[發明專利]基于形狀的動態時間歸整聚類的園區短期負荷預測方法

在審

• 申請號: 202110323783.7
• 申請日: 2021-03-26
• 公開（公告）號: CN112884077A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 張明理;宋坤;張娜;武志鍇;潘霄;王勇;南哲;滿林坤;程孟增;商文穎;高靖;李芳;許言路;王義賀;李純正
• 申請（專利權）人: 國網遼寧省電力有限公司經濟技術研究院;東北大學;國家電網有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 深圳至誠化育知識產權代理事務所(普通合伙) 44728
• 代理人: 涂柳曉

1.基于形狀的動態時間歸整聚類的園區短期負荷預測方法，其特征在于，該方法包括以下步驟：

S1、獲取電力系統負荷數據及其對應數據，并對負荷數據及其對應數據進行預處理；

S2、基于多尺度信息融合卷積神經網絡模型構造動態時間歸整聚類方法，完成對園區不同單位主體能耗行為的聚類分析；

S3、利用隱馬爾科夫模型對不同園區用戶下一時刻的負荷行為聚類結果進行預測；

S4、將聚類結果融入到長短期記憶模型，通過長短期記憶模型對園區不同用戶進行短期負荷預測，并將不同用戶的預測結果相加得到園區最終的短期負荷預測結果；

S5、將負荷數據及其對應數據分為訓練集和驗證集；

S6、選取固定長度的訓練集向量序列作為長短期記憶模型輸入，且將輸入向量之后固定時間的實際負荷作為模型輸出的訓練目標，并通過多次迭代訓練使模型收斂；

S7、使用驗證集驗證訓練好的長短期記憶模型，通過對比測試集和驗證集的精度和誤差，調整模型參數，且通過多次訓練，選擇驗證集表現最好的模型作為訓練結果；

S8、在實際環境中運行長短期記憶模型，且當預測值和實際值出現較大偏差時，將最新數據加入訓練集再次訓練模型；

其中，S1中對應數據包括但不限于氣候數據、節假日數據。

2.根據權利要求1所述的基于形狀的動態時間歸整聚類的園區短期負荷預測方法，其特征在于，所述S1中獲取電力系統負荷數據及其對應數據，并對負荷數據及其對應數據進行預處理包括以下步驟：

S11、獲取電力系統負荷數據及其對應數據；

S12、將負荷數據及其對應數據中的時間數據轉換為數值型數據，且對所有數據進行標準化處理，并對其中的缺失值進行均值插補處理，同時將節假日數據轉換為二值數據；

S13、按照時間先后順序形成輸入向量序列；

S14、以預先設定時刻的未來一段時間內的系統負荷作為預測目標。

3.根據權利要求1所述的基于形狀的動態時間歸整聚類的園區短期負荷預測方法，其特征在于，所述S2中多尺度信息融合卷積神經網絡模型的公式為：

p_i＝(n_i,m_i)∈[1:N]×[1:N]，1＝i＝L。

4.根據權利要求3所述的基于形狀的動態時間歸整聚類的園區短期負荷預測方法，其特征在于，所述S2中構造動態時間歸整聚類方法，完成對園區不同單位主體能耗行為的聚類分析包括以下步驟：

S21、設置邊界條件，其中，

p₁＝(1,1)，

且p_L＝(N,N)；

S22、規定路徑上的每個點隨著時間單調進行，且n_i和m_i滿足n₁≤n_i≤n_L和m₁≤m_i≤m_L；

S23、規定路徑上一點p_i＝(n_i,m_i)，

則下一個點p_i+1＝(n_i+1,m_i+1)滿足n_i+1-n_i≤1且m_i+1-m_i≤1；

S24、計算時間序列X，Y之間的規整路徑總代價函數，該函數的公式為

S25、計算時間序列X，Y中每兩個點之間的距離，并利用一個代價矩陣C保存，通過遞歸計算最優規整路徑的總代價，該遞歸公式為：

5.根據權利要求4所述的基于形狀的動態時間歸整聚類的園區短期負荷預測方法，其特征在于，所述S25中計算最優規整路徑的總代價之后包括以下步驟：

設定園區用戶負荷曲線為X，聚類數目為K，每個簇的原型設為μ_k；

基于DTW的聚類算法找到K個簇的DTW距離之和最下，即：