一种基于NeuralProphet和Bi-GRU-SA组合模型的电力负荷预测方法技术

本发明专利技术公开了一种基于NeuralProphet和Bi‑GRU‑SA组合模型的电力负荷预测方法，涉及电力系统电力负荷预测技术领域，对原始数据进行预处理，包括清洗异常数据和缺失值填充；构建NeuralProphet模型，分别添加趋势项、周期项、节假日项、自回归项、滞后回归项和未来回归项；构建Bi‑GRU‑SA模型，包含Bi‑GRU层、自注意力层和全连接层；通过设计的PWSMAPE损失函数分别独立对两个模型进行训练和预测，然后依据PWSMAPE指标指导子模型权重配置，进行权重的分配和调整，形成组合预测结果。本发明专利技术采用上述结构的一种基于NeuralProphet和Bi‑GRU‑SA组合模型的电力负荷预测方法，适用于具有时序特征的电力负荷预测，具有出色的准确性、解释性和稳定性，为电力系统运营商提供精准且全面的数据支持，推动电网系统的智能化和高效运作。

【技术实现步骤摘要】

本专利技术涉及电力系统电力负荷预测，尤其是涉及一种基于neuralprophet和bi-gru-sa组合模型的电力负荷预测方法。

技术介绍

1、随着电力系统智能化转型的推进，电力负荷预测在电网运营和规划中的重要性愈加凸显。精确的电力负荷预测有助于电网运营高效调配资源，降低运维成本，提升供电的稳定性和经济效益。

2、现有的负荷预测方法主要基于统计时序模型、机器学习以及深度学习方法。这些方法各有特点：传统时序模型如sarima可以通过分析历史数据的趋势和季节性变化进行预测；机器学习模型如lightgbm则侧重于提取特征并训练预测模型；深度学习模型如lstm循环神经网络则能够捕捉到时间序列数据的长期依赖性。但这些方法也存在局限，传统时序模型在非线性建模上表现不佳，机器学习模型需要复杂的特征工程且可灵活性有限，而深度学习模型则在解释性上有所欠缺。本专利技术提出的组合模型正是为了克服这些局限，提供一个既精确又可靠的负荷预测方法。

技术实现思路

1、本专利技术的目的是提供一种基于neuralprophet和b本文档来自技高网...

【技术保护点】

1.一种基于NeuralProphet和Bi-GRU-SA组合模型的电力负荷预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于NeuralProphet和Bi-GRU-SA组合模型的电力负荷预测方法，其特征在于，所述步骤S1中数据清洗的具体步骤如下：

3.根据权利要求2所述的一种基于NeuralProphet和Bi-GRU-SA组合模型的电力负荷预测方法，其特征在于，所述步骤S2中构建NeuralProphet模型的具体步骤如下：

4.根据权利要求3所述的一种基于NeuralProphet和Bi-GRU-SA组合模型的电力负荷预测方...

【技术特征摘要】

1.一种基于neuralprophet和bi-gru-sa组合模型的电力负荷预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于neuralprophet和bi-gru-sa组合模型的电力负荷预测方法，其特征在于，所述步骤s1中数据清洗的具体步骤如下：

3.根据权利要求2所述的一种基于neuralprophet和bi-gru-sa组合模型的电力负荷预测方...

【专利技术属性】
技术研发人员：徐守志，赵东鹏，李碧涛，盛冠群，姜梦颖，孙浩雯，李浩，阳龙，柯阳，
申请(专利权)人：三峡大学，
类型：发明
国别省市：