[發明專利]一種基于改進K均值聚類CCA-BiLSTM多維度短期電力負荷預測方法

在審

• 申請號: 202210003822.X
• 申請日: 2022-01-04
• 公開（公告）號: CN114358185A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 李鑫;李昊;楊楨;李洪珠;左輝;馬煜翔;徐彤
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/903;H02J3/00;G06Q50/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于改進K均值聚類CCA?BiLSTM多維度短期電力負荷預測方法，屬于電力負荷預測技術領域。該方法首先對歷史負荷與多維度數據進行預處理，按月去除異常值、補充缺失值；之后初定k個日負荷特征標簽，采用PCCs改進的K均值算法對歷史負荷數據聚類并采用DBi指數分析，結合分析結果與工程經驗，明確日負荷標簽k值與其對應負荷標簽w的特征；構建預處理后的歷史多維度數據向量集，將其與歷史負荷數據進行CCA貢獻度分析，并篩分出10個特征變量重構特征數據集；利用歷史負荷數據、負荷標簽與重構數據集完成BiLSTM網絡進行訓練，最終實現對未來短期電力負荷數據的預測。利用本發明所提出的短期電力負荷預測方法，可降低預測過程的時間冗余度，減少所需外部變量的維度，有效增強負荷預測結果的準確性與通用性。

技術領域

本發明涉及電力負荷預測技術領域，尤其涉及一種基于改進K均值聚類CCA-BiLSTM多維度短期電力負荷預測方法。

背景技術

短期電力負荷預測作為保障電力系統平穩運行的重要組成，準確的預測將有助于改善供給側結構，幫助電網及時掌握用戶負荷需求的變化趨勢，指導供電方制定更為高效安全的電力調度策略，為智能電網建設與節能減排工作的開展提供重要參考。

根據采用預測基本方法的不同，目前電力負荷預測方法可分為基于傳統數學模型、基于單一智能算法與組合結構3種。基于傳統數學模型的預測方法以純數理推導為主，通過數據本身特征來分析負荷變化趨勢，其代表方法包括卡爾曼濾波、指數平滑、小波分析、線性回歸分析等。早期該方法因運算量小、對簡單線性負荷預測精準的優勢受到廣泛應用，但非線性負荷的增多導致其預測精度與適應度極大降低。基于單一智能算法的預測方法主要以淺層神經網絡算法、支持向量機等人工智能算法為基礎發展而來，其較傳統數學模型方法對非線性數據處理能力有一定的提升，可分析多維度信息提高預測精度，但因其仍存在模型深度不足、泛化能力弱的問題，使其容易造成構建的網絡不穩定、所獲結果不收斂等問題。組合結構的負荷預測方法通常將多個具有不同優勢的算法進行直接組合或加權組合，從而提高方法的整體性能優勢滿足短期電力負荷預測的實際需要。一般情況下組合結構方法精度均高于單一模型，但實際情況中短期電力負荷受多維度參數影響將對組合結構負荷預測的結果產生影響，導致最終數據挖掘不充分，影響最終結果的準確度。綜上所述，找到一種具有高精度的多維度短期電力負荷預測方法十分必要。

發明內容

針對上述現有技術的不足，本發明提供一種基于改進K均值聚類CCA-BiLSTM多維度短期電力負荷預測方法。

本發明所采取的技術方案是一種基于改進K均值聚類CCA-BiLSTM多維度短期電力負荷預測方法，總體流程如圖1所示，包括以下9個步驟。

步驟1：歷史日負荷數據及歷史多維度信息預處理根據數據特征可分為序數型、日平均型、標稱型三類數據，這三類原始數據因記錄設備及記錄手段等原因可能造成已有歷史數據存在記錄錯誤或數據空缺，在進行數據分析前應對其進行預處理修正，其流程如圖2所示，具體步驟如下。

步驟1.1：分辨數據類型，歷史電力負荷、歷史溫度、歷史風力等多以連續的時間函數表示的原始數據為序數型數據，日平均溫度、日平均風力等在序數型基礎上按日取平均值獲得的原始數據為日平均型數據，季節、月份、星期、節假日、工作日等離散時間或特征數據為標稱型數據。

步驟1.2：對序數型歷史數據進行初步劃分與補位，若序數型歷史數據具有N天，則將其以日為單位劃分為向量x₁、x₂、…、x_N，每個日向量都含有n個時間粒度元素，若存在某日向量x_i中某一個時間粒度下元素x_ij數據缺失，則該日認定為缺失日，同時采用0補齊缺失數據待后續進一步處理。