基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法技术

本发明专利技术公开了一种基于DBSCAN算法和特征选择的Bi‑LSTM网络短期负荷预测方法，包括：1根据搜集到的海量特征数据，采用具有噪声的基于密度的聚类DBSCAN算法，为各样本添加类标签；2定义一种包含样本到同类与不同类最近邻距离的间隔以反映数据结构，再将样本映射到权重诱导空间，以间隔之和最大为目标函数，求解出各特征权值；3通过预试验确定特征选择阈值、神经网络层数、训练周期、学习速率等超参数；4按照特征选择阈值筛选出需要的特征数据作为输入数据，通过双向长短期记忆Bi‑LSTM网络进行短期负荷预测。本发明专利技术能充分考虑影响电力负荷的各特征因素，提高负荷预测精度并具有较大的适用范围，从而能对电力生产和电力市场有更好的指引作用，保证供电可靠性，并提高运行效率。

Short term load forecasting method of bi-lstm network based on DBSCAN algorithm and feature selection

【技术实现步骤摘要】
基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法
本专利技术涉及电力系统短期负荷预测
，特别涉及一种基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法。
技术介绍
智能电网的发展有望提供更多的信息来源，面对海量特征数据，短期负荷预测方法受到全新的挑战。电力负荷各样本数据不能直接评价好坏，从而很难实现对各特征数据的选择。现有的方法或是缺乏对数据的选择，增加模型复杂度，同时不方便推广；或是只采用了少数明显相关的数据，精度难以提高。负荷预测结果偏低将会导致系统的规划装机容量、输电裕度等不足，无法满足社会的用电需求，负荷预测结果偏高则导致一些发电、输电设备投入系统后的运行效率不高，引起投资的浪费。
技术实现思路
本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法，以期能充分考虑影响电力负荷的各特征因素，提高负荷预测精度并具有较大的适用范围，从而能对电力生产和电力市场有更好的指引作用，并保证供电可靠性，提高运行效率。本文档来自技高网...

【技术保护点】
1.一种基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法，其特征在于，包括：/n步骤1、采用DBSCAN算法对所搜集的原始特征数据中的各样本添加类标签；/n步骤2、定义一种由样本分别到同类与不同类最近邻的距离所组成的间隔以反映数据结构；再将各样本映射到权重诱导空间，从而以各样本间隔之和最大为目标函数，并求解出各特征权值；/n步骤3、通过预试验确定超参数，包括：特征选择阈值、神经网络层数、训练周期、学习速率；/n步骤4、按照所述特征选择阈值，从所述原始特征数据中筛选出需要的特征数据作为输入数据，并传递给Bi-LSTM网络进行短期负荷预测，从而得到预测结果数据。/n

【技术特征摘要】
1.一种基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法，其特征在于，包括：
步骤1、采用DBSCAN算法对所搜集的原始特征数据中的各样本添加类标签；
步骤2、定义一种由样本分别到同类与不同类最近邻的距离所组成的间隔以反映数据结构；再将各样本映射到权重诱导空间，从而以各样本间隔之和最大为目标函数，并求解出各特征权值；
步骤3、通过预试验确定超参数，包括：特征选择阈值、神经网络层数、训练周期、学习速率；
步骤4、按照所述特征选择阈值，从所述原始特征数据中筛选出需要的特征数据作为输入数据，并传递给Bi-LSTM网络进行短期负荷预测，从而得到预测结果数据。


2.如权利要求1所述的Bi-LSTM网络短期负荷预测方法，其特征在于，所述步骤1包括：
步骤1.1、按照电力系统负荷特点，搜集m个时间采样点的n个特征的原始特征数据，其中，第j个时间采样点的n个特征所组成的样本为第j个列向量aj；
步骤1.2、计算第j个列向量aj中的第i个特征aij的归一化值a′ij，从而构建所述原始特征数据的归一化矩阵A＝(a′ij)n×m；
步骤1.3、按照所设定的扫描半径e，密度阈值p，将m个样本进行聚类，并聚类过程中将噪声单独作为一类，从而为不同类的样本加上相应的类标签。


3.如权利要求2所述的Bi-LSTM网络短期负荷预测方法，其特征在于，所述步骤2包括：
步骤2.1、利用第j个列向量aj到同类最近邻NHW(aj)和不同类最近邻NMW(aj)的欧氏距离d计算第j个列向量aj的间隔ρ(aj)；
步骤2.2、定义并初始化权值向量w，其中，所述权值向量w是n行一列的变量；
步骤2.3、将第j个列向量aj乘以权值向量w，从而映射到权重诱导空间W；
步骤2.4、以m个列向量的间隔之和最大为目标函数，使用梯度下降法求解权值向量w，从而得到最优权值向量w′。


4.如权利要求3所述的Bi-LSTM网络短期负荷预测方法，其特征在于，所述步骤3中的特征选择阈值是按如下过程确定：
步骤3.1、将所述最优权值向量w′中的各个权值按从大到小的顺序自上而下依次排列，得到特征顺序I(n×1)；
步骤3.2、将所述归一化矩阵A的各行按照所述特征顺序I(n×1)依次排列，从...

【专利技术属性】
技术研发人员：吴红斌，杨龙，李诗伟，王鲸杰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34