一种基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测的方法及系统

技术领域

本发明属于机器学习技术领域，尤其涉及一种基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测的方法及系统。

背景技术

对电力负荷进行预测不仅是当代电力系统运行任务中非常重要的一项，同时也影响着工业用户的规划建设和运行，由于电力负荷的预测关系着工业企业的生产，燃料购买，基础设施维护以及安全分析等计划，因此精准的电力负荷预测可以为工业用户的生产运营，安全管理以及未来规划都提供非常重要的技术支持。

当前工业负荷的结构较为复杂，具有非线性，不稳定性，以及历史负荷数据缺失等特点，传统的基于数学统计分析的预测方法模型较为简单，计算较为简洁，速度也较快，因此其对于复杂的非线性且不平稳的工业负荷数据鲁棒性较低，难以实现精准地预测。而基于人工智能的机器学习预测方法对于复杂的数据鲁棒性较高，能够很好地对复杂的数据进行预测，并取得较高的预测准确率。

单一的神经网络模型已较难提升工业负荷预测的精度，如何有效地综合各个神经网络模型对工业负荷进行预测已经是当前的研究方向，除此之外神经网络模型虽然能够很大程度提升复杂的工业负荷的预测准确率，但是其非常大程度地依赖于所搭建的神经网络模型超参数的设定，仅凭经验确定的模型超参数，泛化能力较低，不确定性高，因此如何确定神经网络模型的超参数也是机器学习算法的一个很大难题。

发明内容

本发明目的在于针对现有技术的不足，提出一种基于SSA优化Bi-LSTM-GR U模型实现工业用户负荷预测的方法及系统。

本发明所解决的技术问题可以采用以下技术方案实现：一种基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测的方法，该方法包括以下步骤：

(1)获取工业用户的历史负荷数据集，对数据集中的数据进行预处理，搭建Bi-LSTM模型和GRU模型计算负荷预测值，并根据Bi-LSTM和GRU模型的预测值的损失比搭建Bi-LSTM-GRU模型；

(2)根据麻雀搜索算法SSA对Bi-LSTM-GRU模型的参数进行寻优处理，得到优化后的Bi-LSTM-GRU模型的模型参数；

(3)将优化后的Bi-LSTM-GRU模型对工业用户的历史负荷进行预测，输出最佳预测值。

进一步地，所述步骤(1)包括：

(1.1)获取工业用户的历史负荷数据集；

(1.2)对所获取的工业用户历史负荷数据集中的数据进行预处理，包括对数据异常值和缺失值的处理以及数据的归一化处理和将数据集划分为训练集，验证集和测试集：首先判断工业用户历史电力负荷数据是否存在数据缺失，并用格布拉斯准则法对数据进行是否为异常值的判断，若存在数据缺失或者数据异常则进行步骤(1.3)，否则进行步骤(1.4)；

(1.3)采用线性插值法对异常值数据与缺失值数据进行处理；

(1.4)对电力负荷数据采用Min-max方法进行归一化处理；

(1.5)选取能够有效处理时间序列特征数据的Bi-LSM模型和GRU模型作为工业用户负荷预测模型并计算两种模型的负荷预测值，根据Bi-LSTM和GRU模型的预测值的损失比搭建Bi-LSTM-GRU模型。

进一步地，所述步骤(1)中，采用平均绝对百分比误差MAPE计算Bi-LSTM和GRU模型的预测损失，MAPE的计算公式如下：

其中，n为样本个数；y

根据Bi-LSTM和GRU模型的预测值的损失比搭建Bi-LSTM-GRU模型，所搭建的Bi-LSTM-GRU模型的预测值对应的具体公式如下：

其中，y’

进一步地，所述步骤(2)具体包括：

(2.1)采用麻雀搜索算法，对麻雀搜索算法的种群大小、迭代次数、发现者占比以及警戒阈值作初始化设定；

(2.2)对所搭建的Bi-LSTM-GRU模型所要寻优的参数作为麻雀搜索算法的几个搜索维度，并设置对应的搜索范围，对所述麻雀搜索算法所设置的种群中的每只麻雀对应的搜索维度进行初始化处理；

(2.3)计算所述麻雀搜索算法的每只麻雀的适应度值，根据适应度值划分所述麻雀搜索算法的发现者和追随者，并对麻雀种群的发现者，追随者以及侦察者的位置进行更新；

(2.4)判断当前个体的适应度值是否优于全局最优适应度值：

若是，则更新全局最优适应度值以及该个体所对应的全局最优位置；

若否，则全局最优适应度值以及全局最优位置不作变化；

(2.5)判断所述麻雀搜索算法的迭代次数是否已经达到所设置的最大迭代次数：

若是，则结束迭代，并输出所记录的全局最优位置，作为Bi-LSTM-GRU模型的最优超参数；

若否，则返回步骤(2.3)。

进一步地，所述步骤(2.3)中，采用均方误差MSE(mean squared error)作为适应度函数来计算所述步骤(2.3)中的适应度值，计算公式如下：

其中，n为样本个数；y

本发明还提供了一种实现基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测方法的系统，该系统包括：

数据获取单元，用于对工业用户的历史电力负荷数据进行获取；

模型建立单元，连接所述数据获取单元，基于对所述数据获取单元所获得的工业负荷搭建Bi-LSTM和GRU模型，并计算两个模型的负荷预测值，根据Bi-LSTM和GRU模型的预测值的损失比搭建Bi-LSTM-GRU模型；

计算处理单元，分别连接所述数据获取单元和模型建立单元，对工业用户的历史负荷数据集中的数据进行数据的预处理以及对所搭建好的Bi-LSTM-GRU模型的数据进行计算处理；

寻优处理单元，分别连接所述计算处理单元和模型建立单元，用于根据麻雀搜索算法对所述Bi-LSTM-GRU模型的超参数进行寻优处理，得到所述Bi-LSTM-GRU模型的最优超参数；

模型训练和预测单元，分别连接计算处理单元和寻优处理单元，用于根据所述预处理后的数据集对所述优化后的Bi-LSTM-GRU模型进行训练并对工业负荷进行预测。

本发明还提供了一种计算机设备，包括存储器和处理器，所述的存储器存储有计算机程序，所述的存储器中存储的计算机程序在所述的处理器中执行时能够实现所述基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测方法及步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述的处理器执行所述的计算机程序时能够实现所述基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测方法及步骤。

本发明技术方案的优点或有益效果在于：

本发明根据预测损失比搭建Bi-LSTM-GRU模型对工业负荷进行预测，综合了两种模型的预测效果，并且基于麻雀搜索算法对Bi-LSTM-GRU模型的超参数进行寻优，解决了凭经验手动寻优的不确定性，以及较弱的泛化能力，本发明阐述了一种有效结合不同神经网络模型对工业负荷进行预测的新思路，并且通过机器学习算法动态调参来降低模型寻参的不确定性，提升了神经网络模型的预测精度和训练速度，能够很好地对工业负荷数据进行预测。

附图说明

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，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，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前提下，还可以根据这些附图获得其他附图。

图1为本发明较佳实施例中，基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测的方法的流程示意图；

图2为本发明较佳实施例中，步骤(1)具体实施例的流程示意图；

图3为本发明较佳实施例中，步骤(2)具体实施例的流程示意图；

图4为本发明较佳实施例中，基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测的系统的结构框图。

具体实施方式

下面参照附图并结合实施例对本发明做出进一步详细描述，但本发明不限于所给出的例子。在下面的描述中阐述了很多具体细节以方便理解本发明，但是本发明也可采用其他不同于此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制，基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动的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。

本发明的较佳的实施例中，基于上述中现有的技术问题，提供一种基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测的方法，属于机器学习领域，流程示意图如图1所示，包括：

(1)获取工业用户的历史负荷数据集，对工业用户历史负荷数据集中的数据进行预处理，搭建Bi-LSM和GRU模型对工业用户负荷进行预测，并根据Bi-LSTM和GRU模型的预测值的损失比搭建Bi-LSTM-GRU模型。

具体的，本发明实施例适用于受电变压器容量在315kVA及以上的工业生产用电的工业用户。

作为优选的实施方式，其中，如图2所示，步骤(1)包括：

(1.1)获取工业用户的历史负荷数据集，并对所获取的工业用户历史负荷数据集中的数据进行预处理，包括对数据异常值和缺失值的处理以及数据的归一化处理和根据一定比例将数据集划分为训练集，验证集和测试集。首先判断工业用户历史负荷数据是否存在数据缺失，并用格布拉斯准则法对数据进行是否为异常值的判断，若存在数据缺失或者数据异常则进行步骤(1.2)，否则进行步骤(1.3)。

(1.2)采用线性插值法对异常值数据与缺失值数据进行处理。

(1.3)对工业负荷数据采用Min-max方法进行归一化处理。

(1.4)搭建Bi-LSM和GRU模型作为工业用户负荷预测模型对负荷进行预测，并根据Bi-LSTM和GRU模型的预测值的损失比搭建Bi-LSTM-GRU模型。

作为优选的实施方式，其中步骤(1)中对数据的预处理包括对数据异常值和缺失值的处理以及数据归一化处理和将数据集划分为训练集、验证集和测试集。

具体的，对数据异常值和缺失值的处理，包括对上述工业用户历史电力负荷数据首先用格布拉斯准则法进行是否为异常值的判断，已知t时刻和t+mΔt时刻的电力负荷数值，t+nΔt的负荷数据为t时刻与t+mΔt时刻中间时间中丢失的数据或者异常数据，则t+nΔt的负荷数值利用线性插值法计算为：

具体的，对数据归一化处理以统一不同数据的单位量纲，使其负荷标准化，以便于后续计算。本发明实例中采用Min-max方法对数据进行归一化处理，具体公式如下：

其中x

具体的，本发明的实施例中将数据集划分为70％训练集、15％验证集和15％的测试集。

具体的，本发明采用平均绝对百分比误差MAPE计算Bi-LSTM和GRU模型的预测损失，MAPE的计算公式如下：

其中，n为样本个数；y

根据Bi-LSTM和GRU模型的预测值的损失比搭建Bi-LSTM-GRU模型，所搭建的Bi-LSTM-GRU模型的预测值对应的具体公式如下：

其中：y’

Bi-LSTM-GRU模型的参数至少包括迭代次数，学习率以及神经元节点。对根据预测值损失比所搭建的Bi-LSTM-GRU模型的参数进行优化，具体优化过程如下：

(2)根据麻雀搜索算法对Bi-LSTM-GRU模型的参数进行寻优处理，得到优化后的Bi-LSTM-GRU模型参数；

(3)将优化后的Bi-LSTM-GRU模型超参数搭建Bi-LSTM-GRU预测模型进行训练预测。

具体的，在本实施例中，利用麻雀搜索算法对根据预测值损失比所搭建的Bi-LSTM-GRU模型超参数进行寻优，包括对所搭建Bi-LSTM-GRU模型的迭代次数、学习率、批处理数量，神经元节点数等超参数进行寻优处理；最后根据历史负荷数据对麻雀搜索算法优化后的Bi-LSTM-GRU模型进行训练预测，使得工业负荷的预测精度大幅提升，且能较好的捕获历史工业负荷数据的时间序列特征。

作为优选的实施方式，其中如图3所示，步骤(2)具体包括：

(2.1)采用麻雀搜索算法，对麻雀搜索算法的种群大小、迭代次数、发现者占比以及警戒阈值作初始化设定。

具体的，上述麻雀搜索算法的种群大小、迭代次数、发现者占比以及警戒阈值的初始化设定可根据实际需要设置，在此不赘述。

(2.2)对所搭建的Bi-LSTM-GRU模型所要寻优的参数作为麻雀搜索算法的几个搜索维度，并设置对应的搜索范围，对所述麻雀搜索算法所设置的种群中的每只麻雀对应的搜索维度进行初始化处理。

具体的，上述所搭建的Bi-LSTM-GRU模型的寻优参数的范围设定可根据实际需要设置，在此不赘述。

(2.3)计算所述麻雀搜索算法的每只麻雀的适应度值，根据适应度值划分所述麻雀搜索算法的发现者和追随者，并对麻雀种群的发现者，追随者以及侦察者的位置进行更新；

(2.4)判断当前个体的适应度值是否由于全局最优适应度值：

若是，则更新全局最优适应度值以及该个体所对应的全局最优位置；

若否，则全局最优适应度值以及全局最优位置不作变化。

(2.5)判断所述麻雀搜索算法的迭代次数是否已经达到所设置的最大迭代次数：

若是，则结束迭代，并输出所记录的全局最优位置，作为所述神经网络模型的最优超参数；

若否，则返回步骤(2.3)。

优选地，所述步骤(2.3)中，采用均方误差MSE(mean squared error)作为适应度函数来计算所述步骤(2.3)中的适应度值，计算公式如下：

其中：n为样本个数；y

其中，X

优选地，所述步骤(2.3)中，采用如下公式来更新追随者的位置：

其中，X

优选地，所述步骤(2.3)中，采用如下公式来更新侦察者的位置：

其中X

具体的，在本实施例中根据迭代结束后的全局最优位置得出所要优化的Bi-LSTM-GRU模型的最优超参数，将最优超参数代入所搭建的Bi-LSTM-GRU模型，利用历史工业负荷数据集中的数据对所搭建的优化后的模型进行训练预测。

本发明还提供了一种基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测的系统，应用于如上述的基于SSA优化Bi-LSTM-GRU模型实现工业用户负荷预测的方法，如图4所示，包括：

数据获取单元，用于对工业用户的历史电力负荷数据进行获取；

模型建立单元，连接所述数据获取单元，包括对所述数据获取单元所获得的工业负荷对模型进行建立，并根据Bi-LSTM和GRU模型的预测值的损失比搭建Bi-LSTM-GRU模型；

计算处理单元，分别连接所述数据获取单元和模型建立单元，对工业用户的历史负荷数据集中的数据进行数据的预处理以及对所搭建好的Bi-LSTM-GRU模型的数据进行计算处理；

寻优处理单元，分别连接所述计算处理单元和模型建立单元，用于根据麻雀搜索算法对所述Bi-LSTM-GRU模型的超参数进行寻优处理，得到所述Bi-LSTM-GRU模型的最优超参数；

模型训练和预测单元，分别连接计算处理单元和寻优处理单元，用于根据所述预处理后的数据集对所述优化后的Bi-LSTM-GRU模型进行训练并对工业负荷进行预测。

本发明还提供了一种计算机设备，包括存储器和处理器，所述的存储器存储有计算机程序，所述的存储器中存储的计算机程序在所述的处理器中执行时能够实现上述方法及步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述的处理器执行所述的计算机程序时能能够实现上述方法及步骤。

应该理解的是，本发明是按照本发明的实施例的方法及系统、计算机设备及可读存储介质的流程图和方框图来描述的，因此虽然本发明中实施例的流程图各个步骤按照箭头指示顺序依次执行，但是并不代表各实施例这些步骤必须按照箭头指示依次执行，这些步骤也可以按照其他顺序执行，各实施例中的各步骤也可以包含多个子步骤执行，这些子步骤也不一定是依次执行的，而是可以与其他步骤或者其子步骤轮流或者交替执行。

本领域内技术人员应该明白，本发明的实施例可提供为方法、系统、或者计算机设备及可读存储介质，实现上述实施例方法中的全部或者部分流程是可以通过计算机程序来完成。因此本发明可以采用完全硬件实施，也可以采用完全软件实施，或者软硬件结合实施，这些计算机程序指令可以装载到计算机设备上也可存储到能引导计算机设备以特定方式工作的计算机可读存储器中，本发明所涉及的可以运行计算机程序的存储介质包含但不限于磁盘存储器、只读存储器(ROM)、随机存取存储器(RAM)等。

采用上述技术方案具有如下优点或有益效果：本发明根据预测损失比搭建Bi-LSTM-GRU模型对工业负荷进行预测，综合了两种模型的预测效果，并且基于麻雀搜索算法对Bi-LSTM-GRU模型的超参数进行寻优，解决了凭经验手动寻优的不确定性，以及较弱的泛化能力，本发明阐述了一种有效结合不同神经网络模型对工业负荷进行预测的新思路，并且通过机器学习算法动态调参来降低模型寻参的不确定性，提升了神经网络模型的预测精度和训练速度，能够很好地对工业负荷数据进行预测。

以上所述仅为本发明的较佳实例，并非对本发明的实施方式及保护范围的限制，对本领域的技术人员应该理解：凡是运用了本发明的说明书以及图示内容，对本发明的具体实施步骤进行了修改或者同等替换的，均是在本发明的保护范围内。