【技术实现步骤摘要】
本专利技术涉及电力系统，尤其涉及一种电网投资预测方法及系统。
技术介绍
1、随着电网自动化和智能化的发展，电网正沿着千伏特高压、交直流混合输电、新能源设备大规模并网接入等方向快速发展。电网的业务结构发生了变化，全社会用电需求持续增加，对电网的建设和投资要求也不断提高。如果电力企业能够及时准确地提前对电网投资进行分析和预测，就可以协调和规划电网建设的投资管理，同时能够提前安排项目计划，降低成本，促进企业的稳定发展，完善投资规划并规划建设过程。
2、预测的探索方法一直是学者们关注的焦点，已经提出了许多预测方法。传统的基于参数估计的预测模型包括回归分析、时间序列预测和灰色模型，这些模型在上个世纪几十年的不断发展中已经建立了成熟的理论基础，并在国内和国外被广泛研究和应用。近年来，随着人工神经网络、机器学习、智能计算等技术的不断发展，这些方法在预测领域已经得到了广泛应用。因此，基于上述单一或组合预测模型的智能算法已经成为预测领域的主流和发展趋势。
3、一些学者提议使用层次分析法和灰色模型来预测电网投资，但这些预测模型过于简单和主观，因此预测结果的准确性有待改善。另一些学者则提出了基于协整理论和误差校正模型的电网投资需求预测，该模型找出了电网投资与影响电网投资的各种因素之间的对数线性关系。然而，电网投资受到经济、社会、政治、环境等多个因素的影响，这些因素可进一步分为短期、中期和长期影响因素。因此，在短期、中期和长期影响因素的共同作用下，电网投资表现出复杂的非线性和非平稳特性，使得该方法无法对电网投资进行准确预测。此外
技术实现思路
1、本专利技术的目的在于解决
技术介绍
中的至少一个技术问题，提供一种电网投资预测方法及系统。
2、为实现上述目的，本专利技术提供一种电网投资预测方法，包括以下步骤：
3、获取历史电网投资数据，对所述历史电网投资数据进行预处理，生成训练集和测试集；
4、基于所述历史电网投资数据和时间注意力机制，构建初始gru-attention预测模型；
5、基于所述训练集和优化的pso粒子群优化算法对所述初始gru-attention预测模型的参数进行寻优，得到训练之后的pso-gru预测模型；
6、基于所述训练之后的pso-gru预测模型，对目标电网进行电力投资预测。
7、根据本专利技术的一个方案，对所述历史电网投资数据进行预处理，包括：对所述历史电网投资数据进行归一化处理。
8、根据本专利技术的一个方案，所述优化的pso粒子群优化算法包括：在pso粒子群优化算法中添加惯性权重w；
9、所述优化的pso粒子群优化算法的更新迭代公式包括：
10、
11、其中，表示第n+1次迭代中粒子i在维度j的速度；
12、表示第n次迭代中粒子i在维度j的速度；
13、c1表示加速因子，用于调整算法的收敛速度；
14、ri,nj与ri,nj表示满足0到1内均匀分布的随机数，即,ri,nj,ri,nj～u(0,1)；
15、表示第n次迭代为粒子i找到的在第j维度的最佳自适应值的位置，即个人最佳位置；
16、表示第n次迭代中粒子i在维度j的位置；
17、表示第n次迭代时在维度j的全局最佳位置。
18、根据本专利技术的一个方案，所述惯性权重w满足如下公式：
19、
20、其中，wmax和wmin分别是所述惯性权重w的最大值和最小值；t是当前迭代次数；tmax是迭代的最大次数。
21、根据本专利技术的一个方案，所述方法还包括：基于所述测试集对所述训练之后的pso-gru预测模型进行验证。
22、根据本专利技术的一个方案，基于所述训练集和优化的pso粒子群优化算法对所述初始gru-attention预测模型的参数进行寻优的评价指标包括：均方根误差rmse。
23、为实现上述目的，本专利技术还提供一种电网投资预测系统，包括：
24、预处理模块，用于获取历史电网投资数据，对所述历史电网投资数据进行预处理，生成训练集和测试集；
25、模型构建模块，用于基于所述历史电网投资数据和时间注意力机制，构建初始gru-attention预测模型；基于所述训练集和优化的pso粒子群优化算法对所述初始gru-attention预测模型的参数进行寻优，得到训练之后的pso-gru预测模型；
26、预测模块，用于基于所述训练之后的pso-gru预测模型，对目标电网进行电力投资预测。
27、本专利技术采用pso粒子群优化算法对gru-attention预测模型进行参数优化，得到训练之后的pso-gru预测模型，从而有效地解决了神经网络参数难以确定的难题，并避免了人工调参的偶然性和过度依赖专家经验的不足。本专利技术基于经过训练后的pso-gru预测模型，对目标电网进行电力投资预测并得到电网投资预测值，提高了预测的准确性和稳定性。
本文档来自技高网...【技术保护点】
1.一种电网投资预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的电网投资预测方法，其特征在于，对所述历史电网投资数据进行预处理，包括：对所述历史电网投资数据进行归一化处理。
3.根据权利要求1所述的电网投资预测方法，其特征在于，所述优化的PSO粒子群优化算法包括：在PSO粒子群优化算法中添加惯性权重w；
4.根据权利要求3所述的电网投资预测方法，其特征在于，所述惯性权重w满足如下公式：
5.根据权利要求1所述的电网投资预测方法，其特征在于，所述方法还包括：基于所述测试集对所述训练之后的PSO-GRU预测模型进行验证。
6.根据权利要求1所述的电网投资预测方法，其特征在于，基于所述训练集和优化的PSO粒子群优化算法对所述初始GRU-Attention预测模型的参数进行寻优的评价指标包括：均方根误差RMSE。
7.一种电网投资预测系统，其特征在于，包括：
【技术特征摘要】
1.一种电网投资预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的电网投资预测方法，其特征在于，对所述历史电网投资数据进行预处理，包括：对所述历史电网投资数据进行归一化处理。
3.根据权利要求1所述的电网投资预测方法，其特征在于，所述优化的pso粒子群优化算法包括：在pso粒子群优化算法中添加惯性权重w；
4.根据权利要求3所述的电网投资预测方法，其特征在于，所述惯性权重w...
【专利技术属性】
技术研发人员：卢生炜，武强，周明，
申请(专利权)人：国网湖北省电力有限公司经济技术研究院，
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。