本發(fā)明屬于電力系統(tǒng)下的負荷預測領(lǐng)域，具體涉及基于改進特征處理的混合模型居民臺區(qū)負荷預測方法。

背景技術(shù)：

1、沙貓群優(yōu)化算法(sand?cat?swarm?optimization，scso)是由amir?seyyedabbasi和farzad?kiani于2022年提出的一種新的元啟發(fā)式算法。沙貓群優(yōu)化模擬了沙貓的兩個主要行為：搜尋獵物和攻擊獵物。

2、多頭注意力機制(multi-head?attention，mha)的核心思想是將輸入序列拆分成多個子序列，然后對每個子序列進行獨立的注意力計算，最后將這些子序列的輸出拼接在一起得到最終的輸出。這樣做使得模型可以在不同的關(guān)注方向上學習不同的特征表示，從而提高模型的泛化能力和表達能力。

3、門控循環(huán)單元(gated?recurrent?unit，gru)，是一種常用的門控循環(huán)神經(jīng)網(wǎng)絡。它使用更新門(update?gate)替換了lstm中的輸入門和遺忘門，并且引入了重置門(resetgate)的概念，從而在更少參數(shù)、更小的計算開銷下達到了和lstm網(wǎng)絡相似的效果，并且訓練速度更快。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明提出一種基于改進特征處理的混合模型負荷預測方法，提高了居民臺區(qū)多特征負荷數(shù)據(jù)預測的精度。

2、技術(shù)方案：本發(fā)明提出的一種基于改進特征處理的混合模型負荷預測方法，包括以下步驟：

3、(1)采用本發(fā)明提出的一種新型周期特征映射方法，將月份周期、小時周期數(shù)字化用于替換季節(jié)特征，并利用距離相關(guān)系數(shù)進行特征篩選，挖掘與負荷數(shù)據(jù)相關(guān)性強的影響因素；

4、(2)采用基于scso優(yōu)化的高頻濾波算法，對負荷數(shù)據(jù)中的高頻分量進行濾除，得到濾波后負荷數(shù)據(jù)；

5、(3)搭建smg混合預測模型，在模型中引入了多頭自注意力機制用于捕捉多特征，并通過scso算法對模型學習率進行尋優(yōu)，然后將經(jīng)過步驟1篩選得到的特征數(shù)據(jù)與步驟2得到的濾波后負荷數(shù)據(jù)一起進行歸一化處理并輸入模型進行預測；

6、所述步驟(1)包括以下步驟：

7、(11)首先計算負荷數(shù)據(jù)月周期映射后的特征值scast，公式如下所示：

8、

9、式中：periodm為負荷數(shù)據(jù)月特征的周期值，取值12；m為每年月份，取值范圍為[1，12]；a為縮放系數(shù)，取值10。

10、(12)然后計算負荷數(shù)據(jù)小時周期映射后的特征值dcast，公式如下所示：

11、

12、式中：periodd為負荷數(shù)據(jù)小時特征的周期值，取值24；d為每日小時數(shù)，取值范圍為[0，23]。

13、(13)最后將兩個特征值疊加得到映射后周期特征值sdcast，公式如下所示：

14、sdcast＝scast+dcast

15、所述步驟(2)包括以下步驟：

16、(21)取出負荷數(shù)據(jù)記為x(n)；

17、(22)計算負荷數(shù)據(jù)的頻率軸fk，即，其中n為時序數(shù)據(jù)長度，公式如下所示：

18、

19、式中：j為序列的索引，n為序列的長度，t1和t0分別為時序數(shù)據(jù)的第一個和第二個時間點，為了方便后續(xù)算法尋優(yōu)，將頻率軸放大1000倍。

20、(23)對負荷數(shù)據(jù)進行快速傅里葉變換(fft)，得到頻域信號xk，公式如下所示：

21、

22、式中：xn表示負荷數(shù)據(jù)的時域信號，xk表示負荷數(shù)據(jù)的頻域信號，n表示信號的長度，k表示負荷數(shù)據(jù)頻域信號的下標。

23、(24)初始化濾波閾值t，然后計算預測值與原始負荷的r2值，公式如下所示，并將此r2值作為scso算法的適應度函數(shù)參與尋優(yōu)，得到最佳閾值tbest。

24、

25、式中：x表示原始負荷值，表示真實負荷平均值，表示每一時刻濾波后負荷值。

26、(25)將所有頻率絕對值大于最佳閾值tbest的負荷數(shù)據(jù)置為零，公式如下所示：

27、xk＝0，|fk|＞tbest

28、(26)對濾波后的頻域負荷數(shù)據(jù)進行反傅里葉變換(ifft)，得到濾波后的時域負荷數(shù)據(jù)公式如下所示：

29、所述步驟(3)包括以下步驟：

30、(31)使用篩選得到的周期特征sdcast、溫度t、太陽輻射sr與濾波后負荷數(shù)據(jù)組成數(shù)據(jù)集然后對該數(shù)據(jù)集進行min-max歸一化，消除量綱不同對深度學習訓練的影響。

31、(32)搭建gru網(wǎng)絡，并在gru網(wǎng)絡中添加mha層用于捕捉多個輸入特征之間的復雜關(guān)系、提取負荷數(shù)據(jù)中的長期依賴，然后使用scso算法對深度學習的學習率進行尋優(yōu)。

32、(33)使用最優(yōu)參數(shù)的smg混合預測模型得到負荷預測結(jié)果xpred。

33、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點和有益效果：

34、1、本發(fā)明提出的周期特征映射方法得到的周期特征sdcast相對于傳統(tǒng)季節(jié)映射方法映射得到的季節(jié)特征與負荷數(shù)據(jù)的相關(guān)性有著明顯的提高，距離相關(guān)系數(shù)達到了0.65。

35、2、本發(fā)明提出的基于scso優(yōu)化的高頻濾波方法不僅有效降低了原始負荷數(shù)據(jù)的噪聲，又不會對預測精度產(chǎn)生較大損失，有效提高了模型的擬合能力和預測精度。

36、3、本發(fā)明搭建的smg混合預測模型，通過在gru網(wǎng)絡中引入mha層，提升了模型捕捉多輸入特征之間關(guān)系與長期依賴的能力。

技術(shù)特征：

1.一種基于改進特征處理的混合模型負荷預測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于改進特征處理的混合模型負荷預測方法，其特征在于，所述步驟(1)包括以下步驟：

3.根據(jù)權(quán)利要求1所述的一種基于改進特征處理的混合模型負荷預測方法，其特征在于，步驟(2)所述的基于scso優(yōu)化的高頻濾波算法步驟如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于改進特征處理的混合模型負荷預測方法，首先利用基于SCSO算法改進的濾波算法對負荷數(shù)據(jù)中高頻噪聲進行濾除；然后使用周期特征映射法得到負荷數(shù)據(jù)的周期特征，并與其他特征組成訓練集與測試集；最后搭建SCSO?MHA?GRU混合預測模型，在GRU網(wǎng)絡中引入多頭自注意力層MHA，提高捕捉多特征間聯(lián)系的能力，并使用SCSO算法尋優(yōu)學習率；將所需預測的數(shù)據(jù)，載入已訓練好的SCSO?MHA?GRU混合模型對未來時刻的負荷值進行預測。本發(fā)明針對低壓居民臺區(qū)短期負荷預測，采用改進特征處理的混合模型對未來1小時的負荷值進行預測，實驗表明有效提高低壓居民臺區(qū)多特征負荷數(shù)據(jù)預測精度。

技術(shù)研發(fā)人員：周雪華,曹寧,嚴錫君
受保護的技術(shù)使用者：河海大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26