申请/专利权人：辽宁工程技术大学

申请日：2020-12-31

公开（公告）日：2024-04-16

公开（公告）号：CN112766078B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/21;G06F18/2411;G06F18/25;G06N3/0442;H02J3/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.05.25#实质审查的生效;2021.05.07#公开

摘要：本发明公开了基于EMD‑SVR‑MLR与注意力机制的GRU‑NN的电力负荷层次预测方法，采用经验模态分解信号处理算法对用户负荷原始时间序列数据进行分解处理，并对模态函数进行重构。对重构分量建立支持向量机多元线性回归初级预测模型，从而获得预测值。将初级预测模型的预测值和原始的时间序列数据进行融合，形成新的时间序列，作为门控循环单元神经网络网络的输入，建模学习特征内部动态变化规律，并引入注意力机制赋予GRU隐含状态不同的权重，最后完成短期负荷预测；该方法提高了时间轴上对隐式时间序列的特征提取能力和计算能力，对于具有周期和长期依赖关系的电力系统的负荷预测具有较高的准确率和精确度，具有一定的实用价值。

主权项：1.基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法，包括，其特征在于：方法具体包括如下步骤：S1：用EMD算法对电力负荷原始时序数据进行分解，得到几个具有不同特征的IMF；S2：由于EMD分解得到的IMF数量较多且IMF间存在一定的相关性，因此对IMF进行重构，从而降低建立预测模型的重复工作量，用样本熵来衡量IMF复杂性，用趋势分量、细节分量和随机分量来重建与样本熵相近的IMF；S3：对重构分量分别建立SVR和MLR负荷预测模型，将不同分量预测结果叠加即初级预测模型获得预测值；S4：把初级预测模型预测出的值当做次级预测模型的特征值和原始的时间序列数据进行融合，形成新的时间序列，负荷数据经过预处理后长度为n，用X表示X＝[x1…xt-1,xt…xn]T；S5：把新的时间序列作为GRU网络的输入，建模学习特征内部动态变化规律，并引入注意力机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后完成短期负荷预测；S3中建立SVR和MLR负荷预测模型，用趋势分量当做MLR负荷预测模型的输入、用细节分量当做MLR负荷预测模型的输入，然后将不同分量预测结果叠加即初级预测模型的预测值；S5中引入注意力机制GRU网络分为输入层、GRU层、注意力层和输出层：S51：输入层：输入层以新的时间序列X为预测模型输入；S52：GRU层：构建GRU结构，充分地学习这些特征，从而捕捉到其内部变化规律，GRU层的输出记为H，在第t步的输出表示为ht＝GRUHC,t-1,HC,t,t∈[1,i]；S53：注意力层：注意力层在输入为GRU网络层激活处理的输出矢量H的情况下，根据权重分配原则计算不同特征矢量对应概率，不断更新迭代更优的权重参数矩阵；S54：输出层：输出层通过全连接层进行计算出预测步长为m的输出Y＝[y1,y2…··ym]T，预测公式表示为yt＝Sigmoidwost+bo。

全文数据：

权利要求：

百度查询： 辽宁工程技术大学 基于EMD-SVR-MLR与注意力机制的GRU-NN的电力负荷层次预测方法

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