[發(fā)明專利]基于形狀的動態(tài)時間歸整聚類的園區(qū)短期負荷預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202110323783.7
• 申請日: 2021-03-26
• 公開（公告）號: CN112884077A
• 公開（公告）日: 2021-06-01
• 發(fā)明（設(shè)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(quán)）人: 國網(wǎng)遼寧省電力有限公司經(jīng)濟技術(shù)研究院;東北大學(xué);國家電網(wǎng)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(chǎn)權(quán)代理事務(wù)所(普通合伙) 44728
• 代理人: 涂柳曉

本發(fā)明公開了基于形狀的動態(tài)時間歸整聚類的園區(qū)短期負荷預(yù)測方法，該方法包括以下步驟：獲取數(shù)據(jù)并預(yù)處理；完成對園區(qū)不同單位主體能耗行為的聚類分析；對不同園區(qū)用戶下一時刻的負荷行為聚類結(jié)果進行預(yù)測；得到園區(qū)最終的短期負荷預(yù)測結(jié)果；將負荷數(shù)據(jù)及其對應(yīng)數(shù)據(jù)分為訓(xùn)練集和驗證集；將輸入向量之后固定時間的實際負荷作為模型輸出的訓(xùn)練目標；選擇驗證集表現(xiàn)最好的模型作為訓(xùn)練結(jié)果；在實際環(huán)境中運行長短期記憶模型，且當(dāng)預(yù)測值和實際值出現(xiàn)較大偏差時，將最新數(shù)據(jù)加入訓(xùn)練集再次訓(xùn)練模型。有益效果：本發(fā)明提出的方法有效融入園區(qū)用戶每日能耗行為特征進行短期負荷預(yù)測，可以有效提升預(yù)測精度。

技術(shù)領(lǐng)域

本發(fā)明涉及短期負荷預(yù)測領(lǐng)域，具體來說，涉及基于形狀的動態(tài)時間歸 整聚類的園區(qū)短期負荷預(yù)測方法。

背景技術(shù)

隨著新一輪電力體制改革的不斷推進，增量配電業(yè)務(wù)改革成為政府和全社 會最為關(guān)注的話題。近兩年，又有更多的增量配電網(wǎng)試點項目上馬，不斷吸引 社會優(yōu)質(zhì)資本參與。試點項目業(yè)主大部分以高新產(chǎn)業(yè)園區(qū)、循環(huán)經(jīng)濟園區(qū)以及 工業(yè)園區(qū)組成。這些主體用電負荷相對較為集中，規(guī)律性較強，因此試點項目 中的用電主體用電負荷特性在當(dāng)前增量配電網(wǎng)市場建設(shè)中有非常重要的意義。

增量供電市場競爭中，供電經(jīng)濟性與可靠性是決定性因素。可靠性方面， 不同供電方式的供電可靠性不同，花費的成本也有差別，但在當(dāng)前政策下，電 網(wǎng)成本用于提升可靠性的作用無法體現(xiàn)，因此在當(dāng)前電價市場機制未完全成熟 前，依托供電可靠性的競爭相對難以把握；經(jīng)濟性方面，需要通過精準措施， 有針對性地滿足園區(qū)供電需求，提高增量配網(wǎng)的投入產(chǎn)出比是現(xiàn)階段市場中重 要的影響因素，故對其進行負荷預(yù)測就顯得尤為重要。針對于園區(qū)傳統(tǒng)的預(yù)測 方法多采用基于機器學(xué)習(xí)和深度學(xué)習(xí)的負荷預(yù)測方法。這些技術(shù)往往接受較長 的負荷序列，利用復(fù)雜的學(xué)習(xí)機制提取序列中非線性關(guān)系以此形成較好的負荷 預(yù)測結(jié)果。但在園區(qū)負荷預(yù)測中，由于園區(qū)內(nèi)不同單位主體具有較強的能耗相 關(guān)性，如果對不同單位的用電行為進行聚類分析，同時將結(jié)果融入到負荷預(yù)測 的過程，可以大幅度提升園區(qū)整體負荷預(yù)測水平。

針對相關(guān)技術(shù)中的問題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

針對相關(guān)技術(shù)中的問題，本發(fā)明提出基于形狀的動態(tài)時間歸整聚類的園 區(qū)短期負荷預(yù)測方法，以克服現(xiàn)有相關(guān)技術(shù)所存在的上述技術(shù)問題。

為此，本發(fā)明采用的具體技術(shù)方案如下：

基于形狀的動態(tài)時間歸整聚類的園區(qū)短期負荷預(yù)測方法，該方法包括 以下步驟：

S1、獲取電力系統(tǒng)負荷數(shù)據(jù)及其對應(yīng)數(shù)據(jù)，并對負荷數(shù)據(jù)及其對應(yīng)數(shù) 據(jù)進行預(yù)處理；

S2、基于多尺度信息融合卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)造動態(tài)時間歸整聚類方 法，完成對園區(qū)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(qū)用戶下一時刻的負荷行為聚類結(jié) 果進行預(yù)測；

S4、將聚類結(jié)果融入到長短期記憶模型，通過長短期記憶模型對園區(qū) 不同用戶進行短期負荷預(yù)測，并將不同用戶的預(yù)測結(jié)果相加得到園區(qū)最終 的短期負荷預(yù)測結(jié)果；

S5、將負荷數(shù)據(jù)及其對應(yīng)數(shù)據(jù)分為訓(xùn)練集和驗證集；

S6、選取固定長度的訓(xùn)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(xùn)練目標，并通過多次 迭代訓(xùn)練使模型收斂；

S7、使用驗證集驗證訓(xùn)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(diào)整模型參數(shù)，且通過多次訓(xùn)練，選擇驗證集表現(xiàn)最 好的模型作為訓(xùn)練結(jié)果；

S8、在實際環(huán)境中運行長短期記憶模型，且當(dāng)預(yù)測值和實際值出現(xiàn)較 大偏差時，將最新數(shù)據(jù)加入訓(xùn)練集再次訓(xùn)練模型；

其中，S1中對應(yīng)數(shù)據(jù)包括但不限于氣候數(shù)據(jù)、節(jié)假日數(shù)據(jù)。