[发明专利]一种基于STL数据分解的STL-SARIMA-GRU功率预测方法

权利要求书

1.一种基于STL数据分解的STL-SARIMA-GRU功率预测方法，其特征在于，包括以下步骤：

S1，对原始时间序列功率数据进行STL数据分解，将原始时间序列功率数据分解成周期项、趋势项和残差项；

S2，通过网格搜索算法并依据AIC准则，得到SARIMA（p,d,q）×（P，D，Q）S模型中自回归项p、差分次数d、移动平均项数q、季节自回归阶数P、季节滑动平均阶数Q和季节差分阶数D的最优参数组合，其中S为周期项中的周期；

S3，建立GRU神经网络，并采用训练集对GRU神经网络进行训练，得到目标GRU预测模型；

S4，将数据分解环节STL，周期项预测环节SARIMA和趋势项、残差项预测环节GRU组合起来得到组合模型STL-SARIMA-GRU功率预测模型；

S5，将经过STL分解得到的周期项数据送入步骤S2得到的SARIMA模型中进行预测，得到周期项的预测结果，并计算预测误差；

S6，将结果STL分解得到的趋势项数据和残差项数据送入目标GRU预测模型进行预测，得到趋势项和残差项预测结果，并计算预测误差；

S7，将步骤S5和步骤S6的预测结果进行叠加重构，得到最终的总预测结果，此结果为组合模型STL-SARIMA-GRU功率预测模型的最终预测结果；

S8，计算总预测结果与原始序列的预测误差。

2.根据权利要求1所述的方法，其特征在于：步骤S2中，通过网格搜索算法并按照AIC准则计算每个拟合值的AIC函数值，选取令AIC函数值最小的参数组合作为最优的参数组合，从而得到SARIMA(p，d，q)×(P，D，Q) S模型。

3.根据权利要求1所述的方法，其特征在于：步骤S3中，建立具有4个隐藏单元，1一个全连接层的GRU神经网络，选取ReLu函数作为激活函数，将数据分为训练集和测试集对建立的GRU神经网络进行训练，经过1200轮迭代得到目标GRU预测模型。

4.一种计算机可读存储介质，其特征在于：介质上存有计算机程序，计算机程序运行后，执行如权利要求1至3中任一项所述的方法。

5.一种计算机系统，其特征在于：包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行如权利要求1至3中任一项所述的方法。