【负荷预测】基于TCN-BiGRU的负荷预测研究（Python代码实现）

荔枝科研社

于 2024-10-07 13:22:01 发布

阅读量587

点赞数 19

文章标签： python 开发语言

本文链接：https://blog.csdn.net/weixin_46039719/article/details/142739058

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Python代码、数据

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于 TCN-BiGRU 的负荷预测研究是一个涉及时间序列预测和深度学习的领域。TCN（Temporal Convolutional Network）和 BiGRU（Bidirectional Gated Recurrent Unit）是两种用于时间序列数据处理的先进技术。下面是一个关于该研究的简要文档结构和要点：

1. 引言
- **背景与动机**：负荷预测在电力系统中的重要性，以及准确预测负荷对于电力系统的稳定性和可靠性至关重要。
- **研究现状**：传统负荷预测方法（如ARIMA、SARIMA）和现代方法（如深度学习模型）的概述。

2. 理论基础
- **时间卷积网络（TCN）**：
- **定义与结构**：TCN使用卷积层而非递归层来处理时间序列数据，具有长时间依赖捕捉能力和并行处理的优势。
- **优点**：可以通过膨胀卷积实现长时序依赖捕捉，避免了RNN中的梯度消失问题。

- **双向门控递归单元（BiGRU）**：
- **定义与结构**：GRU是一种门控循环神经网络，BiGRU在此基础上增加了双向结构，能够同时捕捉前向和后向的时间依赖。
- **优点**：能处理时间序列数据中的双向信息，提高预测精度。

3. 方法
- **模型架构**：
- **TCN-BiGRU 组合**：首先使用TCN进行特征提取，然后将提取的特征输入到BiGRU中进行建模。
- **TCN 层**：描述TCN的卷积层配置、膨胀率、残差连接等。
- **BiGRU 层**：描述GRU的门控机制、双向处理方式等。

- **数据处理**：
- **数据预处理**：负荷数据的归一化、滑动窗口技术等。
- **特征选择**：如何从原始数据中提取有用特征。

4. 实验与结果
- **实验设置**：
- **数据集**：使用的负荷数据来源（如电力负荷数据集），数据分割方式（训练集、验证集、测试集）。
- **评价指标**：使用的评估指标（如MAE、RMSE、MAPE）来评估模型性能。

- **结果分析**：
- **模型性能**：TCN-BiGRU在负荷预测任务中的表现，与其他方法（如LSTM、传统统计方法）的比较。
- **案例研究**：具体案例分析，模型在实际应用中的效果。

5. 讨论
- **优点**：TCN-BiGRU模型在负荷预测中的优势，如处理长时间序列数据的能力、预测精度等。
- **挑战与局限**：模型的复杂性、计算资源需求、对异常数据的敏感性等。

6. 结论与未来工作
- **总结**：TCN-BiGRU模型的有效性及其在负荷预测中的贡献。
- **未来工作**：进一步优化模型、探索其他深度学习技术在负荷预测中的应用、处理更多实际问题等。

📚2 运行结果

部分代码：

# 初始化存储各个评估指标的字典。
table = PrettyTable(['测试集指标','MSE', 'RMSE', 'MAE', 'MAPE','R2'])
for i in range(n_out):
    # 遍历每一个预测步长。每一列代表一步预测，现在是在求每步预测的指标
    actual = [float(row[i]) for row in Ytest]  #一列列提取
    # 从测试集中提取实际值。
    predicted = [float(row[i]) for row in predicted_data]
    # 从预测结果中提取预测值。
    mse = mean_squared_error(actual, predicted)
    # 计算均方误差（MSE）。
    mse_dic.append(mse)
    rmse = sqrt(mean_squared_error(actual, predicted))
    # 计算均方根误差（RMSE）。
    rmse_dic.append(rmse)
    mae = mean_absolute_error(actual, predicted)
    # 计算平均绝对误差（MAE）。
    mae_dic.append(mae)
    MApe = mape(actual, predicted)
    # 计算平均绝对百分比误差（MAPE）。
    mape_dic.append(MApe)
    r2 = r2_score(actual, predicted)
    # 计算R平方值（R2）。
    r2_dic.append(r2)
    if n_out == 1:
        strr = '预测结果指标：'
    else:
        strr = '第'+ str(i + 1)+'步预测结果指标：'
    table.add_row([strr, mse, rmse, mae, str(MApe)+'%', str(r2*100)+'%'])

return mse_dic,rmse_dic, mae_dic, mape_dic, r2_dic, table
# 返回包含所有评估指标的字典。