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

说明书

本发明公开了一种基于STL数据分解的STL‑SARIMA‑GRU功率预测方法，该方案是组合使用LOESS进行季节‑趋势分解STL、季节性差分自回归移动平均模型SARIMA和门控循环单元GRU的STL‑SARIMA‑GRU的功率预测模型。方法包括：将原始信号通过STL分解为周期项，趋势项和残差项；将分解后的季节项数据序列送入到SARIMA网络中进行功率预测；将分解后得到的趋势项和残差项组合后送入GRU模型进行预测；最后再将两个部分的预测结果进行叠加重构获得整个数据的预测结果。本申请提供的模型可避免因序列特征混叠导致预测精度下降的问题，提高了整个预测模型的预测精度。

技术领域

本发明涉及分布式能源系统领域，特别涉及一种基于STL数据分解的STL-SARIMA-GRU功率预测方法。

背景技术

在工业园区中，时间序列预测对于能源的合理化运用以及整个分布式工业园区的优化调度起着重要作用，因此高效精准的时间序列预测是分布式工业园区系统中不可缺少的环节。准确的预测结果可以提高资源的利用率，为后续的分布式能源系统优化调度策略的研究提供稳定的数据支持，使得整个系统可以高效、经济的运行。分布式工业园区时间序列是由不同的特征项组成，因此如何将数据序列进行高效分解是至关重要的。

SARIMA模型是在ARIMA模型的基础上添加了季节项,是经典的时间序列预测方法，能够较好的体现时间序列数据中的线性特征,主要针对具有季节性或周期性变化的时间序列进行建模,已经被广泛应用到金融、气候、医疗等领域。针对周期性数据序列，SARIMA模型表现出了良好的预测性能。门控循环单元（Gated Recurrent Unit, GRU）是对 LSTM 进行了改进，将其两个门结构合成为一个门，因此训练参数较少，收敛速度更快，同时预测性能良好，在电力负荷预测及其他领域广泛应用。因此,怎样建立STL、SARIMA与GRU组合的模型进行功率预测成为亟需解决的问题。

发明内容

本发明的目的是针对工业园区中不同的时间序列预测，利用STL分解原数据序列，并组合SARIMA-GRU模型，建立适用范围更广的STL-SARIMA-GRU预测模型。为达到上述目的，本发明提供了一种基于STL数据分解的STL-SARIMA-GRU功率预测方法，具体方案如下：

一种基于STL数据分解的STL-SARIMA-GRU功率预测方法，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。

进一步地，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。