[發明專利]一種基于信息累積k-Shape聚類算法的累積負荷預測方法

有效

• 申請號: 202010032213.8
• 申請日: 2020-01-13
• 公開（公告）號: CN111291782B
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 張宇帆;艾芊;王歷曄;于琪;劉育權;熊文;王莉;蔡瑩;吳任博;李俊格;黃開藝;余志文;張揚;李詩穎
• 申請（專利權）人: 上海交通大學;廣州供電局有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/04;G06Q50/06;H02J3/00
• 代理公司: 上海旭誠知識產權代理有限公司 31220
• 代理人: 鄭立

1.一種基于信息累積k-Shape聚類算法的累積負荷預測方法，其特征在于，所述方法包括以下步驟：

步驟1、根據用戶的用電負荷曲線的形狀特征，執行k-Shape聚類；

所述步驟1具體包括以下步驟：

步驟1.1、將所述用電負荷曲線表示為訓練集用戶i的負荷數據集表示為其中，N是電力用戶個數，m是負荷序列的長度，N_tr是訓練集的大小；

步驟1.2、以啟發式方式解決NP-hard優化問題以實現k-Shape聚類；

步驟2、通過組合聚類得到的信息，將對負荷曲線的劃分轉化成為用戶之間負荷曲線的相似性矩陣；

所述步驟2具體包括以下步驟：

步驟2.1、在聚類完成之后，計算每一個用戶u_j在各個聚類集群p_i中包含的負荷數量，并且記為其中i＝1,...,k，j＝1,...N；

步驟2.2、定義所述相似性矩陣為

步驟3、將所述相似性矩陣轉化為距離矩陣；

步驟4、在所述距離矩陣上應用具有基于single關系的層次聚類算法，獲得刻畫每個用戶之間距離的分層結構；

步驟5、根據步驟4獲得的所述分層結構，選擇不同的聚類個數，得到對用戶不同的集群劃分，訓練學習模型，對用戶的累積負荷進行概率性預測和確定性預測；

步驟6、確定每種集群劃分的概率性預測和確定性預測的累積負荷預測結果的權重，并將所述每種集群劃分的概率性預測和確定性預測的累積負荷預測結果組合為最終的累積負荷預測結果。

2.如權利要求1所述的基于信息累積k-Shape聚類算法的累積負荷預測方法，其特征在于，所述步驟1.2的所述NP-hard優化問題的具體公式為：

其中，是集群p_j∈P的質心，是關于長度為m的序列的形狀距離的度量。

3.如權利要求2所述的基于信息累積k-Shape聚類算法的累積負荷預測方法，其特征在于，所述的具體公式為：

其中，是衡量序列的互相關性，w＝1,...,2m-1；

4.如權利要求1所述的基于信息累積k-Shape聚類算法的累積負荷預測方法，其特征在于，所述步驟3具體包括以下步驟：

通過D＝I-S將所述相似性矩陣轉化為所述距離矩陣其中矩陣的所有元素為1。

5.如權利要求1所述的基于信息累積k-Shape聚類算法的累積負荷預測方法，其特征在于，所述步驟4中所述分層結構使用聚類樹狀圖進行描述。

6.如權利要求5所述的基于信息累積k-Shape聚類算法的累積負荷預測方法，其特征在于，所述步驟5具體包括以下步驟：

通過選擇不同的聚類個數對N個用戶得到|N_C|種不同的集群劃分方式；

對于第i種集群劃分，需要訓練個模型，第個模型f_i,j(·)訓練在第j個聚類集群上，即其中，n_i,j是第i個劃分中第j個集群上的用戶數量；

對于概率性預測，分位數q的概率性預測值表示為：

對于確定性預測，訓練模型得到的預測結果；

對于第i種集群劃分，概率性預測的累積負荷預測表示為確定性預測的累積負荷預測表示為

7.如權利要求6所述的基于信息累積k-Shape聚類算法的累積負荷預測方法，其特征在于，所述步驟6中確定每種集群劃分的概率性預測的累積負荷預測結果的權重具體為優化問題：

w_i,q≥0

其中，是第i種聚類方式在時間l上的累積負荷預測結果；目標函數是最小化驗證集上的pinball損失函數；所述pinball損失函數為：

其中，N_va是驗證集上樣本的個數。

8.如權利要求6所述的基于信息累積k-Shape聚類算法的累積負荷預測方法，其特征在于，所述步驟6中確定每種集群劃分的確定性預測的累積負荷預測結果的權重具體為優化問題：

其中，目標函數是最小化驗證集上的MAPE值。