一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置制造方法及图纸

本公开公开了一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置，该方法包括：接收电网母线数据，分析电网母线负荷特性，确定短期母线负荷预测影响因子；提取影响因子的特征，进行数据标准化处理，建立负荷数据库；采用聚类算法将具有相似特征的母线进行聚合，确定K值；通过深度学习长短期记忆网络建立K种模式对应的预测模型；采用Momentum算法优化预测模型，完成母线负荷预测。

A Bus Short-term Daily Load Forecasting Method and Device Combining Clustering and Deep Learning Algorithms

【技术实现步骤摘要】
一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置
本公开属于电网调度部门负荷预测的
，涉及一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。母线负荷预测结果的精度，会显著影响安全校核与日前计划，为了保证电力系统安全稳定、经济地运行，避免造成不必要的能源浪费，就必须掌握各种负荷的变化规律和发展趋势。母线负荷预测结果可为电网提供假想潮流数据，是安全稳定分析、无功优化、动态状态估计、厂站局部控制等的基袖，提高了电网调度的精益化和智能化水平。然而，专利技术人在研究过程中发现，母线负荷预测的难点在于与系统负荷相比，母线负荷的基荷小、波动大、毛刺多，目前常见的线性回归方法已无法达到理想的精度。
技术实现思路
针对现有技术中存在的不足，解决母线数目众多，量大面广的问题，本公开的一个或多个实施例提供了一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置,有效提高母线短期日负荷预测精度。根据本公开的一个或多个实施例的一个方面，提供一种结合聚类和深度学习算法的母线短期日负荷预测方法。一种结合聚类和深度学习算法的母线短期日负荷预测方法，该方法包括：接收电网母线数据，分析电网母线负荷特性，确定短期母线负荷预测影响因子；提取影响因子的特征，进行数据标准化处理，建立负荷数据库；采用聚类算法将具有相似特征的母线进行聚合，确定K值；通过深度学习长短期记忆网络建立K种模式对应的预测模型；采用Momentum算法优化预测模型，完成母线负荷预测。进一步地，在该方法中，所述电网母线数据包括母线供电类型、日期类型、温度、光照情况、电价和日负荷。进一步地，在该方法中，所述确定短期母线负荷预测影响因子的具体步骤包括：利用相关系数分析方法确定所述电网母线数据之间的相关系数；。将相关系数大于相关性阈值的电网母线数据确定为短期母线负荷预测影响因子。进一步地，在该方法中，采用Z-score标准化方法对提取影响因子的特征进行归一标准化处理。进一步地，在该方法中，采用k-meansclustering算法将具有相似特征的母线进行聚合，具体步骤包括：以母线为单位，计算负荷数据库中所有数据之间的欧式距离；计算每个数据对象之间的密度，将密度大于密度阈值的点形成密度集合；从密度集合中选择密度最大的点为第一个初始点，找出距离第一个初始点距离最远的点；在密度集合中选择与第一个初始点和距离第一个初始点距离最远的点最大的最小距离的点；选择与已选出聚类中心最大的最小距离的点，作为第二个初始点；迭代计算将得到的K个初始点作为均值算法的出发点进行计算。进一步地，在该方法中，所述密度阈值根据数据集对象个数进行开方运算得到。进一步地，在该方法中，所述通过深度学习长短期记忆网络建立K种模式对应的预测模型的具体步骤包括：搭建负荷预测的深度学习长短期记忆模型；针对所分K种母线模式，分别对每种模式的母线训练，建立对应的K种模型。根据本公开的一个或多个实施例的一个方面，提供一种计算机可读存储介质。一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法。根据本公开的一个或多个实施例的一个方面，提供一种终端设备。一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法。根据本公开的一个或多个实施例的一个方面，提供一种结合聚类和深度学习算法的母线短期日负荷预测装置。一种结合聚类和深度学习算法的母线短期日负荷预测装置，基于所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法，包括：影响因子确定模块，被配置为接收电网母线数据，分析电网母线负荷特性，确定短期母线负荷预测影响因子；负荷数据库建立模块，被配置为提取影响因子的特征，进行数据标准化处理，建立负荷数据库；模式分类模块，被配置为采用聚类算法将具有相似特征的母线进行聚合，确定K值；预测模型构建模块，被配置为通过深度学习长短期记忆网络建立K种模式对应的预测模型；母线负荷预测模块，被配置为采用Momentum算法优化预测模型，完成母线负荷预测。本公开的有益效果：(1)本公开提供的一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置，针对母线模型数量多，基数低的难题，采用聚类算法，将特征相似的模型聚合在一起，建立对应的模型，从而提高精确性。(2)本公开提供的一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置，采用先进算法，预测准确度高。日负荷预采用长短期记忆模型算法，充分考虑时间序列，有效解决在传统算法下难以解决的时序疑难问题。(3)本公开提供的一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置，采用Momentum算法优化，母线短期日负荷预测结果更加准确。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1是根据一个或多个实施例的一种结合聚类和深度学习算法的母线短期日负荷预测方法流程图；图2是根据一个或多个实施例的长短期记忆网络LSTM网络结构图；图3是根据一个或多个实施例的某母线短期日负荷预测结果图。具体实施方式：下面将结合本公开的一个或多个实施例中的附图，对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开的一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合，下面结合附图与实施例对本公开作进一步本文档来自技高网...

【技术保护点】
1.一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，该方法包括：接收电网母线数据，分析电网母线负荷特性，确定短期母线负荷预测影响因子；提取影响因子的特征，进行数据标准化处理，建立负荷数据库；采用聚类算法将具有相似特征的母线进行聚合，确定K值；通过深度学习长短期记忆网络建立K种模式对应的预测模型；采用Momentum算法优化预测模型，完成母线负荷预测。

【技术特征摘要】
1.一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，该方法包括：接收电网母线数据，分析电网母线负荷特性，确定短期母线负荷预测影响因子；提取影响因子的特征，进行数据标准化处理，建立负荷数据库；采用聚类算法将具有相似特征的母线进行聚合，确定K值；通过深度学习长短期记忆网络建立K种模式对应的预测模型；采用Momentum算法优化预测模型，完成母线负荷预测。2.如权利要求1所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，在该方法中，所述电网母线数据包括母线供电类型、日期类型、温度、光照情况、电价和日负荷。3.如权利要求1所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，在该方法中，所述确定短期母线负荷预测影响因子的具体步骤包括：利用相关系数分析方法确定所述电网母线数据之间的相关系数；。将相关系数大于相关性阈值的电网母线数据确定为短期母线负荷预测影响因子。4.如权利要求1所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，在该方法中，采用Z-score标准化方法对提取影响因子的特征进行归一标准化处理。5.如权利要求1所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，在该方法中，采用k-meansclustering算法将具有相似特征的母线进行聚合，具体步骤包括：以母线为单位，计算负荷数据库中所有数据之间的欧式距离；计算每个数据对象之间的密度，将密度大于密度阈值的点形成密度集合；从密度集合中选择密度最大的点为第一个初始点，找出距离第一个初始点距离最远的点；在密度集合中选择与第一个初始点和距离第一个初始点距离最远的点最大的最小距离的点；选择与已选出聚类中心最大的最小距离的点，作...

【专利技术属性】
技术研发人员：李康，刘恒杰，亓晓燕，胡昌伦，孟凡敏，刘啸宇，王涛，许晓敏，王文君，陈霖，陈泽伟，陈爱友，梁龙飞，秦子健，丁吉峰，张方芬，李新蕾，
申请(专利权)人：国网山东省电力公司莱芜供电公司，国家电网有限公司，
类型：发明
国别省市：山东,37