基于用户负荷模式分类的短期电力负荷预测方法技术

本发明专利技术提供了一种基于用户负荷模式分类的短期电力负荷预测方法，所述短期电力负荷预测方法主要包括海量高维数据预处理、用户负荷模式分类器、LSTM模型训练及预测，通过对所有历史样本进行数据预处理、K

【技术实现步骤摘要】
基于用户负荷模式分类的短期电力负荷预测方法


[0001]本专利技术属于电力负荷预测领域，特别涉及一种基于用户负荷模式分类的短期电力负荷预测方法。

技术介绍

[0002]为了满足不断增长的能量需求，建立安全、可靠、环保、高效以及友好型的电力网络已经成为日前的研究热点。智能电网的概念为建设新的电网提供了一个很好的解决方案。智能电网的发展推动了用户侧智能电表的普及，随着智能电表数量的不断增加，设备传输和采集的各种类型的数据量也呈指数增长，并逐渐形成用户端大数据，加大了负荷预测和需求侧管理等工作的难度，但这些数据中隐藏着用户用电行为的潜在有用信息，准确了解用户用电行为模式对电网来说己经成为负荷预测、需求侧管理、用电定价等方面的重要前提。
[0003]电力负荷预测主要是在考虑电力负荷影响因素的基础上对其历史数据进行分析，获取其中有用的信息并建立数学模型，来对未来一段时间的电能发展趋势以及电力使用情况进行估计。若是能够准确预测未来的电力负荷波动情况，将会为电力系统管理部门科学有效的管理电力使用情况，减少资源浪费、降低发电成本，优化电网中电力资源的合理分配以及建立经济合理的发电计划提供极大帮助。事实上，用户的用电行为是相似的，通过负荷聚类方法能将海量的用户负荷分类成若干类别，分析类别内的用户用电行为的共同性和不同类别用电行为的差异性，建立针对具体类别的预测模型，可以大大提升预测精确度。
[0004]传统的负荷预测主要凭借调度员或者专家进行主观判断。后来随着统计学方法的发展产生了时间序列法、回归分析法等数学方法。随着人工智能技术的发展，BP神经网络、增量优化极限学习机、正则化极限学习机、支持向量机等一系列智能算法被应用于电力负荷预测中，但是这些方法对于海量高维度数据的处理尚有精度不高、模型收敛慢等不足。
[0005]在此背景下，根据用户负荷模式分类和长短时记忆网络(LSTM)处理分析海量高维度数据，将历史电力负荷数据作为训练样本数据，通过按多种类别负荷模式进行模型的训练。所提出的方法将电力系统短期负荷预测进一步精细化，大幅度提高负荷预测在短期内的精准度，如此既为电力用户提供了稳定、合适、可靠的电力能源，又强化了电力企业的经济发展效益。
[0006]基于用户负荷模式分类和深度LSTM神经网络的短期电力负荷预测方法主要需考虑两个方面的问题：(1)如何利用K近邻分类算法(KNN)准确得到待预测日所属用户负荷模式类别；(2)如何利用深度LSTM神经网络进行短期负荷预测。

技术实现思路

[0007]本专利技术提供一种基于用户负荷模式分类的短期电力负荷预测方法，能够迅速准确的得到待预测日的负荷特性，保证电力系统运行和管理的高效和稳定。
[0008]本专利技术具体为一种基于用户负荷模式分类的短期电力负荷预测方法，所述短期电
力负荷预测方法主要包括海量高维数据预处理、用户负荷模式分类器、LSTM模型训练及预测，具体包括以下步骤：
[0009]步骤(1)：导入某地区电力负荷和对应影响因素的所有历史数据，并对数据进行预处理；其中：对于缺失较少的数据可以采用均值填充的方法，而对于缺失量较大的数据则直接删除，进入步骤(2)；
[0010]步骤(2)：对历史负荷数据进行K
‑
means聚类分析，按照曲线形状聚集相似日，将曲线分为不同类别，记录类别标签，进入步骤(3)；
[0011]步骤(3)：对所述历史负荷数据和对应的影响因素数据进行无量纲化处理，进入步骤(4)；
[0012]步骤(4)：利用灰色关联法分析所述历史负荷数据与对应的所述影响因素数据间的相关性，计算各所述影响因素数据的灰色关联度，进入步骤(5)；
[0013]步骤(5)：将所述关联度从大到小排列，选取关联度大于0.7的影响因素作为关键影响因素，进入步骤(6)；
[0014]步骤(6)：按照步骤(2)得到的相似日标签，把每种类别的所述历史负荷数据分别作为每个LSTM预测模型的输入，进入步骤(7)；
[0015]步骤(7)：在输入层将数据分成训练集和测试集，并进行归一化处理，进入步骤(8)；
[0016]步骤(8)：在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练，进入步骤(9)；
[0017]步骤(9)：网络训练迭代在网络启动之后，网络层训练采用优化Adam算法，直到网络训练良好，进入步骤(10)；
[0018]步骤(10)：将待预测日的所述关键影响因素数据输入到KNN分类器中，进入步骤(11)；
[0019]步骤(11)：采用欧氏距离计算待预测日数据与各历史数据的距离，进入步骤(12)；
[0020]步骤(12)：将计算的所述距离进行由小到大排序，进入步骤(13)；
[0021]步骤(13)：找出距离最小的k个值，计算找出的值中每个类别的频次，进入步骤(14)；
[0022]步骤(14)：返回频次最高的类别，即为待预测日的类别，完成基于KNN分类器的待预测日类别识别，进入步骤(15)；
[0023]步骤(15)：根据待预测日分类标签，将相关数据输入到对应的负荷预测模型中，进入步骤(16)；
[0024]步骤(16)：通过训练好的所述LSTM模型进行预测，输出待预测日的预测值，结束。
[0025]步骤(2)中所述K
‑
means聚类分析方法具体步骤如下：输入所需类数k和原始数据集，首先随机选取k个聚类中心，逐一计算其余数据到聚类中心的距离，将与聚类中心k最近的数据归为第k类，将它们的均值作为新的聚类中心，重复上述过程，直到所有的数据分类完成，得到每个样本的类标签；能够将一定时间内的日负荷曲线自动划分为一定数量的类，类中负荷曲线皆为相似日的负荷曲线。
[0026]步骤(4)中利用灰色关联法分析所述历史负荷数据与对应的所述影响因素数据间的相关性，
[0027]记Δ
i
(k)＝|y(k)
‑
x
i
(k)|，则
[0028]计算关联系数y是参考数列，x是比较数列；i是比较数列的个数，k是数列中的元素个数；ρ∈(0,∞)，是分辨系数，ρ越小，分辨力越大，一般取0.5；所述参考数列为所述历史负荷数据，所述比较数列为各所述影响因素数据组成的数据序列；
[0029]计算各所述影响因素数据的灰色关联度：
[0030]所述LSTM模型训练流程具体如下：
[0031](1)将所述历史数据划分为训练集和测试集，并进行归一化处理；
[0032](2)在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练；
[0033](3)网络训练迭代在网络启动之后，网络层训练采用优化Adam算法，直到网络训练良好；
[0034](4)在预测部份，待预测日相关数据被送入该待预测日所属类别对应的训练完的LSTM网络中，最后输出待预测日的负荷预测值。
[0035]与现有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于用户负荷模式分类的短期电力负荷预测方法，其特征在于，所述短期电力负荷预测方法主要包括海量高维数据预处理、用户负荷模式分类器、LSTM模型训练及预测，具体包括以下步骤：步骤(1)：导入某地区电力负荷和对应影响因素的所有历史数据，并对数据进行预处理；其中：对于缺失较少的数据可以采用均值填充的方法，而对于缺失量较大的数据则直接删除，进入步骤(2)；步骤(2)：对历史负荷数据进行K
‑
means聚类分析，按照曲线形状聚集相似日，将曲线分为不同类别，记录类别标签，进入步骤(3)；步骤(3)：对所述历史负荷数据和对应的影响因素数据进行无量纲化处理，进入步骤(4)；步骤(4)：利用灰色关联法分析所述历史负荷数据与对应的所述影响因素数据间的相关性，计算各所述影响因素数据的灰色关联度，进入步骤(5)；步骤(5)：将所述关联度从大到小排列，选取关联度大于0.7的影响因素作为关键影响因素，进入步骤(6)；步骤(6)：按照步骤(2)得到的相似日标签，把每种类别的所述历史负荷数据分别作为每个LSTM预测模型的输入，进入步骤(7)；步骤(7)：在输入层将数据分成训练集和测试集，并进行归一化处理，进入步骤(8)；步骤(8)：在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练，进入步骤(9)；步骤(9)：网络训练迭代在网络启动之后，网络层训练采用优化Adam算法，直到网络训练良好，进入步骤(10)；步骤(10)：将待预测日的所述关键影响因素数据输入到KNN分类器中，进入步骤(11)；步骤(11)：采用欧氏距离计算待预测日数据与各历史数据的距离，进入步骤(12)；步骤(12)：将计算的所述距离进行由小到大排序，进入步骤(13)；步骤(13)：找出距离最小的k个值，计算找出的值中每个类别的频次，进入步骤(14)；步骤(14)：返回频次最高的类别，即为待预测日的类别，完成基于KNN分类器的待预测日类别识别，进入步骤(15)...

【专利技术属性】
技术研发人员：胡楠，傅靖，王栋，姜吉祥，黄霆，贲树俊，徐晓轶，毛艳芳，于雅薇，朱忆洋，
申请(专利权)人：国网江苏省电力有限公司南通供电分公司，
类型：发明
国别省市：