(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211389573.9 (22)申请日 2022.11.08 (71)申请人 国网重庆市电力公司电力科 学研究 院 地址 401123 重庆市渝北区北部新区黄山 大道中段80号办公 综合楼 申请人 国网重庆市电力公司 　 国家电网有限公司 (72)发明人 钟加勇　陈咏涛　吕小红　籍勇亮　 万凌云　高晋　厉仄平　靳敏　 吴高翔　王雪文　晏尧　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 专利代理师 管高峰(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 3/02(2006.01) (54)发明名称 一种基于GRU-TCN模型的电网负荷预测方法 (57)摘要 本发明公开了一种基于GRU ‑TCN模型的电网 负荷预测方法， 包括以下步骤： S1： 采集预测日的 电网中各设备的负荷数据， 形成以时间为序列的 负荷数据组 S2： 对采集的负荷数据进行归 一化处理， 扩大负荷数据组 的数据量， 得到 归一化后的负荷预测数据组； S3： 将负荷预测数 据组输入到GRU ‑TCN模型中， 输出电网各时段的 负荷预测值； S4： 建立数字孪生电网， 将负荷预测 值输入到数字孪生电网中， 输出真实负荷值； 修 正数字孪生电网的控制参数。 本发 明融合时间卷 积网络(TCN)和门控递归单元(GRU)网络设计 GRU‑TCN预测模型， 由TCN网络模型提取的高维数 据特征被输入到GRU网络进行预测， 可得到高精 度的预测结果。 权利要求书3页 说明书7页 附图1页 CN 115545345 A 2022.12.30 CN 115545345 A 1.一种基于GRU ‑TCN模型的电网负荷预测方法， 其特 征在于， 包括以下步骤： S1： 采集预测日的电网中各设备的负荷数据， 形成以时间为序列的负荷数据组 其中n为负荷的种类， t为采集的时间； S2： 对采集的负荷数据进行归一化处理， 并根据相关值模型， 选择相似日的电网中各设 备的负荷数据， 输入到负荷数据组 中， 扩大负荷数据组 的数据量， 得到归一化后的 负荷预测数据组； S3： 将负荷预测数据组输入到GRU ‑TCN模型中， 输出电网各时段的负荷预测值； S4： 建立数字孪生电网， 将负荷预测值输入到数字孪生电网中， 输出真实负荷值； 利用 均方根误差RMSE对负荷预测值和真实负荷值进行评估， 修 正数字孪生电网的控制参数。 2.根据权利要求1所述的基于GRU ‑TCN模型的电网负荷预测方法， 其特征在于， 步骤S2 包括以下子步骤： S21： 将负荷数据组 中的每个负荷数据进行归一化， 并映射到区间[0， 1]内， 得到归 一化值 S22： 计算负荷数据组 中所有归一 化后的数值 的平均值 S23： 采集相似日的电网中各设备的负荷数据组 其中m＝n， 并 利用步骤S21中的归一化方法， 对负荷数据组 中的负荷数据Xm进行归一化， 得到归一化 值xm′； S24： 利用归一 化值xm′和平均值 计算相关度RX； S25： 将相 似度RX与相似度阈值RX阈值进行比较， 若RX≥RX阈值， 则将该负荷数据Xm加入到负 荷数据组 中； 若RX＜RX阈值， 则证明该负荷数据Xm为不相关的变量， 删除该负荷数据Xm； S26： 遍历相似日中采集的所有电网各设备的负荷数据Xm， 执行步骤S23 ‑S25， 得到归一 化后以时间为序列的负荷预测数据组 s为增加的负荷数据量。 3.根据权利要求2所述的基于GRU ‑TCN模型的电网负荷预测方法， 其特征在于， 步骤S2 1 中的归一 化方法为： 其中， X(t)为负荷数据组 中的任一负荷数据， 分别为负荷数据组 中的最大值和最小值。 4.根据权利要求2所述的基于GRU ‑TCN模型的电网负荷预测方法， 其特征在于， 步骤S24 中利用归一 化值xm′和平均值 计算相关度RX的方法为：权　利　要　求　书 1/3 页 2 CN 115545345 A 25.根据权利要求2所述的基于GRU ‑TCN模型的电网负荷预测方法， 其特征在于， 步骤S3 包括以下子步骤： S31： 将负荷预测数据组 作为输入矩阵； S32： 将输入矩阵输入到TCN网络模型中， 输出关于 的特征矩阵F； S33： 将输出矩阵F输入到全连接层中， 输出由预测值组成的预测矩阵Y＝[Y1， Y2,…, Yv]， v为预测矩阵中预测值的数量； S34： 将预测矩阵Y 输入到GRU网络模型中， 输出t时刻对应的状态值c(t)； S34： 将输出的状态值c(t)作为电网的负荷预测值。 6.根据权利要求5所述的基于GRU ‑TCN模型的电网负荷预测方法， 其特征在于， 步骤S32 中关于 的特征矩阵F为： i＝[1， 2，···， l]， k＝[1， 2，···， K]， K≥1 其中， Wk为权重， v为输出特征矩阵F中的数据量， 为第i层残差卷积的输出， f( ·)为 TCN网络模型的残差函数， K为时间序列， K 取初始时间2k 倍， k为超参数。 7.根据权利要求6所述的基于GRU ‑TCN模型的电网负荷预测方法， 其特征在于， 步骤S34 中t时刻对应的状态值c(t)为： ψr＝sigmoid(ωrcc(t‑1)+ωrxx(t)+br) ψu＝sigmoid(ωucc(t‑1)+ωuxx(t)+bu) 其中， ψr为相关门函数， ωrc为相关门函数中对上一时刻的输出状态值的权重， ωrx为相 关门函数 中t时刻输入的预测值的权重， br为相关门函数的偏移输入； ψu为更新门函数， ωuc 为更新门函 数中对上一时刻的输出状态值的权重， ωux为更新门函 数中t时刻输入的预测值 的权重， bu为相关门函数的偏移输入； 为候选函数， ωcc为候选函数中对上一时刻的输 出状态值的权 重， ωcx为候选函数中t时刻输入的预测值的权 重， bc为候选函数的偏移输入。 8.根据权利要求7所述的基于GRU ‑TCN模型的电网负荷预测方法， 其特征在于， 步骤S4 包括以下子步骤：权　利　要　求　书 2/3 页 3 CN 115545345 A 3