基于GRU模型的线损预测方法及系统与流程

本发明涉及电力系统自动化，且特别是有关于一种基于gru模型的线损预测方法及系统。

背景技术：

1、在电力系统中，准确预测线损是提高运营效率和降低成本的关键。现有预测方法多依赖传统统计模型，由于电力负荷随时间变化复杂，传统模型难以充分捕捉时间序列数据的复杂性和非线性特征，致预测结果偏差大。近年来，深度学习技术的快速发展为时间序列预测提供了新的思路，深度学习模型虽有进展，但仍存在预测准确性及鲁棒性不足等问题。

技术实现思路

1、本申请的目的在于克服现有技术的缺陷，提供一种基于gru模型的线损预测方法及系统。

2、第一方面，本申请提供了一种基于gru模型的线损预测方法，包括以下步骤：

3、获取历史线损数据；

4、对所述历史线损数据进行预处理；

5、基于所述预处理后的历史线损数据得到输入特征，所述输入特征包括训练集、验证集及测试集；

6、基于所述输入特征训练gru模型及lightgbm模型；所述基于所述输入特征训练gru模型，包括：构建基础gru模型，所述基础gru模型包括多层网络层，多层所述网络层包括：输入层、循环层及输出层；在所述循环层与所述输出层之间增设attention层，以得到gru模型；使用所述训练集对所述gru模型进行训练；使用所述验证集评估训练后的gru模型的模型性能，并基于评估的模型性能调整所述网络层的层数及各层所述网络层中的神经元数量；使用网格搜索法对所述gru模型的超参数进行优化；使用所述测试集评估gru模型的预测性能；

7、基于训练好的gru模型进行线损预测，以得到第一预测结果；

8、基于训练好的lightgbm模型进行线损预测，以得到第二预测结果；

9、基于所述第一预测结果及所述第二预测结果得到线损预测结果。

10、可选地，所述对所述历史线损数据进行预处理，包括：

11、对所述历史线损数据进行清洗，以去除所述历史线损数据中的异常值，并填充所述历史线损数据中的缺失值；

12、对清洗后的历史线损数据进行归一化处理。

13、可选地，所述获取历史线损数据之后，还包括：基于所述历史线损数据创建滞后特征数据，所述滞后特征数据包括多个时间点的历史线损数据；所述输入特征包括预处理后的历史线损数据及所述滞后特征数据二者中的至少一者。

14、可选地，所述基于所述预处理后的历史线损数据得到输入特征，包括：对所述预处理后的历史线损数据进行筛选，以得到所述输入特征。

15、可选地，所述基于gru模型的线损预测方法，还包括：获取季节性特征数据及天气数据；所述输入特征还包括所述季节性特征数据及所述天气数据。

16、可选地，将所述输入特征输入至训练好的gru模型进行线损预测，以得到第一预测结果；将所述输入特征及所述第一预测结果输入至训练好的lightgbm模型进行线损预测，以得到第二预测结果。

17、可选地，所述基于所述第一预测结果及所述第二预测结果得到线损预测结果，包括：

18、将所述第一预测结果与所述第二预测结果进行加权平均以得到所述线损预测结果；或

19、将所述第一预测结果及所述第二预测结果输入至元学习器进行训练，以得到所述线损预测结果。

20、可选地，所述基于所述第一预测结果及所述第二预测结果得到线损预测结果之后，还包括：

21、监测所述gru模型的预测误差，在所述gru模型的预测误差存在异常时对所述gru模型进行参数调整；和/或

22、监测所述lightgbm模型的预测误差，在所述lightgbm模型的预测误差存在异常时对所述lightgbm模型进行参数调整。

23、第二方面，本申请还提供了一种基于gru模型的线损预测系统，包括：

24、数据采集模块，用于获取历史线损数据；

25、预处理模块，用于对所述历史线损数据进行预处理；

26、输入特征获取模块，用于基于所述预处理后的历史线损数据得到输入特征；

27、训练模块，用于基于所述输入特征训练gru模型及lightgbm模型；

28、第一预测模块，用于基于训练好的gru模型进行线损预测，以得到第一预测结果；

29、第二预测模块，用于基于训练好的lightgbm模型进行线损预测，以得到第二预测结果；

30、线损预测模块，用于基于所述第一预测结果及所述第二预测结果得到线损预测结果。

31、本申请提供了一种基于gru模型的线损预测方法及系统，通过获取历史线损数据；对所述历史线损数据进行预处理；基于所述预处理后的历史线损数据得到输入特征；基于所述输入特征训练gru模型及lightgbm模型；基于训练好的gru模型进行线损预测，以得到第一预测结果；基于训练好的lightgbm模型进行线损预测，以得到第二预测结果；基于所述第一预测结果及所述第二预测结果得到线损预测结果；通过gru模型及lightgbm模型，可以增强对长时间序列的捕捉能力，可以提升模型预测的准确性及鲁棒性，为电力系统的智能化管理提供有力支持。

32、为让发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。

技术特征：

1.一种基于gru模型的线损预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于gru模型的线损预测方法，其特征在于，所述对所述历史线损数据进行预处理，包括：

3.根据权利要求1所述的基于gru模型的线损预测方法，其特征在于，所述获取历史线损数据之后，还包括：基于所述历史线损数据创建滞后特征数据，所述滞后特征数据包括多个时间点的历史线损数据；所述输入特征包括预处理后的历史线损数据及所述滞后特征数据二者中的至少一者。

4.根据权利要求1所述的基于gru模型的线损预测方法，其特征在于，所述基于所述预处理后的历史线损数据得到输入特征，包括：

5.根据权利要求1所述的基于gru模型的线损预测方法，其特征在于，还包括获取季节性特征数据及天气数据；所述输入特征还包括所述季节性特征数据及所述天气数据。

6.根据权利要求1所述的基于gru模型的线损预测方法，其特征在于，将所述输入特征输入至训练好的gru模型进行线损预测，以得到第一预测结果；将所述输入特征及所述第一预测结果输入至训练好的lightgbm模型进行线损预测，以得到第二预测结果。

7.根据权利要求1所述的基于gru模型的线损预测方法，其特征在于，所述基于所述第一预测结果及所述第二预测结果得到线损预测结果，包括：

8.根据权利要求1至7中任一项所述的基于gru模型的线损预测方法，其特征在于，所述基于所述第一预测结果及所述第二预测结果得到线损预测结果之后，还包括：

9.一种基于gru模型的线损预测系统，其特征在于，所述基于gru模型的线损预测系统用于执行如权利要求1至8中任一项所述的基于gru模型的线损预测方法，所述基于gru模型的线损预测系统，包括：

技术总结
本发明公开了一种基于GRU模型的线损预测方法及系统，属于电力系统自动化技术领域，基于GRU模型的线损预测方法包括：获取历史线损数据；对所述历史线损数据进行预处理；基于预处理后的历史线损数据得到输入特征；基于输入特征训练GRU模型及LightGBM模型；基于训练好的GRU进行线损预测，以得到第一预测结果；基于训练好的LightGBM模型进行线损预测，以得到第二预测结果；基于所述第一预测结果及所述第二预测结果得到线损预测结果。本发明的基于GRU模型的线损预测方法，可以增强对长时间序列的捕捉能力，可以提升模型预测的准确性及鲁棒性，为电力系统的智能化管理提供有力支持。

技术研发人员：夏威,周廉钧,吴晨,郭征,钟佳时,罗雪霏,刘杰,瞿晖,吕雅诗,于艾彤,杨祺铭
受保护的技术使用者：国网上海市电力公司
技术研发日：
技术公布日：2025/2/17