deep belief network，DBN)，它标志着深度学习时代的到来。与传统神经网络相比，RNN引入了可以处理输入之间上下文相关性的定向循环。一些研究人员发现使用RNN无法确保出色的预测效果，原因在于RNN不适合处理数据的长期依赖性。门控循环单元(gated recurrent unit，GRU)是RNN的改进，它可以解决梯度消失和梯度爆炸的问题。与LSTM相比，门控循环单元具有更少的参数并且更容易收敛，在解决其他复杂问题方面取得了许多突破，成为数据科学界最有前途的技术之一。

另一方面，基于注意力机制(attention)的神经网络近几年在自然语言处理领域取得了很好的应用效果，如机器翻译、句法分析和自动文摘等。该机制通过为神经网络隐藏层单元分配不同概率权重，使得隐藏层能够关注更为关键的信息。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于Attention-GRU的短期住宅负荷预测方法，该方法应用基于密度的噪声应用空间聚类(density-basedspatial clustering of application with noise，DBSCAN)技术来确定数据的异常值分布情况，然后用提出的Attention-GRU预测方法对住宅进行每日负荷预测。

本发明的目的通过下述技术方案实现：