【负荷预测】基于BiTCN-BiGRU的负荷预测研究（Python代码实现）

Ps.729

已于 2024-09-30 18:36:23 修改

阅读量554

点赞数 18

文章标签： python 前端开发语言

于 2024-09-13 10:37:02 首次发布

本文链接：https://blog.csdn.net/weixin_67304359/article/details/142110592

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

一、引言

二、模型概述

三、模型结构

1. 双向时间卷积网络（BiTCN）

2. 双向门控循环单元（BiGRU）

四、模型构建与训练

1. 数据预处理

2. 模型初始化

3. 模型训练

4. 模型评估

五、实验结果与分析

六、应用前景与展望

七、结论

📚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BiTCN-BiGRU的负荷预测研究

一、引言

负荷预测是电力系统管理和运行中的关键环节，其准确性直接影响电力系统的安全、经济性和可靠性。随着电力系统规模的不断扩大和用户用电行为的复杂化，传统的单变量负荷预测模型已难以满足实际需求。近年来，多变量负荷预测模型逐渐成为研究热点，该模型能够有效地利用历史负荷数据和影响负荷变化的多变量因素，提高负荷预测的准确性。

二、模型概述

BiTCN-BiGRU模型结合了双向时间卷积网络（BiTCN）和双向门控循环单元（BiGRU）的优势，旨在提升负荷预测的精度和鲁棒性。该模型能够同时捕捉时间序列数据中的短期和长期依赖关系，并考虑数据的前后依赖关系，从而更全面地提取负荷数据中的特征。

三、模型结构

1. 双向时间卷积网络（BiTCN）

功能：BiTCN采用双向时间卷积的方式，能够同时从前向和后向两个方向提取时间序列数据中的特征，从而更全面地捕捉负荷数据中的时序信息。
优势：相比单向时间卷积网络，BiTCN能够同时考虑过去和未来的信息，提高模型对时序数据的建模能力。

2. 双向门控循环单元（BiGRU）

功能：BiGRU是RNN（循环神经网络）的一种变体，通过引入门控机制和双向结构，能够捕捉时序数据中的长期依赖关系，并同时考虑过去和未来的信息。
优势：BiGRU在门控机制的控制下，能够有效地处理梯度消失或梯度爆炸问题，提高模型训练的稳定性。同时，双向结构使得模型能够同时利用历史信息和未来信息，提高预测的准确性。

四、模型构建与训练

1. 数据预处理

对原始数据进行清洗，去除异常值和缺失值。
对影响负荷变化的因素进行提取和处理，如天气、节假日、经济指标等。
对数据进行归一化处理，以消除不同量纲对模型训练的影响。

2. 模型初始化

随机初始化BiTCN和BiGRU的参数。

3. 模型训练

将预处理后的数据输入到BiTCN中，提取时间序列特征。
将BiTCN的输出作为BiGRU的输入，捕捉时间序列的双向依赖关系。
使用优化算法（如Adam算法）更新模型参数，使模型的预测误差最小化。

4. 模型评估

使用测试集评估模型的预测性能，常用的评估指标包括均方根误差（RMSE）和平均绝对误差（MAE）。

五、实验结果与分析

实验结果表明，BiTCN-BiGRU模型在负荷预测方面具有较高的准确性和鲁棒性。该模型能够有效地提取时间序列数据中的特征，识别影响因素之间的相互作用，并自适应地调整各因素的权重，从而提高负荷预测的精度。

六、应用前景与展望

基于BiTCN-BiGRU的负荷预测模型具有广泛的应用前景，可用于短期负荷预测、中长期负荷预测以及电力系统调度与控制等领域。未来，可以进一步探索更复杂的网络结构（如多层BiTCN、注意力机制等）和集成学习模型，以提高模型的预测精度和泛化能力。同时，结合其他数据源（如气象数据、经济指标等）进行多源数据融合，也是提升负荷预测性能的重要途径。

七、结论

本文提出了一种基于BiTCN-BiGRU的负荷预测模型，该模型结合了双向时间卷积网络和双向门控循环单元的优势，能够有效地进行负荷多变量时间序列预测。实验结果表明，该模型在负荷预测方面具有较高的准确性和鲁棒性，为电力系统负荷预测提供了新的思路和方法。

📚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。