[发明专利]基于用户负荷模式分类的短期电力负荷预测方法

权利要求书

1.基于用户负荷模式分类的短期电力负荷预测方法，其特征在于，所述短期电力负荷预测方法主要包括海量高维数据预处理、用户负荷模式分类器、LSTM模型训练及预测，具体包括以下步骤：

步骤(1)：导入某地区电力负荷和对应影响因素的所有历史数据，并对数据进行预处理；其中：对于缺失较少的数据可以采用均值填充的方法，而对于缺失量较大的数据则直接删除，进入步骤(2)；

步骤(2)：对历史负荷数据进行K-means聚类分析，按照曲线形状聚集相似日，将曲线分为不同类别，记录类别标签，进入步骤(3)；

步骤(3)：对所述历史负荷数据和对应的影响因素数据进行无量纲化处理，进入步骤(4)；

步骤(4)：利用灰色关联法分析所述历史负荷数据与对应的所述影响因素数据间的相关性，计算各所述影响因素数据的灰色关联度，进入步骤(5)；

步骤(5)：将所述关联度从大到小排列，选取关联度大于0.7的影响因素作为关键影响因素，进入步骤(6)；

步骤(6)：按照步骤(2)得到的相似日标签，把每种类别的所述历史负荷数据分别作为每个LSTM预测模型的输入，进入步骤(7)；

步骤(7)：在输入层将数据分成训练集和测试集，并进行归一化处理，进入步骤(8)；

步骤(8)：在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练，进入步骤(9)；

步骤(9)：网络训练迭代在网络启动之后，网络层训练采用优化Adam算法，直到网络训练良好，进入步骤(10)；

步骤(10)：将待预测日的所述关键影响因素数据输入到KNN分类器中，进入步骤(11)；

步骤(11)：采用欧氏距离计算待预测日数据与各历史数据的距离，进入步骤(12)；

步骤(12)：将计算的所述距离进行由小到大排序，进入步骤(13)；

步骤(13)：找出距离最小的k个值，计算找出的值中每个类别的频次，进入步骤(14)；

步骤(14)：返回频次最高的类别，即为待预测日的类别，完成基于KNN分类器的待预测日类别识别，进入步骤(15)；

步骤(15)：根据待预测日分类标签，将相关数据输入到对应的负荷预测模型中，进入步骤(16)；

步骤(16)：通过训练好的所述LSTM模型进行预测，输出待预测日的预测值，结束。

2.根据权利要求1所述的基于用户负荷模式分类的短期电力负荷预测方法，其特征在于，步骤(2)中所述K-means聚类分析方法具体步骤如下：输入所需类数k和原始数据集，首先随机选取k个聚类中心，逐一计算其余数据到聚类中心的距离，将与聚类中心k最近的数据归为第k类，将它们的均值作为新的聚类中心，重复上述过程，直到所有的数据分类完成，得到每个样本的类标签；能够将一定时间内的日负荷曲线自动划分为一定数量的类，类中负荷曲线皆为相似日的负荷曲线。

3.根据权利要求2所述的基于用户负荷模式分类的短期电力负荷预测方法，其特征在于，步骤(4)中利用灰色关联法分析所述历史负荷数据与对应的所述影响因素数据间的相关性，

记Δ_i(k)＝|y(k)-x_i(k)|，则

计算关联系数y是参考数列，x是比较数列；i是比较数列的个数，k是数列中的元素个数；ρ∈(0,∞)，是分辨系数，ρ越小，分辨力越大，一般取0.5；所述参考数列为所述历史负荷数据，所述比较数列为各所述影响因素数据组成的数据序列；

计算各所述影响因素数据的灰色关联度：

4.根据权利要求3所述的基于用户负荷模式分类的短期电力负荷预测方法，其特征在于，所述LSTM模型训练流程具体如下：

(1)将所述历史数据划分为训练集和测试集，并进行归一化处理；

(2)在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练；

(3)网络训练迭代在网络启动之后，网络层训练采用优化Adam算法，直到网络训练良好；

(4)在预测部份，待预测日相关数据被送入该待预测日所属类别对应的训练完的LSTM网络中，最后输出待预测日的负荷预测值。