【技术实现步骤摘要】
基于聚类的小样本负荷预测方法、装置、设备及存储介质
[0001]本申请涉及电力负荷预测
，尤其涉及基于聚类的小样本负荷预测方法、装置、设备及存储介质。
技术介绍
[0002]时间序列数据(以下简称时序数据)预测的方法在电力市场中已经有了广泛的运用。传统统计学模型在可解释性方面具有优势但在预测准确度等方面的表现较弱。近年来，基于机器学习的算法凭借更高的预测准确度在时间序列预测领域获得了非常高的关注度。
[0003]另一个密切相关的技术是小样本学习。通常而言大规模训练集对深度学习是必不可少的，小样本学习目的既是改进现有的深度学习算法以求在小规模的训练集上亦能达到优秀的训练效果。
[0004]然而，虽然基于深度学习的模型在对时序数据预测时具有较高的准确度，但这些模型对于数据的利用效率较低。当训练集较小时，基于深度学习的模型通常无法准确预测时序数据的未来走势。
[0005]同时，当新用户加入电网时，传统预测模型无法有效地从其他用户的历史数据中获得能够支持新用户负荷预测的先验知识以提升预测精度。
【技术保护点】
【技术特征摘要】
1.一种基于聚类的小样本负荷预测方法，其特征在于，包括：对历史电力负荷和待预测电力负荷进行特征提取，获得特征向量；根据得到所述特征向量将所述历史电力负荷和所述待预测电力负荷集成聚类，得到聚类结果；采用小波降噪算法对所述聚类结果进行降噪，并将降噪后的数据进行均值化处理，得到预设长度的时序数据；将所述预设长度的时序数据输入二阶长短期记忆神经网络，得到电力负荷的预测结果；其中所述二阶长短期记忆神经网络经过所述历史电力负荷和所述待预测电力负荷的数据训练。2.根据权利要求1所述的基于聚类的小样本负荷预测方法，其特征在于，所述对历史电力负荷和待预测电力负荷进行特征提取，获得特征向量，包括：对所述历史电力负荷和所述待预测电力负荷进行离散小波分析和基于季节性、偏度和样本熵的统计分析，从而提取出特征向量。3.根据权利要求2所述的基于聚类的小样本负荷预测方法，其特征在于，所述采用小波降噪算法对所述聚类结果进行降噪，包括：设置离散小波变换阶层数；其中离散小波变换的阶层数被设置为不受边缘效应影响的最大值；利用所述离散小波变换对所述聚类结果进行降噪。4.根据权利要求3所述的基于聚类的小样本负荷预测方法，其特征在于，所述根据得到所述特征向量将所述历史电力负荷和所述待预测电力负荷集成聚类，得到聚类结果，包括：基于K
‑
均值算法、层次聚类、近邻传播算法和高斯混合模型获得所述聚类结果。5.一种基于聚类的小样本负荷预测装置，其特征在于，包括：特征提取模块，用于对历史电力负荷和待预测电力负荷进行特征提取，获得特征向量；聚类集成模块，用于根据得到所述特征向量将所述历...
【专利技术属性】
技术研发人员：陈东，张海，汪启元，陈致晖，吴辰晔，沈灯鸿，刘之亮，赵晨，张然，王波，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。