[發(fā)明專利]基于用戶負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011446664.2
• 申請(qǐng)日: 2020-12-11
• 公開（公告）號(hào): CN112561156A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計(jì)）人: 胡楠;傅靖;王棟;姜吉祥;黃霆;賁樹俊;徐曉軼;毛艷芳;于雅薇;朱憶洋
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)江蘇省電力有限公司南通供電分公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州市港澄專利代理事務(wù)所(普通合伙) 32304
• 代理人: 范佳晨

1.基于用戶負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述短期電力負(fù)荷預(yù)測(cè)方法主要包括海量高維數(shù)據(jù)預(yù)處理、用戶負(fù)荷模式分類器、LSTM模型訓(xùn)練及預(yù)測(cè)，具體包括以下步驟：

步驟(1)：導(dǎo)入某地區(qū)電力負(fù)荷和對(duì)應(yīng)影響因素的所有歷史數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；其中：對(duì)于缺失較少的數(shù)據(jù)可以采用均值填充的方法，而對(duì)于缺失量較大的數(shù)據(jù)則直接刪除，進(jìn)入步驟(2)；

步驟(2)：對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行K-means聚類分析，按照曲線形狀聚集相似日，將曲線分為不同類別，記錄類別標(biāo)簽，進(jìn)入步驟(3)；

步驟(3)：對(duì)所述歷史負(fù)荷數(shù)據(jù)和對(duì)應(yīng)的影響因素?cái)?shù)據(jù)進(jìn)行無量綱化處理，進(jìn)入步驟(4)；

步驟(4)：利用灰色關(guān)聯(lián)法分析所述歷史負(fù)荷數(shù)據(jù)與對(duì)應(yīng)的所述影響因素?cái)?shù)據(jù)間的相關(guān)性，計(jì)算各所述影響因素?cái)?shù)據(jù)的灰色關(guān)聯(lián)度，進(jìn)入步驟(5)；

步驟(5)：將所述關(guān)聯(lián)度從大到小排列，選取關(guān)聯(lián)度大于0.7的影響因素作為關(guān)鍵影響因素，進(jìn)入步驟(6)；

步驟(6)：按照步驟(2)得到的相似日標(biāo)簽，把每種類別的所述歷史負(fù)荷數(shù)據(jù)分別作為每個(gè)LSTM預(yù)測(cè)模型的輸入，進(jìn)入步驟(7)；

步驟(7)：在輸入層將數(shù)據(jù)分成訓(xùn)練集和測(cè)試集，并進(jìn)行歸一化處理，進(jìn)入步驟(8)；

步驟(8)：在每個(gè)訓(xùn)練周期中，從數(shù)據(jù)集中隨機(jī)選取訓(xùn)練數(shù)據(jù)，然后輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行網(wǎng)絡(luò)訓(xùn)練，進(jìn)入步驟(9)；

步驟(9)：網(wǎng)絡(luò)訓(xùn)練迭代在網(wǎng)絡(luò)啟動(dòng)之后，網(wǎng)絡(luò)層訓(xùn)練采用優(yōu)化Adam算法，直到網(wǎng)絡(luò)訓(xùn)練良好，進(jìn)入步驟(10)；

步驟(10)：將待預(yù)測(cè)日的所述關(guān)鍵影響因素?cái)?shù)據(jù)輸入到KNN分類器中，進(jìn)入步驟(11)；

步驟(11)：采用歐氏距離計(jì)算待預(yù)測(cè)日數(shù)據(jù)與各歷史數(shù)據(jù)的距離，進(jìn)入步驟(12)；

步驟(12)：將計(jì)算的所述距離進(jìn)行由小到大排序，進(jìn)入步驟(13)；

步驟(13)：找出距離最小的k個(gè)值，計(jì)算找出的值中每個(gè)類別的頻次，進(jìn)入步驟(14)；

步驟(14)：返回頻次最高的類別，即為待預(yù)測(cè)日的類別，完成基于KNN分類器的待預(yù)測(cè)日類別識(shí)別，進(jìn)入步驟(15)；

步驟(15)：根據(jù)待預(yù)測(cè)日分類標(biāo)簽，將相關(guān)數(shù)據(jù)輸入到對(duì)應(yīng)的負(fù)荷預(yù)測(cè)模型中，進(jìn)入步驟(16)；

步驟(16)：通過訓(xùn)練好的所述LSTM模型進(jìn)行預(yù)測(cè)，輸出待預(yù)測(cè)日的預(yù)測(cè)值，結(jié)束。

2.根據(jù)權(quán)利要求1所述的基于用戶負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，步驟(2)中所述K-means聚類分析方法具體步驟如下：輸入所需類數(shù)k和原始數(shù)據(jù)集，首先隨機(jī)選取k個(gè)聚類中心，逐一計(jì)算其余數(shù)據(jù)到聚類中心的距離，將與聚類中心k最近的數(shù)據(jù)歸為第k類，將它們的均值作為新的聚類中心，重復(fù)上述過程，直到所有的數(shù)據(jù)分類完成，得到每個(gè)樣本的類標(biāo)簽；能夠?qū)⒁欢〞r(shí)間內(nèi)的日負(fù)荷曲線自動(dòng)劃分為一定數(shù)量的類，類中負(fù)荷曲線皆為相似日的負(fù)荷曲線。

3.根據(jù)權(quán)利要求2所述的基于用戶負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，步驟(4)中利用灰色關(guān)聯(lián)法分析所述歷史負(fù)荷數(shù)據(jù)與對(duì)應(yīng)的所述影響因素?cái)?shù)據(jù)間的相關(guān)性，

記Δ_i(k)＝|y(k)-x_i(k)|，則

計(jì)算關(guān)聯(lián)系數(shù)y是參考數(shù)列，x是比較數(shù)列；i是比較數(shù)列的個(gè)數(shù)，k是數(shù)列中的元素個(gè)數(shù)；ρ∈(0,∞)，是分辨系數(shù)，ρ越小，分辨力越大，一般取0.5；所述參考數(shù)列為所述歷史負(fù)荷數(shù)據(jù)，所述比較數(shù)列為各所述影響因素?cái)?shù)據(jù)組成的數(shù)據(jù)序列；

計(jì)算各所述影響因素?cái)?shù)據(jù)的灰色關(guān)聯(lián)度：

4.根據(jù)權(quán)利要求3所述的基于用戶負(fù)荷模式分類的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述LSTM模型訓(xùn)練流程具體如下：

(1)將所述歷史數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，并進(jìn)行歸一化處理；

(2)在每個(gè)訓(xùn)練周期中，從數(shù)據(jù)集中隨機(jī)選取訓(xùn)練數(shù)據(jù)，然后輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

(3)網(wǎng)絡(luò)訓(xùn)練迭代在網(wǎng)絡(luò)啟動(dòng)之后，網(wǎng)絡(luò)層訓(xùn)練采用優(yōu)化Adam算法，直到網(wǎng)絡(luò)訓(xùn)練良好；

(4)在預(yù)測(cè)部份，待預(yù)測(cè)日相關(guān)數(shù)據(jù)被送入該待預(yù)測(cè)日所屬類別對(duì)應(yīng)的訓(xùn)練完的LSTM網(wǎng)絡(luò)中，最后輸出待預(yù)測(cè)日的負(fù)荷預(yù)測(cè)值。