本發(fā)明涉及電力負荷預測，具體涉及到一種用于短期電力負荷的預測評價方法。

背景技術：

1、電力負荷預測在電力系統(tǒng)運行和電力市場交易中具有至關重要的作用。電力負荷預測對于系統(tǒng)運營、調度、電力市場的日常交易和資源分配都起著關鍵的作用。對于電力系統(tǒng)運營而言，負荷預測可以有效指導電網的供電和供熱計劃，確保電力系統(tǒng)的穩(wěn)定性和可靠性。對于電力市場交易，準確的負荷預測可以幫助市場參與者更精準地決定電力購買和出售策略，減小交易風險，提高經濟效益。電力負荷是由許多復雜的因素決定的，如天氣條件、節(jié)假日、經濟發(fā)展水平和用戶行為等。這些因素使得電力負荷呈現(xiàn)出高度的非線性和不穩(wěn)定性。此外，電力負荷還受到隨機性因素的影響，如突發(fā)事件和用戶行為的隨機性。這些都使得電力負荷預測變得具有挑戰(zhàn)性。

2、因此，如何構建一種可以處理電力負荷數(shù)據(jù)的非平穩(wěn)性和復雜性的預測模型,?實現(xiàn)對電力負荷數(shù)據(jù)的高效預測,是本領域技術人員急需解決的問題。

技術實現(xiàn)思路

1、本發(fā)明的目的在于至少解決現(xiàn)有技術中存在的技術問題之一，提供一種用于短期電力負荷的預測評價方法。

2、為實現(xiàn)上述目的，本發(fā)明采用的技術方案如下：一種用于短期電力負荷的預測評價方法，具體包括以下步驟：

3、步驟1，獲取相關歷史電力負荷數(shù)據(jù)以及對應的電力負荷影響因素，并對所述歷史電力負荷數(shù)據(jù)進行預處理并分解；

4、步驟2，對所述電力負荷影響因素進行分析并選取相關性強的影響因素作為強相關性特征；

5、步驟3，引入attention機制，利用ivya算法對gru中的超參數(shù)進行迭代尋優(yōu)，基于gru的最佳超參數(shù)組合構建ivya-gru-attention的電力負荷預測模型；

6、步驟4，將分解好的所述歷史電力負荷數(shù)據(jù)和所述強相關性特征輸入所述電力負荷預測模型，得到各分量的預測結果；將得到的各分量預測結果進行疊加得到最終的預測結果；

7、步驟5，對預測結果進行評價。

8、進一步的，在所述步驟1中，具體包括：

9、步驟1.1，對所述歷史電力負荷數(shù)據(jù)進行預處理；

10、對所述歷史電力負荷數(shù)據(jù)和所述電力負荷影響因素數(shù)據(jù)進行歸一化處理：

11、???????（1）；

12、其中，為原始負荷值和影響因素值，為歸一化后的負荷值和影響因素值，和分別為原始負荷數(shù)據(jù)和影響因素數(shù)據(jù)的最大值和最小值；

13、步驟1.2，對預處理后的歷史電力負荷數(shù)據(jù)進行分解；

14、采用sgmd分解對負荷序列進行分解，將其分解成多個模態(tài)分量imf，具體算法如下：

15、相空間重構：

16、假設時序信號，由takens定理的嵌入式思想可得：

17、???????????（2）；

18、其中，為時序信號的長度，為差值維數(shù)，為延遲因子，為維向量的個數(shù)，；

19、辛幾何矩陣變換：

20、假設構造哈密頓矩陣：

21、??????????（3）；

22、令，構造辛幾何矩陣：

23、???????????（4）；

24、其中，為上三角矩陣，矩陣中元素；

25、矩陣的特征值為；矩陣的特征值為，與之對應的特征向量；

26、原相空間重構矩陣，由各個單分量矩陣組成；

27、??????????????????（5）；

28、其中，；；

29、對角平均：

30、對任意，為矩陣中的元素；令為一個的矩陣，中的元素用表示，令，，如果，，否則，利用對角平均公式將矩陣y轉換成序列，；

31、??????????（6）；

32、通過對角平均處理，將原始負荷序列分解成組長度為的序列，即辛幾何模態(tài)分量；

33、計算sgmd分解的各個模態(tài)分量的相關系數(shù)，按系數(shù)大小賦以權重大小，輸出各模態(tài)分量，將各分量預測結果進行權重疊加輸出最終預測結果。

34、進一步的，在所述步驟2中，具體包括：

35、所述電力負荷影響因素包括溫度、濕度、云類型、降水量、露點、風速、風向、氣壓、地表反照率；

36、通過組合的斯皮爾曼系數(shù)法和relief-f權重法，以選取所述強相關性特征。

37、進一步的，在所述步驟3中，具體包括：

38、采用門控循環(huán)單元gru，處理輸入序列的非線性關系，捕捉所述步驟1中預處理后的歷史電力負荷數(shù)據(jù)中存在的長期依賴關系；其計算過程為：

39、??（7）；

40、其中，、、、、、分別為輸入信息、重置門狀態(tài)、更新門狀態(tài)、上一時刻的網絡記憶變量、當前時刻的網絡記憶變量、候選集隱藏狀態(tài)；為對應門和候選集的權重矩陣；

41、引入attention機制，將所述步驟2中選取的強相關性特征作為輸入，對gru輸出狀態(tài)分配不同的權重，以突出電力負荷相關的關鍵特征，其注意力機制的轉化過程為：

42、?????（8）；

43、??（9）；

44、????（10）；

45、其中，和分別為注意力概率分布和注意力權重；和為權重矩陣；為偏置系數(shù)；為求和函數(shù)的求和項；為注意力層時刻的輸出；

46、利用ivya算法對gru中的超參數(shù)進行迭代尋優(yōu)；

47、最后基于gru的最佳超參數(shù)組合構建ivya-gru-attention的電力負荷預測模型。

48、進一步的，所述利用ivya算法對gru中的超參數(shù)進行迭代尋優(yōu)的具體步驟為：

49、優(yōu)化參數(shù)為gru的初始學習率，隱藏層神經元個數(shù)；

50、初始化ivya算法的參數(shù)值，包括搜索空間的下限、搜索空間的下限、最大迭代次數(shù)、維度和種群規(guī)模；

51、由式計算常春藤植物的初始數(shù)量；其中，向量和分別表示離散時間系統(tǒng)在時刻和時刻的增長率；表示隨機變量的隨機數(shù)，其概率密度函數(shù)等于；表示維數(shù)為的隨機向量，其分量是來自標準高斯分布的隨機數(shù)；表示第個種群成員；表示搜索空間中種群總數(shù)量；表示兩個向量的元素積；

52、代入，由式計算；其中，為新成員的增長率，表示hadamard除法；

53、計算初始種群中所有成員的適應度目標函數(shù)值并設置；其中，表示向量集從最好的向最壞的排序；

54、計算隨機參數(shù)；由式計算時的值；

55、若，則常春藤拓展葉子的寬度，；其中，為適應度目標函數(shù)；為種群成員通過搜索空間全局漫游找到最近的鄰居；

56、若，則常春藤向上生長，爬升，；

57、重復對gru中的超參數(shù)進行迭代尋優(yōu)，直至達到最大迭代次數(shù)；

58、提取最優(yōu)解。

59、進一步的，在所述步驟4中，具體包括：

60、將電力負荷的數(shù)據(jù)集劃分為訓練集和測試集，使用70%的數(shù)據(jù)集作為訓練集，30%的數(shù)據(jù)集作為測試集，調用電力負荷預測模型對未來一個月的用電負荷量進行預測，輸出各分量預測值，將各分量預測結果進行疊加輸出最終預測結果。

61、進一步的，在所述步驟5中，具體包括：

62、選取平均絕對百分比誤差、均方根誤差和擬合度值作為電力負荷模型的預測精度的評價指標；

63、評價指標為mae平均絕對百分比誤差時，指標數(shù)值越接近0表示模型預測結果越準確；

64、評價指標為rmse均方根誤差時，誤差值越接近于0表示誤差越小，預測值與真實值的離散程度越小；

65、評價指標為擬合度值時，越接近于1表示模型預測效果越好。

66、由上述對本發(fā)明的描述可知，與現(xiàn)有技術相比，本發(fā)明的用于短期電力負荷的預測評價方法包括以下有益效果：

67、1、本發(fā)明利用sgmd分解算法將原始負荷信號分解成若干個imfs，能夠更好的處理負荷序列的非線性和不平穩(wěn)性，根據(jù)各個模態(tài)分量的相關系數(shù)大小進行加權，突出原始電力負荷序列的關鍵信息，有效提升負荷預測的準確性；

68、2、本發(fā)明組合兩種不同的特征選擇算法，斯皮爾曼系數(shù)法和relief-f權重法，對影響電力負荷的多種特征進行篩選；

69、3、本發(fā)明將gru神經網絡與注意力機制相結合搭建gru-attention模型，既能利用gru處理復雜關系的能力，又利用注意力機制賦予不同輸入特征以不同的權重，突出電力負荷相關的關鍵特征，并采用ivya算法優(yōu)化gru網絡的超參數(shù)，利用優(yōu)化得到最佳預測模型進行負荷預測，從而進一步提升負荷預測的準確性。