申请/专利权人：安徽中科海奥电气股份有限公司

申请日：2023-07-13

公开（公告）日：2023-10-13

公开（公告）号：CN116881856A

主分类号：G06F18/27

分类号：G06F18/27;G06N3/0442;G06N3/08;G06F18/213;G06Q50/06;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.10.31#实质审查的生效;2023.10.13#公开

摘要：本发明提供了加入VMD数据分解的STL‑SARIMA‑GRU功率预测方法，该方案是基于LOESS进行季节‑趋势分解STL、季节性差分自回归移动平均模型SARIMA和门控循环单元GRU相组合的STL‑SARIMA‑GRU预测模型。预测模型流程包括：将原始信号分解为周期项、趋势项和残差项；将分解后的季节项数据序列送入到SARIMA网络中进行功率预测；将分解后得到的趋势项和残差项组合后送入GRU模型进行预测；最后再将两个部分的预测结果进行叠加重构获得整个数据的预测结果。本发明提出在将趋势项和残差项送入GRU预测前加入一个数据分解变分模态分解VMD的环节，避免因序列特征混叠或冗余而导致预测精度下降的问题，提高了整个预测模型的预测精度。本发明方法通过相关实验验证了方法的有效性。

主权项：1.一种加入VMD数据分解的STL-SARIMA-GRU功率预测方法，其特征在于，包括以下步骤：S1，对原始时间序列功率数据进行STL数据分解，将原始数据分解成周期项、趋势项和残差项，使原始数据分解为具有不同特征的分量；S2，构建SARIMA预测模型，通过网格搜索法确定SARIMAp,q.d×P,D，Q的自回归项p、差分次数d、移动平均项数q、季节自回归阶数P、季节滑动平均阶数Q、季节差分阶数D，将周期项功率序列数据送入SARIMA预测模型中进行预测；S3，对趋势项和残差项进行VMD分解，构造变分问题，将原始数据序列分解为多个具有不同特征的模态分量IMF，保证分解序列具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态IMF之和与原始信号相等；S4，建立GRU神经网络，并采用训练集对GRU神经网络进行训练，得到GRU预测模型；S5，将趋势项和残差项经过VMD分解得到的模态分量IMF送入GRU预测模型中进行预测，得到模态分量IMF的预测结果，并计算模态分量IMF的预测结果与原始时间序列功率数据的均方根误差RMSE和平均绝对误差MAE；S6，把每个模态分量IMF得到的预测结果进行叠加重构，得到趋势项和残差项的最终预测结果，并计算最终预测结果与原始时间序列功率数据的均方根误差RMSE和平均绝对误差MAE。

全文数据：

权利要求：

百度查询： 安徽中科海奥电气股份有限公司 一种加入VMD数据分解的STL-SARIMA-GRU功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD