[发明专利]一种考虑特征重要性值波动的MI-BILSTM预测方法

权利要求书

1.一种考虑特征重要性值波动的MI-BILSTM预测方法，其特征在于，包括以下步骤：

步骤1.确定预测日期；

步骤2.将预测日的日期特征、气象特征输入数据库；

步骤3.数据库数据预处理，包括缺失数据补充、数据归一化；

步骤4.采用高斯混合模型聚类GMM进行日负荷场景划分；首先将日期特征作为初次GMM聚类的输入，完成日负荷场景的初次划分工作；

日期特征是影响日负荷场景划分的显著因素；因此，初次GMM聚类以日期特征为输入完成聚类；日期特征分为工作日、周末、法定节假日三种不同的情况，按照one-hot编码形式对日期特征进行编码，即工作日为[1,0,0]，周末为[0,1,0]，法定节假日为[0,0,1]；当周末与法定节假日重合时，统一按照节假日处理，后续在节假日场景下进行预测时，加入“是否为周末”这一特征作为区分；将上述经过编码后的三维日期特征作为初次GMM聚类的输入，完成初次聚类，得到以日期特征为划分的日负荷场景；

步骤5.将气象特征作为二次GMM聚类的输入，完成日负荷场景的二次划分工作；

二次GMM聚类以气象特征作为输入，对日负荷场景进一步细分；由于温度是影响日负荷变化的显著因素，所以选用一天中的最高温度、最低温度、平均温度作为二次GMM聚类的输入，得到最终的日负荷场景划分结果；

步骤6.按照日负荷场景划分结果，确定各个场景下的输入特征，包括日期特征、气象特征和历史负荷特征三部分组成；

步骤7.采用MI提取预测日所对应的日负荷场景下的重要性值波动矩阵；通过重要性值矩阵对原始输入特征进行动态修正，使之内部包含波动信息；采用互信息值量化不同时刻下输入特征数据与输出数据之间的相关性，相关性越强说明输入特征越重要；

所述的互信息值的计算公式如式(4)所示；

式中，M(P,Q)为随机变量P和Q之间的互信息值；p_PQ(p,q)为随机变量P和Q的联合概率密度函数；p_p(p)为随机变量P的边缘概率密度函数；p_Q(q)为随机变量Q的边缘概率密度函数；两个变量间的相关性越强，互信息值越大，当两个变量相互独立时，互信息值为0；

基于MI提取重要性值波动矩阵的求解步骤如下：

(1)确定输出负荷数据集；根据上述日负荷场景划分结果，将电力负荷数据集按照一天中的负荷采样点个数n划分成n组，并将其作为输出数据集O[O₁,O₂,…,O_t,…,O_n]，t时刻的输出负荷向量为O_t；

(2)确定输入特征数据集；取与上述输出负荷数据集相对应的输入特征集I，即：

式中，z为输入特征的种类数；与t时刻输出向量O_t对应的输入特征I_t为

(3)t时刻输入特征的重要性值计算；计算t时刻输入特征与输出负荷的互信息值，进行归一化处理，得到用上述序列中值大小作为t时刻不同输入特征的重要性值，如第一类输入特征在t时刻的重要性值为

(4)重复计算(3)；t从1到n循环求解不同时刻下输入特征的重要性值，当t＝n时，求解完毕；得到随时间变化的输入特征的重要性值波动矩阵M，即：

步骤8.采用重要性值波动矩阵动态修正输入特征；

动态修正输入特征如式(7)所示；

式中，表示两个矩阵的哈达马积，即两个矩阵对应位置的元素分别相乘；I为原输入特征矩阵；I′为更新后的输入特征矩阵；

步骤9.将原始数据库划分为训练集和预测集，进行日前预测工作；

步骤10.建立基于BILSTM的负荷预测模型，完成预测工作；

将修正后的输入特征I′代入BILSTM中进行负荷预测，LSTM的计算流程如下：

遗忘门：

f_t＝σ(W_f[h_t-1,i_t]+b_f) (8)

式中，W_f为遗忘门权值矩阵；σ为sigmoid函数；h_t-1为t-1时刻输出；i_t为t时刻输入特征；b_f为遗忘门偏置矩阵；

输入门：

d_t＝σ(W_i[h_t-1,i_t]+b_i) (9)

式中，W_i为输入门权值矩阵；b_i为输入门偏置矩阵；

记忆单元：

式中，W_c为记忆单元权值矩阵；b_c为记忆单元偏置矩阵；为当前输入记忆单元状态；c_t为新的记忆单元状态；c_t-1为t-1刻的状态，又称为长期记忆状态；⊙表示向量中元素按位相乘；

输出门：

u_t＝σ(W_o[h_t-1,i_t]+b_o) (12)

式中，W_o为输出门权值矩阵；b_o为输出门偏置矩阵；u_t为t时刻的输出门状态；

h_t＝u_t⊙tanh(ct) (13)

式中，h_t为LSTM单元t时刻的最终输出；

BILSTM由前向LSTM和后向LSTM两部分组成，同时考虑双向时刻的信息流；计算公式如式(14)-式(16)所示；

式中，h_t-1为t-1时刻的负荷预测值；h_t+1为t+1时刻的负荷预测值；分别为前向和后向LSTM单元t时刻的负荷预测值；分别为LSTM的前向和后向的计算过程；a_t、b_t分别为前向输出权值和后向输出权值；c_t为当前时刻的偏置优化参数；B_t为t时刻BILSTM单元最终输出的负荷预测值；

步骤11.判断所有预测日是否均完成预测，如果均完成，则结束预测工作；如果未完全预测，则循环进行步骤1到步骤10。