申请/专利权人:国网湖北省电力有限公司;国网湖北省电力有限公司黄冈供电公司
申请日:2024-01-04
公开(公告)日:2024-02-06
公开(公告)号:CN117526316A
主分类号:H02J3/00
分类号:H02J3/00;G06N3/045;G06N3/042;G06N3/0464;G06N3/0442;G06N3/048;G06N3/0985
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.02.27#实质审查的生效;2024.02.06#公开
摘要:本发明提出一种基于GCN‑CBAM‑BiGRU组合模型的负荷预测方法,包括以下步骤:步骤一,采集所需的地区历史负荷和气象信息;步骤二,对数据进行预处理和特征工程,通过斯皮尔曼相关系数分析和特征提取来处理多个气象因素;步骤三,构建基于贝叶斯优化GCN‑CBAM‑BiGRU组合模型,以解决多特征输入的负荷预测问题。该模型利用GCN和BiGRU挖掘深层次特征和长期依赖关系,并引入CBAM模块加强GCN层的特征提取能力;并通过贝叶斯优化算法对模型超参数进行优化,以达到最佳的负荷预测效果;步骤四,通过历史负荷和气象特征数据对模型进行训练。利用适当的损失函数和优化算法,将经过处理的数据输入训练好的模型,完成短期负荷预测。
主权项:1.一种基于GCN-CBAM-BiGRU组合模型的负荷预测方法,其特征在于,该方法包括以下步骤:步骤1:采集地区历史负荷数据和气象特征数据;步骤2:对所述历史负荷数据和所述气象特征数据进行关键特征信息的计算;所述关键特征信息的计算具体为通过斯皮尔曼相关系数分析,评估所述历史负荷数据与所述气象特征数据之间相关性,从中提取与负荷预测高度相关的关键特征信息X;步骤3:构建基于贝叶斯优化的GCN-CBAM-BiGRU组合模型,所述组合模型包括输入层、交互层以及输出层;所述交互层包括图卷积单元、卷积块注意力组件、双向门控循环单元、残差连接单元以及前向反馈层;步骤4:将所述历史负荷数据和气象特征数据作为原始特征信息,所述输入层从所述原始特征信息中提取三个特征进行拼接,得到一个三通道的输入张量;步骤5:将所述输入张量输入所述图卷积单元,所述图卷积单元首先通过图卷积神经网络对输入数据进行特征提取,然后再通过卷积核的滑动,得到卷积后的特征图;步骤6:通过卷积块注意力组件对所述卷积后的特征图进行加权计算,得到加权后的特征图;步骤7:所述双向门控循环单元将所述加权后的特征图作为输入,将其输入到前向门控循环单元和后向门控循环单元中,通过循环神经网络的方式进行时间序列的建模,得到时间上下文相关的特征表示;步骤8:通过残差连接单元将所述双向门控循环单元的输出、所述加权后的特征图以及所述原始特征数据进行残差连接;步骤9:将所述残差连接单元的输出传递给前向反馈层,通过前向反馈层进行非线性映射,将深层特征与输出负荷信息相结合,最终产生负荷预测结果。
全文数据:
权利要求:
百度查询: 国网湖北省电力有限公司;国网湖北省电力有限公司黄冈供电公司 一种基于GCN-CBAM-BiGRU组合模型的负荷预测方法
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。