[發明專利]一種短期電負荷預測方法

有效

• 申請號: 202011547276.3
• 申請日: 2020-12-24
• 公開（公告）號: CN112766537B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 王健;孫曉東;莊嚴;王若曦;魏莫杋;關煥新;趙琰;姜河;羅金鳴;李昱材;于思琪;曾雅;任書影;辛長慶;姜銘坤;周航;白金禹
• 申請（專利權）人: 沈陽工程學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F18/23213;G06N3/0442;G06N3/08
• 代理公司: 沈陽銘揚聯創知識產權代理事務所(普通合伙) 21241
• 代理人: 姜璐璐

一種短期電負荷預測方法，屬于電力系統負荷預測技術領域，包括如下步驟：對采集到的歷史負荷數據進行異常處理及歸一化處理；按照歷史負荷數據時間序列不同的相關性,采用K?means方法對歷史負荷數據進行聚類分析；利用SMOTE方法對聚類后的數據進行過采樣處理等。本發明能夠有效的學習輸入時間序列負荷數據的特征，更準確的預測負荷值，提高了短期負荷預測的精度。

技術領域

本發明屬于電力系統負荷預測技術領域，具體涉及一種短期電負荷預測方法。

背景技術

在綜合能源系統和能源互聯網的高速發展中，電力負荷預測對電力系統的經濟安全運行具有重要的作用。傳統的負荷預測模型方法已在電力系統中取得了廣泛應用，傳統方法的簡單計算模型對于高隨機性、大數據背景下的動態負荷預測精度無法保證。近年來，在計算工具不斷升級和訓練數據量大規模提升的背景下，深度學習方法在電力負荷預測領域的應用得到了廣泛重視。對比于傳統的負荷預測方法，深度學習方法具有更高的預測精度，對于各種外部影響因素具有更好的魯棒性。

發明內容

本發明所要解決的技術問題是克服現有技術的缺陷，提供一種基于K-means聚類與改進LM方法優化的LSTM神經網絡的短期電負荷預測方法。本發明能夠有效的學習輸入時間序列負荷數據的特征，更準確的預測負荷值，提高了短期負荷預測的精度。

本發明采用如下技術方案：

一種短期電負荷預測方法，包括以下步驟：

(1)對采集到的歷史負荷數據進行異常處理及歸一化處理：

首先要取殘缺數據前相鄰10個數據平均值，補充缺失數據及修正失真數據，其次，在對原始數據進行異常處理后，需對異常處理后的數據進行歸一化處理，所述歸一化處理為：

對原始負荷數據進行線性變換，使原始負荷數據的結果值映射到[0-1]之間，其中，U*為歸一化處理后的負荷數據值，min?U為原始數據中最小的負荷值，max?U為采集到的負荷數據中的最大值；

(2)按照歷史負荷數據時間序列不同的相關性,采用K-means方法對歷史負荷數據進行聚類分析：

1)從采集到的歷史負荷數據樣本集中均勻選出K_p個負荷點，并將這K_p個點作為初始聚類中心；

2)把每個歷史負荷數據點分配到離它最近的中心點，計算數據點到這K_p個中心點的距離,距離的具體計算公式如下:

3)重新計算每類中的點到該類中心點距離的平均值，分配每個數據到它最近的中心點；

4)重復步驟3)，直到所有的觀測值不再被分配或是達到最大的迭代次數，迭代結束；

(3)利用SMOTE方法對聚類后的數據進行過采樣處理：

1)對于K-means聚類后將采集到的樣本數據分為A類與B類，對其中少數類樣本B類進行過采樣處理，B類中每一個樣本P，以歐氏距離為標準計算B類樣本P到B類樣本集中所有樣本的距離，得到其w個近鄰樣本；

2)從P_m的w個近鄰樣本中取出第l個近鄰樣本P_m^l；

3)通過下式計算樣本的屬性值：

其中，P_mn是過采樣得到的新樣本，P_m表示樣本P的第m個屬性值，表示第l個近鄰樣本的第m個屬性值，m∈1,2,...,N，l∈1,2,...,k；