基于改进GRU和差分误差补偿的冲击性负荷预测方法

技术领域

本发明属于冲击性电力负荷预测技术领域，具体涉及一种基于改进GRU和差分误差补偿的冲击性负荷预测方法。

背景技术

近年来随着分布式发电机、电动汽车、储能等资源逐渐接入智能电网用电侧，增强了供电侧与需求侧的实时交互，对于将需求侧可控负荷资源和发电侧资源纳入智能电网调度具有重要意义。智能电网调度不仅可以全面优化整个电力系统的资源配置，降低高峰时段负荷接入的供电压力，节省扩建电厂和采购输电设施的成本，还可以稳定新能源发电一体化的影响和波动。然而大量的负荷接入会对电网造成冲击性损伤，因此，准确的冲击性电力负荷预测对于电力系统的调度和电网的稳定运行均具有重要意义。

在负荷预测领域，深度学习算法逐渐展现出其优势。长短期记忆网络(LSTM)的输出信息由输入门、遗忘门和输出门共同控制，而门控循环单元(GRU)是一种改进的LSTM，它将遗忘门和输入门集成到一个新的门中，减少了网络参数，提升了模型训练的效率，并且不容易过拟合。但是，门控循环单元通常会忽略负荷序列中的文本信息，并且无法有效捕获负荷序列中的时间序列规则，尤其当冲击性负荷突然接入电网时，单一的门控循环单元无法快速准确地跟踪序列的变化特征。文献《Tang X，Dai Y，Wang T，et al.Short-termpowerload forecasting based on multi-layer bidirectional recurrent neural network[J].IET generation，transmission&distribution，2019，13(17)：3847-3854.》提出了一种基于LSTM和GRU的双向递归神经网络(RNN)模型，此模型可以根据历史和未来时间的负荷信息更好地捕获时间特征，但是在同一层次结构中同时使用LSTM和GRU，这意味着只有在同一层次结构中的语义消息才能被编码，不符合冲击性负荷预测需要对数据信息进行更深层次提炼的要求。

在现有的负荷功率预测方法中，均忽略了在模型迭代训练过程中产生的误差信息，特别是当数据集的特征信息较小时，预测的精度将显著降低。

集成经验模态分解算法(EEMD)(参见文献《陈艳平，毛弋，陈萍，等.基于EEMD-样本熵和Elman神经网络的短期电力负荷预测[J].电力系统及其自动化学报，2016，28(03)：59-64.》)可以将复杂信号分解为相对稳定的模态分量，从而减少不同分量间的相互干扰。此外，EEMD算法还可以将正态分布的白噪声引入原始信号，显著改善模态混叠问题，但是EEMD算法会带来误差累积并增加模型的复杂度。差分分解(DD)方法只需对差分序列进行预测，能够有效避免EEMD算法得到的多个低频分量的预测误差累积。此外，差分分解(DD)方法还能使模型聚焦负荷序列的变化特征，从而使得预测结果更加准确，因此本申请方法对误差序列进行差分分解，预测误差变化量，通过误差变化量对初步预测结果进行补偿。

发明内容

针对现有技术中存在的问题，本发明拟解决的技术问题是，提供一种基于改进GRU和差分误差补偿的冲击性电力负荷预测方法。

本发明解决所述技术问题所采用的技术方案为：

一种基于改进GRU和差分误差补偿的冲击性负荷预测方法，其特征在于，该方法的具体步骤如下：

步骤一、对电力负荷数据进行处理，得到日负荷数据；对日负荷数据进行归一化处理，并将归一化处理后的日负荷数据划分为负荷初步预测的训练集和测试集；

步骤二、建立改进的GRU网络模型，并利用改进的GRU模型对负荷数据进行初步预测，得到初步预测结果；

步骤2-1：改进的GRU网络模型由多层结构相同的反向双层高低级门控循环单元堆叠而成，每层反向双层高低级门控循环单元包括两层反向互补的高低级门控循环单元，每层反向互补的高低级门控循环单元包含多个高低级门控循环单元，每个高低级门控循环单元又包括一个前向低级别门控循环单元和一个后向高级别门控循环单元，前向低级别门控循环单元从前到后读取输入数据信息，后向高级别门控循环单元由后向前再次提炼输入数据信息；

步骤2-2：利用负荷初步预测的训练集对改进的GRU网络模型进行训练，利用负荷初步预测的测试集对预测日的负荷数据进行预测，将预测结果进行反归一化处理得到初步预测结果；

步骤三、将训练过程中生成的误差序列进行反归一化处理，得到训练误差序列；将预测过程中生成的误差序列进行反归一化处理，得到预测误差序列；分别对训练误差序列和预测误差序列进行差分分解，得到训练误差序列和预测误差序列的差分矩阵；

步骤四、重新建立一个改进的GRU网络模型，将训练误差序列和预测误差序列的差分矩阵分别作为误差变化量预测的训练集和的测试集，得到预测日较前一日的误差变化量；利用误差变化量根据式(9)对初步预测结果进行误差补偿，得到最终预测结果；

p

其中，p

步骤2-1中，其中一个高低级门控循环单元的前向低级别门控循环单元的隐含层状态

式(2)中，

式(3)中，

同理，另一个高低级门控循环单元的前向低级别门控循环单元的隐含层状态

其中，

第n层反向双层高低级门控循环单元第t个采样点的输出

第n层反向双层高低级门控循环单元的输出是第n+1层反向双层高低级门控循环单元的输入。

步骤一对电力负荷数据进行处理包括通过马氏平均距离法对异常数据进行筛选并使用均值法对异常数据进行替换，然后将电力负荷数据转换成等时间间隔的日负荷数据。

步骤一还包括对电力负荷数据进行分析，即对日负荷数据进行自相关性分析，验证各采样点的负荷数据具有显著相关性；将所有的电力负荷数据进行STL分解，将所有采样点的负荷数据分解成趋势分量、周期分量和残余分量三项。

步骤三中差分分解的具体过程为：将训练误差序列和预测误差序列分别转化为以天数和每天采样点数为维度的二维矩阵，二维矩阵的行为天数，二维矩阵的列为对应天各个采样点的负荷数据，然后对两个二维矩阵的每一列进行一阶前向差分分解，分别得到训练误差序列的差分矩阵和预测误差序列的差分矩阵。

与现有技术相比，本发明的有益效果是：

1.该方法考虑电力负荷时序特征的不同，以历史负荷数据、日平均温度和日期类型作为模型输入，建立改进的GRU网络模型，即堆叠的反向双层高低级门控循环单元，对预测日的负荷数据进行预测，得到初步预测结果；该改进的GRU网络模型不仅可以为每个时间点的负荷预测提供过去和未来的负荷信息，高低级门控循环单元的结构设计还可以更完善地提取数据信息，而且通过多层网络设计提高了模型的泛化能力。将预测过程中生成的误差序列进行一阶前向差分分解得到差分矩阵，将差分矩阵作为输入并利用另一个改进的GRU网络模型对预测日的负荷数据的误差变化量进行预测，从而得到预测日较前一日的误差变化量，通过误差变化量对初步预测结果进行误差补偿，实现对预测日负荷精确预测。

2.针对电网中波动范围较大且波动频率较高的负荷，本发明利用马氏平均距离法对异常数据进行筛选并使用均值法对异常值进行替换来对负荷数据进行处理，保证了数据集的可靠性。结合实施例预测结果表明，本发明所提方法的预测值与真实值间的平均绝对百分比误差在2.0％以下，对比LSTM算法，平均绝对百分比误差降低了6.07％；对比SBiGRU算法，平均绝对百分比误差降低了4.52％；对比SRDBiGRU预测模型，平均绝对百分比误差降低了3.82％；对比SBiGRU-SBiGRU预测模型，MAPE降低了0.17％，能提高电力负荷预测精度。

3.对误差序列进行差分分解，将误差的预测问题转化为频率较高、幅值较小的误差变化量的预测问题，能使模型聚焦误差序列的变化特征，从而使得预测结果更加准确。

附图说明

图1是本发明的整体流程图；

图2是日负荷数据的自相关性分析结果图；

图3是电力负荷数据的STL分解图；

图4是本发明的改进的GRU网络模型的结构示意图；

图5是误差序列图；

图6是误差序列自相关性分析结果图；

图7是误差序列的STL分解图；

图8是利用本发明方法得到的预测值与真实值对比曲线图；

图9是不同模型的预测结果对比图。

具体实施方式

以下结合具体实施方式和附图对本发明的技术方案作进一步详述，但并不以此限定本申请的保护范围。

本发明为一种基于改进GRU和差分误差补偿的冲击性负荷预测方法(简称方法，参见图1～9)，具体步骤如下：

步骤一、对电力负荷数据进行处理，得到日负荷数据；对日负荷数据进行归一化处理，并将归一化处理后的日负荷数据划分为负荷初步预测的训练集和测试集；

步骤1-1：对电力负荷数据进行处理，即通过马氏平均距离法对异常数据进行筛选并使用均值法对异常数据进行替换，然后将电力负荷数据转换成等时间间隔的日负荷数据；

步骤1-2：对日负荷数据进行自相关性分析，验证各采样点的负荷数据具有显著相关性，验证数据特征满足改进的GRU网络模型的底层逻辑；将所有的电力负荷数据进行STL分解，将所有采样点的负荷数据分解成趋势分量、周期分量和残余分量三项，如图3所示；趋势分量反映了电力负荷数据的变化趋势；周期分量反映了电力负荷数据的周期性，周期性越强预测结果越准确；残余分量反映了电力负荷数据的波动范围，波动范围越小，频率越低，对预测结果影响就越小，预测结果越准确；

步骤1-3：利用式(1)的归一化方法将所有的日负荷数据标准化处理至[0，1]之间；

式(1)中，x

将归一化处理后的日负荷数据划分为负荷初步预测的训练集和测试集；

步骤二、建立改进的GRU网络模型，并利用改进的GRU模型对负荷数据进行初步预测，得到初步预测结果；

步骤2-1：如图4所示，改进的GRU网络模型包含堆叠的反向双层高低级门控循环单元(Stacked Reverse Double Layer High and Low Gated Recurrent Unit，简写为SRDHLGRU)，SRDHLGRU由多层结构相同的反向双层高低级门控循环单元(RDHLGRU)堆叠而成，每层RDHLGRU包括两层反向互补的高低级门控循环单元(HLGRU)，每层反向互补的高低级门控循环单元包含多个HLGRU，每个HLGRU又包括一个前向低级别门控循环单元(GRU)和一个后向高级别门控循环单元，前向低级别门控循环单元从前到后读取输入数据信息，后向高级别门控循环单元由后向前再次提炼输入数据信息；

其中一个高低级门控循环单元的前向低级别门控循环单元的隐含层状态

式(2)中，

前向低级别门控循环单元对

式(3)中，

同理，另一个高低级门控循环单元的前向低级别门控循环单元的隐含层状态

其中，

第n层反向双层高低级门控循环单元的输出是第n+1层反向双层高低级门控循环单元的输入，因此第n层反向双层高低级门控循环单元第t个采样点的输出

步骤2-2：利用负荷初步预测的训练集对改进的GRU网络模型进行训练；

首先，将数据格式转换为式(7)的三维矩阵：

{D

其中，{D

然后，在python软件中构建改进的GRU网络模型，并设置模型参数；利用负荷初步预测的训练集对改进的GRU网络模型进行训练，并利用负荷初步预测的测试集对预测日的负荷数据进行预测，将预测结果进行反归一化处理得到初步预测结果；

步骤三、将步骤二中训练过程中生成的误差序列进行反归一化处理，得到训练误差序列X

步骤3-1：对误差序列进行处理和分析；对训练误差序列X

步骤3-2：将训练误差序列X

步骤四、重新建立一个改进的GRU网络模型，将训练误差序列和预测误差序列的差分矩阵分别作为误差变化量预测的训练集和的测试集，预测误差变化量；利用误差变化量对初步预测结果进行误差补偿，得到最终预测结果；

步骤4-1：将训练误差序列的差分矩阵作为误差变化量预测的训练集，预测误差序列的差分矩阵作为误差变化量预测的测试集；将数据格式转换为：

{D

其中：{D

步骤4-2：然后在python软件中重新构建一个改进的GRU网络模型，并设置模型参数；利用误差变化量预测的训练集对此改进的GRU网络模型进行训练，并利用误差变化量预测的测试集对预测日的负荷数据相较于预测日前一日的误差变化量进行预测，对预测结果进行反归一化得到误差变化量；

步骤4-3：利用误差变化量对步骤二的初步预测结果进行补偿，得到最终预测结果；

p

其中，p

仿真算例：

本算例选取中国南方某市2014年5月1日-2014年8月11日共103天的电力负荷数据，将电力负荷数据转换成15min时间间隔的日负荷数据，故每日包含96个采样点；对所有日负荷数据进行归一化处理，并将归一化处理后的日负荷数据按照比例9:1分为训练集和测试集，即将2014年5月1日-2014年7月31日的日负荷数据作为负荷初步预测的训练集，2014年8月1日-2014年8月10日的日负荷数据作为负荷初步预测的测试集；

选取其中一天的日负荷数据进行自相关性分析，置信区间设为95％，得到图2所示的结果；

在python软件中构建改进的GRU网络模型，并设置模型参数；利用负荷初步预测的训练集对改进的GRU网络模型进行训练，并利用负荷初步预测的测试集对2014年8月11日的负荷数据进行预测；利用负荷初步预测的测试集对含有不同层数的改进的GRU网络模型进行分析，分别以单层、两层、三层和四层反向双层高低级门控循环单元为例进行分析，选取平均绝对百分比误差E

表1不同层数的改进的GRU网络模型的性能对比

由表1可知，当含有两层的反向双层高低级门控循环单元时，平均绝对百分比误差E

利用改进的GRU网络模型对2014年8月11日的负荷数据进行预测，得到初步预测结果；利用误差预测的测试集对2014年8月11日的负荷数据相较于10日的误差变化量进行预测，得到误差变化量，利用误差变化量对初步预测结果进行补偿，得到如图8所示的最终预测结果；由图8可以看出，利用本发明方法得到的负荷值，在数值上，预测值与真实值间差距较小；在负荷值曲线的形态上，能很好的追踪到峰值点和波动较大的部分。

为验证本发明方法的有效性，分别本发明方法与现有技术的长短期记忆网络(LSTM)、堆叠的双向门控循环神经网络(SBiGRU)、堆叠的反向双层双向门控循环神经网络(SRDBiGRU)和基于误差补偿的堆叠双向门控循环神经网络(SBiGRU-SBiGRU)对2014年8月11日的负荷数据进行预测，得到图9所示的负荷值曲线对比图；选用平均绝对百分比误差E

其中，p

表2不同模型的预测性能对比

由表2可知，采用本发明方法的预测结果误差较低，E

以上所述仅是本发明的一个应用场景，凡依本发明申请专利范围所做的均等变化，或者应用到电动汽车上，应属本发明的覆盖范围。本发明未尽事宜为公知技术。