【技术实现步骤摘要】
本专利技术专利设计一种基于gru神经网络的分布式资源出力预测方法。
技术介绍
0、技术背景
1、当前能源结构转型背景下，分布式资源在电力系统中的占比逐渐增高。但分布式资源受地理位置、气候情况等影响，具有随机性和不确定性，这给电力系统稳定运行带来了新的挑战。通过对分布式资源出力情况进行预测，可为分布式资源参与电网互动提供科学规划，保障电网稳定高效运行。
2、分布式资源出力受气候、日期类型、电价等多种因素影响，且各因素的产生具有随机性，但通过大量数据的统计，运用科学合理的方法，可以挖掘分布式资源出力潜在的周期规律性。传统的负荷预测方法存在可靠性低、精准度低、计算量大等问题。gru神经网络模型可以将历史数据所产生的影响关联到当前的训练学习过程中，从而更加全面、高效的对分布式资源出力数据进行分析学习，精准、快速得到理想的预测效果，为电力系统各环节的稳定运行提供保障。
技术实现思路
1、本专利技术属于电力系统负荷预测的
，具体涉及一种基于gru神经网络的分布式资源出力预测方法，用于更精准高效地预测分布式资源出力。分布式资源出力的随机性、不确定性，本专利考虑对分布式资源出力进行精准快速预测，首先预处理分布式资源出力历史数据，并划分训练集与测试集；确定gru神经网络模型结构，并进行初始化，将训练集数据作为gru神经网络模型的输入，经训练获得分布式资源出力预测值，计算预测误差，然后通过改进粒子群算法优化gru神经网络模型中的权重参数，得到最优gru神经网络模型，以实现
2、本专利技术采用以下方案实现：一种基于gru神经网络的分布式资源出力预测方法，具体包括以下步骤：
3、步骤101：对分布式资源出力历史数据预处理，包括异常数据修正、遗漏数据补充、数据归一化处理，将经预处理后的数据作为gru预测模型输入。
4、步骤102：gru神经网络分为输入层，隐含层和输出层，其中隐含层。gru基本单元中x为输入，y为输出，h为隐含层状态，ht为t时刻隐含层的状态，ht-1为t时刻之前的隐含层的状态，ht+1为t时刻之后的隐含层的状态。gru神经网络的循环体单元中包含重置门rt和更新门zt两个门控机制。
5、步骤103：使用训练集训练gru神经网络模型；
6、输入训练集数据，由式(1)(2)分别计算更新门、重置门输出：
7、zt＝δ(wzxt+pzht-1) (1)
8、rt＝δ(wrxt+prht-1) (2)
9、其中其中δ为sigmoid激活函数，wz、pz为更新门的权重，wr、pr重置门的权重，xt为当前神经元输入，ht-1为上一神经元输出。
10、由式(3)计算当前隐含层的激活状态：
11、
12、其中⊙为矩阵的hadamard积，为tanh激活函数。
13、当前隐含层状态可表示为：
14、
15、神经网络输出可表示：
16、y＝δ(wyht) (5)
17、其中wy为权重。
18、计算基于gru神经网络的分布式资源出力的预测误差：
19、
20、其中yt表示分布式资源出力真实值，yt表示预测值。
21、步骤104：初始化改进粒子群算法：
22、gru的初始权值参数构成粒子群个体，假设搜索空间为d维，搜索空间存在n个粒子，第i个粒子位置为xi＝(xi1,xi2,...,xid)t、速度是vi＝(vi1,vi2,...,xid)t。个体最优位置是pbesti＝(pbesti1,pbesti2,...,pbestid)t，全局最优位置是gbesti＝(gbesti1,gbesti2,...,gbestid)t。
23、设定算法参数，初始化粒子群得到初始种群，设置初始个体最优位置为pbest，初始全局最优位置为gbest；
24、步骤105：基于改进粒子群算法优化gru神经网络中的权重参数wz、pz、wr、pr、w、p、wy，优化目标为均方根误差最小的gru对应的粒子；
25、步骤106：采用优化后的gru模型对预测样本数据进行预测。
26、2.根据权利要求1所述的一种基于gru神经网络的分布式资源出力预测方法，其特征在于：所述基于改进粒子群算法对优化gru神经网络中的权重参数具体步骤如下：
27、step1.计算每个粒子对应的gru预测结果，取均方根误差作为改进粒子群算法的适应度函数求解粒子距离全局最优粒子gbest的距离，粒子距离全局最优粒子gbest越近，表明粒子越好：
28、
29、其中，xid表示第i个粒子的位置，k为迭代次数。
30、step2.根据对每次迭代后粒子进行排序划分；
31、step3.迭代更新粒子位置及粒子速度：
32、
33、
34、其中c1、c2分别为个体学习因子，社会学习因子，r1、r2为[0,1]之间的随机数，ω为惯性权重。
35、step4.根据式(10)更新惯性权重ω：
36、
37、其中，k为当前迭代次数，ωmax为初始惯性权重系数的最大值，ωmin为结束迭代时惯性权重系数的最小值。
38、step5.由式(8)(9)更新粒子位置及粒子速度。
39、step6.求解各粒子适应度f，更新pbest，gbest。
40、step7.判断是否达到终止条件，即迭代次数k＝30。若达到则输出最优适应度值，结束算法，否则返回step2重新进行迭代。
本文档来自技高网...【技术保护点】
1.一种基于GRU神经网络的分布式资源出力预测方法，其特征在于：所述分布式资源出力预测包含：
2.根据权利要求1所述的一种基于GRU神经网络的分布式资源出力预测方法，其特征在于：所述基于改进粒子群算法对优化GRU神经网络中的权重参数具体步骤如下：
【技术特征摘要】
1.一种基于gru神经网络的分布式资源出力预测方法，其特征在于：所述分布式资源出力预测包含：
2.根据权利要求1所述的...
【专利技术属性】
技术研发人员：李彬，郭慧芳，吴丹，雷珽，郑庆荣，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。