基于改进聚类和长短期记忆深度学习的小区负荷预测方法技术

本申请公开了一种基于改进聚类和长短期记忆深度学习的小区负荷预测方法，根据不同类别住宅区影响因子，通过改进的聚类算法进行住宅类别划分，运用LSTM算法分别为每类住宅区建立对应的预测模型，并对LSTM进行Dropout处理，避免局部最优，从而得到预测负荷值，减小住宅小区自身报装容量与实际负荷的用电差异，实现对台区变压器的合理规划。根据新建小区的各属性值进行改进聚类分析后获得该小区类别，并利用对应类别的预测模型进行负荷预测，从而对业扩报装容量进行预估，指导台区建设。

Community load forecasting method based on improved clustering and long-term and short-term memory deep learning

【技术实现步骤摘要】
基于改进聚类和长短期记忆深度学习的小区负荷预测方法
本专利技术属于配网业扩报装辅助建设领域，具体涉及一种基于改进聚类和长短期记忆深度学习的小区负荷预测方法。
技术介绍
随着城镇化建设的不断加快，供给侧结构改革的大力实施，各地区用电量屡创新高，但社会电力资源分配不均，小区差异用电差异大，造成了大部分居民用电台区负荷频繁重过载的同时却伴随着某些地区台区轻载，空载甚至闲置的不良现象。所以合理的台区负荷规划和扩容对城镇电网规划就显得尤为关键，而台区配电负荷的预测是增容扩容规划的重要前期工作。住宅小区报装负荷作为城区报装负荷的重要构成部分，对住宅小区报装容量进行合理的规划和科学的预测能为台区资源规划的安全性与稳定性提供有力保障。根据预测周期时长，可将配电负荷预测大致分为长期，中期和短期预测。而对住宅小区报装容量的规划则主要是对相应台区进行未来几年内的长期负荷预测，从而避免由于容量不合理造成后期的增容困难或资源浪费。但由于电采系统上线时间较短，许多地市的实际台区数据面临数据量少，缺失等问题，所以直接利用大量数据建立较为准确的长期预测模型较为困难。同本文档来自技高网...

【技术保护点】
1.一种基于改进聚类和长短期记忆深度学习的小区负荷预测方法，其特征在于：/n根据不同类别住宅区影响因子，进行住宅类别划分，分别为每类住宅区建立对应的预测模型，得到预测负荷值，实现对台区变压器的合理规划。/n

【技术特征摘要】
1.一种基于改进聚类和长短期记忆深度学习的小区负荷预测方法，其特征在于：
根据不同类别住宅区影响因子，进行住宅类别划分，分别为每类住宅区建立对应的预测模型，得到预测负荷值，实现对台区变压器的合理规划。


2.根据权利要求1所述的基于改进聚类和长短期记忆深度学习的小区负荷预测方法，其特征在于，负荷预测方法包括如下步骤：
步骤1：获取各住宅小区的历史负荷数据，并进行预处理，得到预处后的各个住宅小区的历史负荷数据；
步骤2：根据预设定的影响因子，提取预处后的各个住宅小区的历史负荷数据属性集合，构建各个住宅小区的特征向量，进而构建住宅区样本集；
步骤3：利用改进的聚类算法，对住宅区样本集进行聚类划分，获取住宅区样本的分类数目K、K个最终的聚类中心及聚类后的样本集合；
步骤4：针对聚类后的样本集合中每一类聚类后的样本，分别采用长短期记忆深度学习预测模型，得到每一类别的长短期记忆深度学习预测模型；
步骤5：获取新建住宅小区作为测试数据，根据影响因子，提取测试住宅小区的属性集合，构建测试住宅小区的特征向量；
步骤6：计算测试住宅小区的特征向量与K个最终的聚类中心的距离，距离最小的为测试小区所在类别；
步骤7：利用测试住宅小区所在类别的长短期记忆深度学习预测模型，进行预测，得到测试小区的预测负荷。


3.根据权利要求2所述的基于改进聚类和长短期记忆深度学习的小区负荷预测方法，其特征在于，所述步骤1中预处理具体步骤包括：
步骤1.1：对各住宅小区的历史负荷数据中所有异常值和缺失值均赋予空值；
步骤1.2：对空值进行填充，得到填充后的各住宅小区的历史负荷数据；
步骤1.3：对填充后的各住宅小区的历史负荷数据进行归一化，得到归一化后的各住宅小区的历史负荷数据，公式如下：



其中，为填充后的各住宅小区的历史负荷数据，xmin为填充后的各住宅小区的历史负荷数据的最小值，xmax为填充后的各住宅小区的历史负荷数据的最大值，xi为归一化后的各住宅小区的历史负荷数据，i为住宅小区编号。


4.根据权利要求3所述的基于改进聚类和长短期记忆深度学习的小区负荷预测方法，其特征在于，在步骤1.2中，所述对空值进行填充具体为：对一日中某时刻出现的空值采用日均负荷进行插值填充，若一日中所有时刻的数据均为空值，则以其前后日最大负荷的均值进行填充，若一月内连续数日均为空值，则以月内已有负荷数据的日最大负荷均值进行填充。


5.根据权利要求2所述的基于改进聚类和长短期记忆深度学习的小区负荷预测方法，其特征在于，所述步骤2具体为：
步骤2.1：设定m个影响因子；
步骤2.2：提取预处理后的各个住宅小区的历史负荷数据属性集合A＝{a1,a2,a3,...,am}，其中，am为第m个影响因子；
步骤2.3：构建各个住宅小区的特征向量，记作xi＝{a1i,a2i,a3i,...,ami}，其中，为i住宅小区编号，ami为第i个住宅小区的第m个影响因子对应的数值；
步骤2.4：构建住宅区样本集，住宅区样本集表示为X＝{x1,x2,...xi,...,xn}，其中，n为样本...

【专利技术属性】
技术研发人员：田杨阳，张小斐，王楠，郭志民，耿俊成，袁少光，万迪名，李铭岩，刘芳冰，陶亚光，王倩，牛霜霞，毛万登，时洪飞，肖寒，
申请(专利权)人：国网河南省电力公司电力科学研究院，国网河南省电力公司卫辉市供电公司，
类型：发明
国别省市：河南;41