基于改进SMA-GRU短期电力负荷预测方法及系统

基于改进sma-gru短期电力负荷预测方法及系统
技术领域
1.本发明涉及电力负荷预测技术领域，特别涉及一种基于改进sma-gru短期电力负荷预测方法及系统。


背景技术：

2.进入21世纪以来，随着全球经济发展迅速，化石能源消耗日益加剧，全球范围内能源紧缺与环保问题日益突出。世界各国纷纷制定碳中性、碳中和气候目标，加速能源清洁低碳转型、积极应对气候变化成为全球共同性议题。
3.要实现双碳目标，电力是能源转型的中新环节、碳减排的关键领域。加快构建以新能源为主体的新型电力系统是推动能源电力低碳转型发展，实现中国碳中和目标的重要路径。准确的电力负荷预测可以加快构建新型电力系统，助力实现双碳目标。目前电力系统持续可靠供电面临新挑战，新能源随机性、波动性、间歇性等特点对持续可靠供电带来挑战，并且由于电力负荷结构更加多元化，大大加大了电力负荷预测的难度。


技术实现要素：

4.基于此，本发明的目的是提供一种基于改进sma-gru短期电力负荷预测方法及系统，用以准确高效的进行短期电力负荷的预测。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于改进sma-gru短期电力负荷预测方法，包括：
7.获取历史数据，并对所述历史数据进行预处理；所述历史数据包括：日最高温度、日最低温度、湿度以及历史负荷；
8.构建attention-gru神经网络；所述attention-gru神经网络是由卷积神经网络和注意力机制结合得到；
9.通过预处理后的历史数据对所述attention-gru神经网络进行训练，并在训练过程中利用改进sma方法优化所述attention-gru神经网络，得到基于结合注意力机制的改进sma-gru预测模型；
10.通过所述基于结合注意力机制的改进sma-gru预测模型对预设时间内的电力负荷进行预测。
11.可选地，对所述历史数据进行预处理，具体包括：
12.对所述历史数据进行不良数据清洗、缺失数据补足以及归一化处理。
13.可选地，在训练过程中利用改进sma方法优化所述attention-gru神经网络，具体包括：
14.初始化sma算法中的参数，设置种群规模为n、最大迭代次数为m以及优化参数的个数和范围，令当前的迭代次数t＝1，初始化个体，随机生成n个黏菌个体的初始化位置；
15.将每个黏菌个体位置向量依次作为attention-gru神经网络的前提参数分别计算出各自对应的适应度值，对适应度进行排序，选出最优适应度值和最差适应度值；
16.更新黏菌位置，令t＝t+1，若t达到最大迭代次数m，则根据最优适应度值输出最优个体。
17.可选地，在得到基于结合注意力机制的改进sma-gru预测模型之后，还包括：
18.选取平均绝对百分误差mape评估所述基于结合注意力机制的改进sma-gru预测模型的预测精度，若mape≤35％，则所述改进sma-gru预测模型满足预测精度，若mape＞35％，则对所述改进sma-gru预测模型进行迭代权重比例调整。
19.本发明还提供了一种基于改进sma-gru短期电力负荷预测系统，包括：
20.历史数据获取及预处理模块，用于获取历史数据，并对所述历史数据进行预处理；所述历史数据包括：日最高温度、日最低温度、湿度以及历史负荷；
21.模型构建模块，用于构建attention-gru神经网络；所述attention-gru神经网络是由卷积神经网络和注意力机制结合得到；
22.模型训练及优化模块，用于通过预处理后的历史数据对所述attention-gru神经网络进行训练，并在训练过程中利用改进sma方法优化所述attention-gru神经网络，得到基于结合注意力机制的改进sma-gru预测模型；
23.电力负荷预测模块，用于通过所述基于结合注意力机制的改进sma-gru预测模型对预设时间内的电力负荷进行预测。
24.可选地，所述历史数据获取及预处理模块包括：
25.预处理单元，用于对所述历史数据进行不良数据清洗、缺失数据补足以及归一化处理。
26.可选地，所述模型训练及优化模块包括：
27.参数设置单元，用于初始化sma算法中的参数，设置种群规模为n、最大迭代次数为m以及优化参数的个数和范围，令当前的迭代次数t＝1，初始化个体，随机生成n个黏菌个体的初始化位置；
28.适应度值计算及排序单元，用于将每个黏菌个体位置向量依次作为attention-gru神经网络的前提参数分别计算出各自对应的适应度值，对适应度进行排序，选出最优适应度值和最差适应度值；
29.最优个体输出单元，用于更新黏菌位置，令t＝t+1，若t达到最大迭代次数m，则根据最优适应度值输出最优个体。
30.可选地，所述系统还包括：
31.评估模块，用于选取平均绝对百分误差mape评估所述基于结合注意力机制的改进sma-gru预测模型的预测精度，若mape≤35％，则所述改进sma-gru预测模型满足预测精度，若mape＞35％，则对所述改进sma-gru预测模型进行迭代权重比例调整。
32.根据本发明提供的具体实施例，本发明公开了以下技术效果：
33.本发明将注意力机制与gru神经网络相结合搭建attention-gru神经网络，对gru神经网络的输入特征赋予了不同的权重，并采用改进sma方法优化attention-gru神经网络，对参数进行寻优，最后利用优化得到基于结合注意力机制的改进sma-gru预测模型进行负荷预测，从而获得更好的预测效果提高了负荷预测精度。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
35.图1为本发明实施例一提供的基于改进sma-gru短期电力负荷预测方法的流程图；
36.图2为本发明实施例一提供的基于改进sma-gru短期电力负荷预测方法的完整流程图；
37.图3为卷积神经网络gru的结构单元图；
38.图4为电力负荷预测结果对比图。
具体实施方式
39.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。
40.本发明的目的是提供一种基于改进sma-gru短期电力负荷预测方法及系统，通过改进sma算法对由卷积神经网络和注意力机制结合得到attention-gru神经网络进行参数寻优，得到基于结合注意力机制的改进sma-gru预测模型，并通过该预测模型进行短期电力负荷预测。
41.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
42.实施例一
43.如图1-图2所示，本发明实施例提供的基于改进sma-gru短期电力负荷预测方法，包括以下步骤：
44.s1：获取历史数据，并对所述历史数据进行预处理；所述历史数据包括：日最高温度、日最低温度、湿度以及历史负荷。
45.在实际应用中，采取某地实测负荷某年9月份周一至周五数据，早5点至晚5点，每小时采集一组数据，共240组数据，且每组数据包含四个输入变量和一个输出变量，输入变量包括历史负荷、日最高温度、日最低温度以及湿度。取前190组数据用于模型的训练，后50组用于对训练好的模型进行测试。
46.为消除不同影响因素之间的量纲不同所带来的影响，对历史数据进行不良数据清洗和缺失数据补足并进行归一化处理：
[0047][0048]
式中：w
norm
为线性归一化结果；w为自变量输入值；w
max
为原始数据集中w所属影响因素中的最大值；w
min
为原始数据集中w所属影响因素中的最小值。
[0049]
s2：构建attention-gru神经网络；所述attention-gru神经网络是由卷积神经网络和注意力机制结合得到。
[0050]
(1)引入卷积神经网络，对历史数据主要特征进行充分提取；
[0051]
如图3所示，卷积神经网络cnn具有输入层、卷积层、全连接层以及输出层。将预处理后的数据导入输入层，设定卷积层个数为1，利用卷积层对输入数据进行特征提取，卷积计算公式为：
[0052]cj
＝f(ωj*x+bj)
[0053]
式中：x为cnn的输入数据；cj为卷积层输出的第j个局部特征；*为卷积操作；f(
·
)为激活函数。ωj和bj表示卷积层的第j个权重矩阵与卷积核的偏置；j代表卷积核个数。
[0054]
利用全连接层将数据进行映射，输出的数据则为gru的输入数据，公式如下：
[0055]
x＝ω
l
xf+b
[0056]
式中：ω
l
为全连接层权重矩阵；xf为cj经过平坦化的数据；b为全连接层的偏置；x为全连接层输出数据，即gru的输入数据；
[0057]
(2)将经过上述处理后的数据导入gru神经网络，并将注意力机制与gru神经网络相结合，对gru的输出特征赋予不同的权重。
[0058]
1)将处理后长度为n的数据导入gru网络输入层；
[0059]
2)设t时刻gru网络的输出为，t＝1,2,3
…
，gru的计算公式为
[0060]kt
＝σ(wk·
[c
t-1
,x
t
])
[0061]at
＝σ(wa·
[c
t-1
,x
t
])
[0062][0063][0064]
式中：k
t
与a
t
分别为更新门与重置门；x
t
为输入向量；w为权重参数；c为隐藏层状态；
·
为两个向量点乘；σ为sigmoid激活函数；为隐藏状态的候选集。
[0065]
3)引入注意力机制，计算每个输出向量所对应的权值，即概率分布：
[0066]qt,i
＝o(ci,r
t-1
)
[0067]
α
t
＝softmax(q
t
)
[0068]
式中：q
t,i
为在t时刻时解码器的第i个输出的注意力分数；ci为编码器的第i个输出；r
t-1
为解码器在t-1时刻的输出状态；o为计算注意力分数时的变换函数；q
t
为在t时刻解码器对编码器的注意力分数向量；α
t
为q
t
的概率分布；softmax为归一化指数函数。
[0069]
4)最后将所有输入信息的概率汇总，以加权平均的方式来求和，得到注意力值z
t
：
[0070][0071]
5)将注意力值z
t
输入到gru输出层，输出结果。
[0072]yt
＝σ(wo·zt
)
[0073]
式中：w为权重参数；
·
为两个向量点乘；σ为sigmoid激活函数；y
t
为输出向量。
[0074]
s3：通过预处理后的历史数据对所述attention-gru神经网络进行训练，并在训练过程中利用改进sma方法优化所述attention-gru神经网络，得到基于结合注意力机制的改进sma-gru预测模型。
[0075]
1)对sma的初始参数进行设置，设置种群规模为n、最大迭代次数为m、优化参数的个数及范围，令当前的迭代次数t＝1，初始化个体，随机生成n个黏菌个体的初始化位置。
[0076]
2)将每个黏菌个体位置向量依次作为attention-gru神经网络的前提参数分别计算出各自对应的适应度值，对适应度进行排序，选出最优和最差适应度值。
[0077][0078][0079]
式中：c为控制参数；为当前迭代中发现的气味浓度最高的个体的方位；为黏菌的位置；和为随机选择的两个黏菌的方位；为权重；u和e分别代表训练集和测试集总数，u和e两个下角标代表样本点从1开始的一个序号。
[0080]
其中，c、z、值的计算公式为：
[0081]
c＝tanh|d(i)-af|,i＝1,2,
…
,n
[0082][0083][0084]
式中：d(i)为每个黏菌的适应度；af为迭代过程中最佳适应度；c
ondition
表示适应度排在前1/2的种群个体；s为在[0,1]上的随机数；maxx
t
为最大迭代次数；bf和wf为当前迭代中的最优和最差适应度值；d
mellindex
为适应度值序列。
[0085]
3)更新黏菌位置，计算公式为：
[0086][0087]
式中：ub和lb分别为搜索范围的上下边界值；s
tochas
和s为[0,1]中的随机数；z为自定义参数。
[0088]
4)寻求sma算法寻找的最优个体值，令t＝t+1，判断t是否小于最大迭代次数m，若是则重复2)和3)，反之则输出最优个体，即算法的最优解，将最优参数对attention-gru神经网络进行赋值，得到最优的attention-gru神经网络模型为基于结合注意力机制的改进sma-gru预测模型。
[0089]
在通过sma算法对attention-gru神经网络模型进行寻优后，利用模型进行负荷预测，最后将测试集数据输入预测模型，输出预测值；否则继续迭代，直到满足终止条件。
[0090]
s4：通过所述基于结合注意力机制的改进sma-gru预测模型对预设时间内的电力负荷进行预测。
[0091]
在得到基于结合注意力机制的改进sma-gru预测模型之后，选取平均绝对百分误差mape作为评审标准，来评估模型的预测精度。当mape≤35％时，不对神经网络预测模型进行修改，若不满足，则进行迭代权重比例调整，计算误差使用的公式为：
[0092][0093]
式中：n表示为预测结果的总个数；oi和pi分别为预测第i个采样点实际值和预测值。
[0094]
本发明还将传统gru与基于结合注意力机制的改进sma-gru预测模型对电力负荷预测结果进行比较，比较结果如图4和如表1所示：
[0095]
表1不同gru预测模型mape(％)比较
[0096][0097]
本发明利用cnn对数据特征进行充分提取，又将注意力机制与gru神经网络相结合搭建预测模型，对gru神经网络的输入特征赋予了不同的权重，并采取了改进sma方法优化gru神经网络，对参数进行寻优，从而获得更好的预测效果提高了预测精度。
[0098]
实施例二
[0099]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种基于改进sma-gru短期电力负荷预测系统，其特征在于。
[0100]
该系统包括：
[0101]
历史数据获取及预处理模块，用于获取历史数据，并对所述历史数据进行预处理；
所述历史数据包括：日最高温度、日最低温度、湿度以及历史负荷；
[0102]
模型构建模块，用于构建attention-gru神经网络；所述attention-gru神经网络是由卷积神经网络和注意力机制结合得到；
[0103]
模型训练及优化模块，用于通过预处理后的历史数据对所述attention-gru神经网络进行训练，并在训练过程中利用改进sma方法优化所述attention-gru神经网络，得到基于结合注意力机制的改进sma-gru预测模型；
[0104]
电力负荷预测模块，用于通过所述基于结合注意力机制的改进sma-gru预测模型对预设时间内的电力负荷进行预测。
[0105]
进一步地，所述历史数据获取及预处理模块包括：
[0106]
预处理单元，用于对所述历史数据进行不良数据清洗、缺失数据补足以及归一化处理。
[0107]
进一步地，所述模型训练及优化模块包括：
[0108]
参数设置单元，用于初始化sma算法中的参数，设置种群规模为、最大迭代次数为以及优化参数的个数和范围，令当前的迭代次数，初始化个体，随机生成个黏菌个体的初始化位置；
[0109]
适应度值计算及排序单元，用于将每个黏菌个体位置向量依次作为attention-gru神经网络的前提参数分别计算出各自对应的适应度值，对适应度进行排序，选出最优适应度值和最差适应度值；
[0110]
最优个体输出单元，用于更新黏菌位置，令，若达到最大迭代次数，则根据最优适应度值输出最优个体。
[0111]
进一步地，所述系统还包括：
[0112]
评估模块，用于选取平均绝对百分误差评估所述基于结合注意力机制的改进sma-gru预测模型的预测精度，若，则所述改进sma-gru预测模型满足预测精度，若，则对所述改进sma-gru预测模型进行迭代权重比例调整。
[0113]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0114]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于改进sma-gru短期电力负荷预测方法，其特征在于，包括：获取历史数据，并对所述历史数据进行预处理；所述历史数据包括：日最高温度、日最低温度、湿度以及历史负荷；构建attention-gru神经网络；所述attention-gru神经网络是由卷积神经网络和注意力机制结合得到；通过预处理后的历史数据对所述attention-gru神经网络进行训练，并在训练过程中利用改进sma方法优化所述attention-gru神经网络，得到基于结合注意力机制的改进sma-gru预测模型；通过所述基于结合注意力机制的改进sma-gru预测模型对预设时间内的电力负荷进行预测。2.根据权利要求1所述的基于改进sma-gru短期电力负荷预测方法，其特征在于，对所述历史数据进行预处理，具体包括：对所述历史数据进行不良数据清洗、缺失数据补足以及归一化处理。3.根据权利要求1所述的基于改进sma-gru短期电力负荷预测方法，其特征在于，在训练过程中利用改进sma方法优化所述attention-gru神经网络，具体包括：初始化sma算法中的参数，设置种群规模为n、最大迭代次数为m以及优化参数的个数和范围，令当前的迭代次数t＝1，初始化个体，随机生成n个黏菌个体的初始化位置；将每个黏菌个体位置向量依次作为attention-gru神经网络的前提参数分别计算出各自对应的适应度值，对适应度进行排序，选出最优适应度值和最差适应度值；更新黏菌位置，令t＝t+1，若t达到最大迭代次数m，则根据最优适应度值输出最优个体。4.根据权利要求1所述的基于改进sma-gru短期电力负荷预测方法，其特征在于，在得到基于结合注意力机制的改进sma-gru预测模型之后，还包括：选取平均绝对百分误差mape评估所述基于结合注意力机制的改进sma-gru预测模型的预测精度，若mape≤35％，则所述改进sma-gru预测模型满足预测精度，若mape＞35％，则对所述改进sma-gru预测模型进行迭代权重比例调整。5.一种基于改进sma-gru短期电力负荷预测系统，其特征在于，包括：历史数据获取及预处理模块，用于获取历史数据，并对所述历史数据进行预处理；所述历史数据包括：日最高温度、日最低温度、湿度以及历史负荷；模型构建模块，用于构建attention-gru神经网络；所述attention-gru神经网络是由卷积神经网络和注意力机制结合得到；模型训练及优化模块，用于通过预处理后的历史数据对所述attention-gru神经网络进行训练，并在训练过程中利用改进sma方法优化所述attention-gru神经网络，得到基于结合注意力机制的改进sma-gru预测模型；电力负荷预测模块，用于通过所述基于结合注意力机制的改进sma-gru预测模型对预设时间内的电力负荷进行预测。6.根据权利要求5所述的基于改进sma-gru短期电力负荷预测系统，其特征在于，所述历史数据获取及预处理模块包括：预处理单元，用于对所述历史数据进行不良数据清洗、缺失数据补足以及归一化处理。
7.根据权利要求5所述的基于改进sma-gru短期电力负荷预测系统，其特征在于，所述模型训练及优化模块包括：参数设置单元，用于初始化sma算法中的参数，设置种群规模为n、最大迭代次数为m以及优化参数的个数和范围，令当前的迭代次数t＝1，初始化个体，随机生成n个黏菌个体的初始化位置；适应度值计算及排序单元，用于将每个黏菌个体位置向量依次作为attention-gru神经网络的前提参数分别计算出各自对应的适应度值，对适应度进行排序，选出最优适应度值和最差适应度值；最优个体输出单元，用于更新黏菌位置，令t＝t+1，若t达到最大迭代次数m，则根据最优适应度值输出最优个体。8.根据权利要求5所述的基于改进sma-gru短期电力负荷预测系统，其特征在于，所述系统还包括：评估模块，用于选取平均绝对百分误差mape评估所述基于结合注意力机制的改进sma-gru预测模型的预测精度，若mape≤35％，则所述改进sma-gru预测模型满足预测精度，若mape＞35％，则对所述改进sma-gru预测模型进行迭代权重比例调整。

技术总结
本发明公开了一种基于改进SMA-GRU短期电力负荷预测方法及系统，涉及电力负荷预测领域，该方法包括：获取历史数据，并对所述历史数据进行预处理；构建Attention-GRU神经网络；通过预处理后的历史数据对所述Attention-GRU神经网络进行训练，并在训练过程中利用改进SMA方法优化所述Attention-GRU神经网络，得到基于结合注意力机制的改进SMA-GRU预测模型；通过所述基于结合注意力机制的改进SMA-GRU预测模型对预设时间内的电力负荷进行预测。本发明能够准确高效的进行短期电力负荷的预测。能够准确高效的进行短期电力负荷的预测。能够准确高效的进行短期电力负荷的预测。


技术研发人员：赵琰 姜河 迟华志 王东来 史佳琪 王若曦 董香栾 张馨予 刘人硕 张添硕 王子源 黄世杰 付云志
受保护的技术使用者：沈阳工程学院
技术研发日：2023.08.01
技术公布日：2023/10/5