[发明专利]一种基于K-means的多分支AGCNN短期电力负荷预测方法

说明书

本发明涉及一种基于K‑means的多分支AGCNN短期电力负荷预测方法，包括以下步骤：导入台区的电力负荷历史数据，采用K‑近邻算法对数据进行预处理，得到归一化后的数据；对归一化后的数据采用K‑means聚类得到该台区的负荷类型；构建一个多分支AGCNN短期电力负荷预测模型的网络结构，并对不同类型负荷的样本进行预处理；在多分支AGCNN短期电力负荷预测模型中，采用Adam算法对负荷数据进行网络训练；基于多分支AGCNN短期电力负荷预测模型预测该台区的电力负荷，得到负荷预测结果。本发明能够深度挖掘数据提供的特征并降低特征的复杂度，提高对台区短期电力负荷的预测精度。

技术领域

本发明属于电力负荷预测技术领域，具体涉及一种基于K-means的多分支AGCNN短期电力负荷预测方法。

背景技术

电力负荷预测为电力系统的规划、运行和调度提供有效的支撑。然而，配电网中的工业用电、商业用电以及居民用电量呈现增长速度快且负荷特性多样化的特征，并且不同用户间的负荷特性由于不同行业之间生产过程、用电峰谷期的不同而存在显著差异，因此供电分区中配变负荷的变化规律随着用电区域以及用户电力消费模式等因素的不同而存在明显的差异。对各供电分区采用泛化的预测模型会因为无法汲取不同类型用户的用电特性而导致预测精度不足，甚至会引起训练发散；同时，由于一个供电分区内配变数量成百上千，对单台配变的负荷曲线进行预测建模工作难以开展。

目前，电力系统负荷预测一般根据预测时间尺度可分为短期、中期和长期预测，其中配电网台区的短期负荷预测是配电网经济高效运行的重要技术，短期负荷预测主要根据配电网历史运行数据，推断负荷未来短期一段时间内的变化趋势。现有的短期负荷预测方法有：将负荷按照季节变化的温度进行自适应划分，采用优化的离群鲁棒极限学习机算法对负荷数据进行预测，提升短期负荷预测的效果；基于用电量数据对台区负荷进行多级聚类，构建基于脉冲神经网络的负荷预测模型，实现负荷的精准分类预测。上述两种方法直接对混合负荷进行预测，无法挖掘不用台区的用电特性规律，导致预测精度不足。还有基于注意力机制的CNN-LSTM短期电力负荷预测方法，利用CNN与LSTM结合可以减少历史信息的丢失，但对于只处理历史时序数据来说，CNN与LSTM的结合过于复杂，会导致计算负担加重，基于此基础提出的双通道GCNN模型，预测精度得到了进一步提升，但其采用的基础卷积神经网络缺少对时间序列特征的优化，因此准确性不高。针对上述问题，本发明提供一种能够深度挖掘数据特征，降低特征的复杂度，充分利用历史数据的长短时依赖性，提高预测精度的基于K-means的多分支AGCNN短期电力负荷预测方法。

发明内容

本发明的目的是为了克服现有技术的不足，而提供一种基于K-means的多分支AGCNN短期电力负荷预测方法，能够深度挖掘数据提供的特征并降低特征的复杂度，提高预测精度。

本发明采用的技术方案为：一种基于K-means的多分支AGCNN短期电力负荷预测方法，包括以下步骤：

S1：导入台区的电力负荷历史数据，采用K-近邻算法对数据进行预处理，得到归一化后的数据；

S2：对归一化后的数据采用K-means聚类得到该台区的负荷类型；

S3：构建一个多分支AGCNN短期电力负荷预测模型的网络结构，并对不同类型负荷的样本进行预处理；

S4：在多分支AGCNN短期电力负荷预测模型中，采用Adam算法对负荷数据进行网络训练；

S5：基于多分支AGCNN短期电力负荷预测模型预测该台区的电力负荷，得到负荷预测结果。

具体的，所述步骤S1中，采用K-近邻算法对数据进行预处理具体为：对于台区的电力负荷历史数据，采用K-近邻算法对有缺失数据但未整月缺失的月份进行数据填补，对于整月缺失的数据用该地区近邻月份或者近邻地区同一月份的数据进行替补，并对缺失值处理后的数据进行归一化处理。