[发明专利]一种基于余弦相似度分类的负荷预测方法

权利要求书

1.一种基于余弦相似度分类的负荷预测方法，其特征在于：包括以下步骤：

步骤一：对负荷检测点的负荷数据的余弦特征值按天为单位进行特征抽取，并以天为单位将负荷检测点的余弦特征值进行聚类处理生成负荷数据的聚类模型；

步骤二：将步骤一生成的负荷数据的聚类模型和天气数据的聚类模型进行关联分析，找到特定天气与特定负荷曲线的相关关系；并形成一组{C,D}的关系；其中C为网供负荷数据在聚类模型的簇值，D为天气数据在聚类模型中的簇值；

步骤三：负荷数据及天气数据聚类完成后，按簇类来抽取网供负荷数据集及相同日期的天气情况，节假日情况数据进行模型构建，具体为将相关联的负荷数据，天气数据，节假日数据加入到模型的输入参数中。

2.根据权利要求1所述的一种基于余弦相似度分类的负荷预测方法，其特征在于：步骤一中还包括负荷数据标幺化处理过程，具体为：标幺化处理的公式如公式(1)：

式(1)中X_i为标幺化后测量点i的负荷值，p_i为测量点i的测量负荷值，p_max、p_min分别为原始负荷曲线中的最大值和最小值；

式(2)中对标幺化后相邻的负荷点a与b进行余弦值计算，其中：假设a的向量是(x₁,y₁),b的向量是(x₂,y₂)。

3.根据权利要求1所述的一种基于余弦相似度分类的负荷预测方法，其特征在于：步骤二中还包括：在负荷数据的聚类模型和天气数据的聚类模型进行关联分析前，对天气数据进行非结构化数据到结构化数据的转换，即将天气状态，风向的文字信息转化成数值格式；负荷数据的聚类模型和天气数据的聚类模型进行关联分析，形成一组{C,D}的关系，C为网供负荷特征在聚类模型的簇值，D为天气数据在聚类模型中的簇值的具体的公式为:

Support(C_i-C_j)＝P(C_iUC_j) (3)

Confidence(C_i-C_j)＝P(C_i|C_j) (4)

其中，支持度Support(C_i-C_j)指给定的项集在事务T中同时出现的概率；置信度Confidence(C_i-C_j)指出现C_i的事务T中，项集C_j也同时出现的概率；支持度如公式(3)，置信度如公式(4)。

4.根据权利要求1所述的一种基于余弦相似度分类的负荷预测方法，其特征在于：所述步骤三的具体步骤为：

301构造基于GRU的5层网络，包括1个输入层，3个隐藏层和1个输出层；所述输入层为输入时刻点的负荷数据，天气数据；所述输出层为单个时刻点的预测负荷数值；

302指定输入层节点为GRU的3D数据其中时间步长为240、特征为7，第一个隐藏层为GRU层节点数为25，第二个为GRU层节点数为25，第三个隐藏层节点数为32，输出的节点数为1；

303所述训练的GRU网络，计算3个隐藏层和1个输出层的输出值和各层之间的权值及偏置值；并在各层间加入dropout方法防治拟合，完成GRU全局训练；

304得出预测系统的最优权值和偏置值得到最优的电网负荷预测模型。