一种基于GRU神经网络的微电网短期负荷预测方法技术

本发明专利技术公开了一种基于GRU神经网络的微电网短期负荷预测方法，包括如下步骤：获取微电网的历史负荷数据以及气象因素数据，并进行数据预处理，将预处理后的数据分成训练集和预测集；利用训练集中的数据对GRU神经网络进行训练，在训练过程中，采用多元宇宙算法对GRU神经网络的权值参数进行优化，保存训练后的GRU神经网络；将预测集中的数据输入到训练后的GRU神经网络中，输出微电网待预测时刻的负荷值。本发明专利技术所公开的方法采用多元宇宙算法对GRU神经网络的权值参数进行优化，可以有效提高短期负荷预测精度。负荷预测精度。负荷预测精度。

【技术实现步骤摘要】
一种基于GRU神经网络的微电网短期负荷预测方法


[0001]本专利技术涉及微电网负荷
，特别涉及一种基于GRU神经网络的微电网短期负荷预测方法。

技术介绍

[0002]微电网是一组由分布式电源、负荷、储能系统和控制装置构成的微型系统。对于大电网来说，它表现为一个单一可控的单元，可实现能源多种形式(电能、热能等)的高可靠供给负荷。微电网中的电源多为小容量的分布式电源，主要有光伏电池、小型风力发电机、微型燃气轮机、燃料电池以及蓄电池等储能装置，具有成本低、电压低及污染低等特点。
[0003]负荷预测是微电网能量管理系统的重要组成部分，是对分布式电源，如风电、光伏、微燃气轮机、柴油机及储能等可控微源进行优化调度的基础，预测结果将直接影响微电网运行策略与电能交易。相对于大电网环境，微电网进行短期负荷预测的难度更高，这主要是由于负荷的随机性强，历史负荷曲线相似度低，再加上用户容量有限，各用户间负荷特征相互平滑作用较小，负荷总体波动较大。
[0004]为了提高负荷预测精度，许多学者进行了大量研究，提出了一系列预测方法，如BP
‑
NN预测方法，常规GRU神经网络预测方法。但这些方法仍然存在预测精度不够高的问题。其中，GRU神经网络的权值为待定参数，并且这些权值参数的选择并无成熟的理论依据，且这些权值参数的选择对于GRU神经网络模型的预测性能影响很大，这是目前GRU神经网络应用于微电网短期负荷预测的难点。

技术实现思路

[0005]为解决上述技术问题，本专利技术提供了一种基于GRU神经网络的微电网短期负荷预测方法，采用多元宇宙算法对GRU神经网络的权值参数进行优化，以达到提高短期负荷预测精度的目的。
[0006]为达到上述目的，本专利技术的技术方案如下：
[0007]一种基于GRU神经网络的微电网短期负荷预测方法，包括如下步骤：
[0008]步骤一，获取微电网的历史负荷数据以及气象因素数据，并进行数据预处理，将预处理后的数据分成训练集和预测集；
[0009]步骤二，利用训练集中的数据对GRU神经网络进行训练，在训练过程中，采用多元宇宙算法对GRU神经网络的权值参数进行优化，保存训练后的GRU神经网络；
[0010]步骤三，将预测集中的数据输入到训练后的GRU神经网络中，输出微电网待预测时刻的负荷值。
[0011]上述方案中，所述GRU神经网络包括输入层、隐含层和输出层，所述隐含层由GRU单元组成，所述GRU单元包括两个输入变量，即当前时刻的输入和上一时刻隐含层的输出。
[0012]上述方案中，所述GRU单元内部执行的运算公式如下：
[0013]z
t
＝σ(W
z
x
t
+U
z
h
t
‑1)
ꢀꢀꢀ
(1)
[0014]r
t
＝σ(W
r
x
t
+U
r
h
t
‑1)
ꢀꢀꢀ
(2)
[0015][0016][0017]y＝σ(h
t
W
y
)
ꢀꢀꢀ
(5)
[0018]式中：z
t
为更新门，r
t
为重置门，为t时刻隐含层的激活状态，h
t
为t时刻隐含层的输出，h
t
‑1为t
‑
1时刻隐含层的输出，y为神经网络输出层的输出；
[0019]W
z
、U
z
、W
r
、U
r
、W、U、W
y
为GRU神经网络的权值参数，其中，W
z
为输入到更新门z
t
的权值，U
z
为t
‑
1时刻隐含层到更新门z
t
的权值，W
r
为输入到重置门r
t
的权值，U
r
为t
‑
1时刻隐含层到重置门r
t
的权值，W为输入层到隐含层的权值，U为隐含层自身的权值，W
y
为隐含层到输出层的权值；
[0020]⊙
表示矩阵中对应的元素相乘，σ为sigmoid函数，为tanh激励函数，1
‑
表示运算后的输出为1
‑
z
t
。
[0021]上述方案中，所述步骤二中，采用多元宇宙算法对GRU神经网络的权值参数进行优化的步骤如下：
[0022](1)根据需优化的GRU神经网络的权值参数创建多元宇宙，并设置参数TDR和WEP的初始值，TDR为当前宇宙通过虫洞在最优解附近行进的距离，WEP为虫洞存在概率；
[0023](2)计算每个宇宙的膨胀率并排序；
[0024](3)依据膨胀率和轮盘赌选出拥有白洞的宇宙，并与黑洞进行物质交换；
[0025](4)选出指定宇宙，通过虫洞和当前最优宇宙连接，交换元素；
[0026](5)更新WEP和TDR的值，计算更新后宇宙的膨胀率；
[0027](6)判断是否达到结束条件，如达到，输出计算结果，否则返回步骤(2)。
[0028]上述方案中，步骤(1)中，将GRU神经网络的权值参数所有的解假定为一个多元宇宙的集合，如式(6)所示：
[0029][0030]式中，U表示多元宇宙集合；x
n,d
表示第n个宇宙中的第d个物质元素，即第d个变量。
[0031]上述方案中，步骤(2)中宇宙膨胀率与解的适应度值成正比，适应度函数表示为：fitness＝1/f，f为GRU神经网络期望和实际输出之间的均方差，用于控制模型的误差精度。上述方案中，步骤(3)中，物质交换过程如下：
[0032][0033]式中，x
i,j
表示第i个宇宙的第j个变量；x
k,j
表示被选取的具有白洞的第k个宇宙的第j个元素；r1表示[0,1]范围内随机数；NI(U
i
)表示第i个宇宙的膨胀率。
[0034]上述方案中，步骤(4)中，指定宇宙和当前最优宇宙的交换元素过程如下：
[0035][0036]式中，X
j
是当前最优宇宙的第j个变量；lb
j
是第j个变量的下界；ub
j
是第j个变量的上界；r2,r3,r4为[0,1]之间的随机数；WEP表示虫洞存在概率，计算公式如下：
[0037][0038]式中，WEP
min
和WEP
max
分别表示WEP的最小取值和最大取值，l为当前的迭代次数；L为最大迭代次数；
[0039]TDR决定了当前宇宙通过虫洞在最优解附近行进的距离，TDR的计算公式如下：
[0040][0041]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GRU神经网络的微电网短期负荷预测方法，其特征在于，包括如下步骤：步骤一，获取微电网的历史负荷数据以及气象因素数据，并进行数据预处理，将预处理后的数据分成训练集和预测集；步骤二，利用训练集中的数据对GRU神经网络进行训练，在训练过程中，采用多元宇宙算法对GRU神经网络的权值参数进行优化，保存训练后的GRU神经网络；步骤三，将预测集中的数据输入到训练后的GRU神经网络中，输出微电网待预测时刻的负荷值。2.根据权利要求1所述的一种基于GRU神经网络的微电网短期负荷预测方法，其特征在于，所述GRU神经网络包括输入层、隐含层和输出层，所述隐含层由GRU单元组成，所述GRU单元包括两个输入变量，即当前时刻的输入和上一时刻隐含层的输出。3.根据权利要求2所述的一种基于GRU神经网络的微电网短期负荷预测方法，其特征在于，所述GRU单元内部执行的运算公式如下：z
t
＝σ(W
z
x
t
+U
z
h
t
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)r
t
＝σ(W
r
x
t
+U
r
h
t
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)(2)y＝σ(h
t
W
y
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式中：z
t
为更新门，r
t
为重置门，为t时刻隐含层的激活状态，h
t
为t时刻隐含层的输出，h
t
‑1为t
‑
1时刻隐含层的输出，y为神经网络输出层的输出；W
z
、U
z
、W
r
、U
r
、W、U、W
y
为GRU神经网络的权值参数，其中，W
z
为输入到更新门z
t
的权值，U
z
为t
‑
1时刻隐含层到更新门z
t
的权值，W
r
为输入到重置门r
t
的权值，U
r
为t
‑
1时刻隐含层到重置门r
t
的权值，W为输入层到隐含层的权值，U为隐含层自身的权值，W
y
为隐含层到输出层的权值；
⊙
表示矩阵中对应的元素相乘，σ为sigmoid函数，为tanh激励函数，1
‑
表示运算后的输出为1

【专利技术属性】
技术研发人员：撖奥洋，于立涛，周生奇，菅学辉，张智晟，
申请(专利权)人：青岛大学，
类型：发明
国别省市：