[发明专利]一种基于深度学习的月度电力需求预测方法

权利要求书

1.一种基于深度学习的月度电力需求预测方法，其特征在于，包括如下步骤：

步骤S1：获取历年逐月全社会用电量数据、天气数据、经济发展数据；

步骤S2：对所述步骤S1获取的数据进行数据预处理，作为监督学习输入；

步骤S3：将经过所述步骤S2处理后的数据输入到长短时记忆循环神级网络LSTM模型进行预测，调整模型参数；

步骤S4：将经过所述步骤S2处理后的数据输入GRU模型进行预测，调整模型参数；

步骤S5：根据验证集预测准确率分配经过所述步骤S3和所述步骤S4后的预测结果的权重，并且通过权重计算最终预测结果。

2.根据权利要求1所述的一种基于深度学习的月度电力需求预测方法，其特征在于，在所述步骤S1中，所述天气数据包括：季节、降水、气温、湿度；所述经济数据包括：GDP、居民消费支出、固定资产投资、进出口总额。

3.根据权利要求1所述的一种基于深度学习的月度电力需求预测方法，其特征在于，在所述步骤S2中，采用如下的方法对所述步骤S1获取的数据进行归一化处理，使得各样本值处于[0,1]范围内：

其中，a^*为处理后数据，a为原始数据，a_max、a_min分别为原始数据中的最大数和最小数。

4.根据权利要求1所述的一种基于深度学习的月度电力需求预测方法，其特征在于，在所述步骤S3中，将经过所述步骤S2处理后的预设数量月份的用电量数据输入至长短时记忆循环神级网络LSTM模型中，并训练该模型；该神经网络的网络连接权重参数的初始化方法采用Xaiver方法，使得初始化参数分布在：

其中，W是初始化参数矩阵，n_i是神级网络某层的输入，n_i+1是神级网络的某层的输出；

优化方法采用Adam算法：

m_t＝μ*m_t-1+(1+μ)*g_t

其中，m_t，n_t分别是对梯度的一阶矩估计和二阶矩估计；g_t是当前batch的梯度；μ、υ是动量因子；是对m_t，n_t的校正；ε是用来保证分母非零的数；η是学习率；Δθ_t是每次迭代的参数调整量；

根据随机初始权重，利用时间反向传播算法，最小化损失函数MSE，更新神经网络权重值最终得到最佳的网络权重参数集合，并输出预测结果。

5.根据权利要求1所述的一种基于深度学习的月度电力需求预测方法，其特征在于，在所述步骤S4中，将待预测月上月的全社会用电量数据、天气数据、经济发展数据输入到GRU模型，并训练该模型；该神经网络的网络连接权重参数的初始化方法采用Xaiver方法，优化算法采用Adam算法；根据随机初始权重，利用时间反向传播算法，最小化损失函数MSE，更新神经网络权重值最终得到最佳的网络权重参数集合，并输出预测结果。

6.根据权利要求5所述的一种基于深度学习的月度电力需求预测方法，其特征在于，在所述步骤S5中，根据验证集预测准确率分配经过步骤S3和步骤S4后的预测结果的权重，最后通过加权统计步骤S3和步骤S4后的预测结果计算出最终的预测结果：

z＝αx+βy

其中，分别是基于LSTM模型预测结果的R平方得分和基于GRU模型预测结果的R平方得分；α，β分别是LSTM和GRU模型的权重；x，y分别是LSTM和GRU模型的预测值；z是加权后的最终的预测结果。