【技術實現步驟摘要】
本專利技術屬于電力系統負荷預測，尤其涉及一種基于cnn-bigru-attention的電力負荷區間預測方法。
技術介紹
1、隨著電力系統的不斷發展和電力需求的復雜化，電力負荷預測在電力系統的規劃、調度和運行中扮演著至關重要的角色。準確的電力負荷預測能夠幫助電網實現更高效的能源調度和優化，從而降低運行成本，提高電力系統的穩定性。然而，由于電力負荷數據通常表現出明顯的非線性、時變性以及季節性等特點，傳統的預測方法在處理這些復雜性時往往存在精度不足、泛化能力有限等問題。
2、近年來，深度學習技術在時間序列預測中取得了顯著進展，其中卷積神經網絡(cnn)和雙向門循環神經網絡(bigru)被廣泛應用于特征提取和時序依賴性捕捉。然而，現有方法大多針對點預測，無法有效應對電力負荷預測中的不確定性問題。而區間預測不僅能夠提供預測值，還能給出預測值的上下區間，更適合實際電力負荷的波動和不確定性場景。
3、因此，亟需一種能夠有效處理電力負荷時序數據復雜性的算法，不僅能夠精確預測負荷點值，還能給出合理的預測區間，從而提高電力系統調度的智能化水平和適應性。基于此，本專利技術提出了一種基于cnn-bigru-attention的電力負荷區間預測算法，首次將該算法應用于電力負荷區間預測，解決現有技術的不足。
技術實現思路
1、本專利技術所要解決的技術問題在于提供一種基于cnn-bigru-attention的電力負荷區間預測方法，能夠有效應對電力負荷時序數據復雜性和不確定性問題，以提
2、本專利技術是這樣實現的，
3、一種基于cnn-bigru-attention的電力負荷區間預測方法，該方法包括：
4、s1使用卷積神經網絡cnn提取電力負荷時間序列的局部特征，以捕捉時序數據中的局部模式；
5、s2通過雙向門控循環單元bigru捕捉前向和后向的時間依賴性；
6、s3應用注意力機制對雙向門控循環單元bigru輸出的特征進行權重分配；
7、s4使用分位數回歸層來生成不同置信度下的預測區間。
8、進一步地，s1中，在卷積神經網絡cnn中，卷積層的具體操作為：
9、
10、其中表示第l層輸入的特征圖矩陣，表示第l層卷積核的權重矩陣、表示第l層的偏置項，i是卷積核的標號，j是卷積層的標號，卷積操作具體的二維形式表達：
11、
12、其中m和n是卷積核的尺寸，i，j是卷積操作中的步長，x表示特征圖在卷積操作過程中該處的像素值，w則表示該處的權重，m與n分別表示卷積核在特征圖上移動的行和列的偏移量。
13、進一步地，池化層的公式如下：
14、
15、其中p(i，j)是池化后的結果，最大池化操作選擇局部區域內的最大值。
16、進一步地，對于雙向門控循環單元bigru，前向和后向gru的展開為：重置門：
17、
18、
19、更新門：
20、
21、
22、候選隱狀態：
23、
24、
25、前向和后向的隱狀態輸出為：
26、
27、
28、最終的雙向門控循環單元bigru隱狀態輸出為：
29、
30、其中，σ表示sigmoid函數，tanh表示雙曲正切激活函數，w，u表示權重矩陣，x表示時間步的輸入，h表示隱藏狀態的輸入，b表示偏置，變量上標forward表示前向，backward表反向，變量下標r、z、h分別表示屬于重置門、更新門、候選隱狀態，下標t表示時間點。
31、進一步地，應用注意力機制attention根據輸入的隱狀態計算注意力權重，公式描述如下：
32、注意力打分：
33、et＝vttanh(whht+bh)???????????????????(12)
34、其中，wh是可訓練的權重矩陣，bh是偏置，v是注意力向量。ht含義ht就是上一步驟，也即雙向門控循環單元bigru的最終隱狀態輸出結果；
35、注意力權重：
36、
37、加權和：
38、
39、進一步地，s4中分位數回歸層中假設：是模型在分位數t下的預測值，真實值為y，分位數回歸的損失函數表示為：
40、
41、當τ接近0，低估的損失權重較大；而當τ(接近1，高估的損失權重較大，通過最小化失函數，模型為指定的分位數τ成相應的預測值。
42、進一步地，所述分位數回歸的損失函數：
43、τ∈(0,1)表示目標的分位數，τ＝0.025代表下2.5％的分位數預測值，τ＝0.975代表上97.5％的分位數預測值。
44、當時，損失為τ倍的誤差當時，損失為(1-τ)倍的誤差
45、上下預測區間計算公式：
46、假設目標的下限分位數為τ1，上限分位數為τ2，預測區間表示為：
47、。
48、進一步地，分位數回歸通過最小化加權后的絕對誤差來優化模型參數，給定一組觀測值((xi，yi)和對應的分位數τ，分位數回歸問題為如下形式：
49、
50、其中是模型的線性回歸預測值。
51、與現有技術相比，有益效果在于：
52、1本專利技術將cnn、bigru和注意力機制結合，既能夠提取電力負荷時間序列中的局部特征，又能捕捉前后依賴性，并通過注意力機制重點突出關鍵特征，有效提高預測精度；
53、2相較于傳統的點預測方法，本專利技術能夠生成負荷的區間預測結果，適應電力負荷的波動性和不確定性；
54、3本專利技術通過深度學習技術進行自動優化，減少了人工干預，具有更好的自適應性和廣泛的應用前景。
本文檔來自技高網...【技術保護點】
1.一種基于CNN-BiGRU-Attention的電力負荷區間預測方法，其特征在于，該方法包括：
2.根據權利要求1所述的基于CNN-BiGRU-Attention的電力負荷區間預測方法，其特征在于，
3.根據權利要求1所述的基于CNN-BiGRU-Attention的電力負荷區間預測方法，其特征在于，池化層的公式如下：
4.根據權利要求1所述的基于CNN-BiGRU-Attention的電力負荷區間預測方法，其特征在于，
5.根據權利要求1所述的基于CNN-BiGRU-Attention的電力負荷區間預測方法，其特征在于，
6.根據權利要求1所述的基于CNN-BiGRU-Attention的電力負荷區間預測方法，其特征在于，
7.根據權利要求6所述的基于CNN-BiGRU-Attention的電力負荷區間預測方法，其特征在于，
8.根據權利要求7所述的基于CNN-BiGRU-Attention的電力負荷區間預測方法，其特征在于，
【技術特征摘要】
1.一種基于cnn-bigru-attention的電力負荷區間預測方法，其特征在于，該方法包括：
2.根據權利要求1所述的基于cnn-bigru-attention的電力負荷區間預測方法，其特征在于，
3.根據權利要求1所述的基于cnn-bigru-attention的電力負荷區間預測方法，其特征在于，池化層的公式如下：
4.根據權利要求1所述的基于cnn-bigru-attention的電力負荷區間預測方法，其特征在于，...
【專利技術屬性】
技術研發人員：王寶石，羅述成，龐新富，孫天賀，錢小毅，
申請(專利權)人：沈陽工程學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。