龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
摘要：本发明公开了基于ATT‑CNN‑BiGRU的负荷处理方法，涉及电力系统负荷分析技术领域，包括以下步骤，S1，将电网历史负荷数据输入CNN模型的卷积层，通过卷积层提取电网历史负荷数据的特征；S2，电网历史负荷数据特征进入CNN模型的池化层，通过池化层对电网历史负荷数据特征进行筛选；S3，筛选后的电网历史负荷数据特征进入到CNN模型的全连接FC层中，将非线性电网历史负荷数据特征转化为线性电网历史负荷数据特征；通过在数据预处理阶段改进负荷数据特征提取方法以提高短期负荷预测模型的预测精度。
主权项：1.基于ATT-CNN-BiGRU的负荷处理方法，其特征在于，包括以下步骤：S1，将电网历史负荷数据输入CNN模型的卷积层，通过卷积层提取非线性电网历史负荷数据的特征；S2，将非线性电网历史负荷数据特征输入CNN模型的池化层，通过池化层对电网历史负荷数据特征进行筛选；S3，将筛选后的非线性电网历史负荷数据特征输入到CNN模型的全连接FC层中，将非线性电网历史负荷数据特征转化为线性电网历史负荷数据特征，利用所述线性电网历史负荷数据特征建立预测模型；所述预测模型的建立方法为：S51，分别计算测试集数据以及训练集数据中特征的权重αi，权重αi的计算公式为： 式中，αi表示为第i个向量的权重，sxi,q为注意力筛选函数，q为设置的向量；S52，根据函数计算测试集数据以及训练集数据的加权平均值；S53，将测试集数据的加权平均值以及训练集数据的加权平均值分别输入到BiGRU层中得到训练集输出y1以及测试集输出y2，绘制训练集的损失迭代曲线以及测试集的损失迭代曲线，并判断训练集与测试集迭代曲线之间的损失幅值，当损失幅值大于S时，通过训练集数据调整注意力筛选函数、attention函数以及CNN模型中各函数的参数，重复步骤S1-S53，直到损失幅值小于等于S时，将测试集输出y2作为本次电力负荷的预测值；所述步骤S53中，BiGRU层为双向门控循环单元，由两个GRU模型构成，一个GRU模型向后学习历史数据特征，另一个GRU模型向前学习未来数据特征，对过去数据以及未来数据进行融合处理得到输出y1以及y2。
全文数据：
权利要求：
百度查询： 广西电网有限责任公司南宁供电局 基于ATT-CNN-BiGRU的负荷处理方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号