[发明专利]一种基于改进K均值聚类CCA-BiLSTM多维度短期电力负荷预测方法

说明书

本发明公开了一种基于改进K均值聚类CCA‑BiLSTM多维度短期电力负荷预测方法，属于电力负荷预测技术领域。该方法首先对历史负荷与多维度数据进行预处理，按月去除异常值、补充缺失值；之后初定k个日负荷特征标签，采用PCCs改进的K均值算法对历史负荷数据聚类并采用DBi指数分析，结合分析结果与工程经验，明确日负荷标签k值与其对应负荷标签w的特征；构建预处理后的历史多维度数据向量集，将其与历史负荷数据进行CCA贡献度分析，并筛分出10个特征变量重构特征数据集；利用历史负荷数据、负荷标签与重构数据集完成BiLSTM网络进行训练，最终实现对未来短期电力负荷数据的预测。利用本发明所提出的短期电力负荷预测方法，可降低预测过程的时间冗余度，减少所需外部变量的维度，有效增强负荷预测结果的准确性与通用性。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种基于改进K均值聚类CCA-BiLSTM多维度短期电力负荷预测方法。

背景技术

短期电力负荷预测作为保障电力系统平稳运行的重要组成，准确的预测将有助于改善供给侧结构，帮助电网及时掌握用户负荷需求的变化趋势，指导供电方制定更为高效安全的电力调度策略，为智能电网建设与节能减排工作的开展提供重要参考。

根据采用预测基本方法的不同，目前电力负荷预测方法可分为基于传统数学模型、基于单一智能算法与组合结构3种。基于传统数学模型的预测方法以纯数理推导为主，通过数据本身特征来分析负荷变化趋势，其代表方法包括卡尔曼滤波、指数平滑、小波分析、线性回归分析等。早期该方法因运算量小、对简单线性负荷预测精准的优势受到广泛应用，但非线性负荷的增多导致其预测精度与适应度极大降低。基于单一智能算法的预测方法主要以浅层神经网络算法、支持向量机等人工智能算法为基础发展而来，其较传统数学模型方法对非线性数据处理能力有一定的提升，可分析多维度信息提高预测精度，但因其仍存在模型深度不足、泛化能力弱的问题，使其容易造成构建的网络不稳定、所获结果不收敛等问题。组合结构的负荷预测方法通常将多个具有不同优势的算法进行直接组合或加权组合，从而提高方法的整体性能优势满足短期电力负荷预测的实际需要。一般情况下组合结构方法精度均高于单一模型，但实际情况中短期电力负荷受多维度参数影响将对组合结构负荷预测的结果产生影响，导致最终数据挖掘不充分，影响最终结果的准确度。综上所述，找到一种具有高精度的多维度短期电力负荷预测方法十分必要。

发明内容

针对上述现有技术的不足，本发明提供一种基于改进K均值聚类CCA-BiLSTM多维度短期电力负荷预测方法。

本发明所采取的技术方案是一种基于改进K均值聚类CCA-BiLSTM多维度短期电力负荷预测方法，总体流程如图1所示，包括以下9个步骤。

步骤1：历史日负荷数据及历史多维度信息预处理根据数据特征可分为序数型、日平均型、标称型三类数据，这三类原始数据因记录设备及记录手段等原因可能造成已有历史数据存在记录错误或数据空缺，在进行数据分析前应对其进行预处理修正，其流程如图2所示，具体步骤如下。

步骤1.1：分辨数据类型，历史电力负荷、历史温度、历史风力等多以连续的时间函数表示的原始数据为序数型数据，日平均温度、日平均风力等在序数型基础上按日取平均值获得的原始数据为日平均型数据，季节、月份、星期、节假日、工作日等离散时间或特征数据为标称型数据。

步骤1.2：对序数型历史数据进行初步划分与补位，若序数型历史数据具有N天，则将其以日为单位划分为向量x₁、x₂、…、x_N，每个日向量都含有n个时间粒度元素，若存在某日向量x_i中某一个时间粒度下元素x_ij数据缺失，则该日认定为缺失日，同时采用0补齐缺失数据待后续进一步处理。