基于两级聚类和MGRU-AT的客户侧负荷预测方法与系统技术方案

一种基于两级聚类和MGRU

【技术实现步骤摘要】
基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法与系统


[0001]本专利技术属于客户侧负荷预测
，更具体的，涉及一种基于两级聚类和 MGRU
‑
AT的客户侧负荷预测方法与系统。

技术介绍

[0002][0003]现阶段，工业、商业、居民等多类型用户可调节负荷资源逐步参与到电网调度中，由于其数量较多，区域中的不同类型的用户负荷数据驳杂，亟需对其进行精确的分类，把握负荷特征，并在此基础上，对不同类型的客户侧负荷功率进行精准预测。因此，提出对客户侧负荷资源功率的精准预测问题进行研究。
[0004]现有技术中，负荷预测方法在一些模型的定阶、求解以及模型识别等问题上存在较大困难，同时模型的适应能力不强，导致经常会出现数据运算慢以及精度较低等问题。现有较为精确的预测方法主要有三类：统计法、物理法和组合预测法，其中基于物理法的可调节负荷功率单步预测的缺点在于NWP数据与真实负荷环境数据间存在着较大的误差，且NWP数据与可调节负荷场景存在着空间上的差异，这使物理法对可调节负荷功率单步的预测精度普遍偏低；统计法是基于预测值与真实值的误差来更新、调整模型权重和参数的可调节负荷功率预测方法，该方法通常又被分为概率统计模型、机器学习模型和深度学习模型，概率统计模型，相比于物理法能更好的跟随可调节负荷功率的变化趋势，但在多步预测中存在较大得到误差；机器学习模型的单步预测精度均优于传统概率模型；深度学习模型能充分挖掘输入序列的时间和空间特性，进一步提高可调节负荷功率单步预测的精度，由于其结构单一且对数据质量要求高，难以对随机性强、噪声信号明显的可调节负荷功率序列进行准确稳定的多步预测；组合预测法是结合各单一预测模型的优势而形成的一种预测精度更高，稳定性更好的可调节负荷功率预测方法，一般用于可调节负荷功率多步预测中，组合预测模型在多个时间尺度上的表现均优于其它模型，组合预测法相较于物理法和统计法有更好的预测性能。
[0005]另外，对于负荷的分类一般使用单一聚类方法，在聚类时可能对聚类簇群形成过划分或者欠划分，聚类中心可能会产生偏移，影响聚类的效果。因此，亟需综合考虑聚类簇群的划分方案以及聚类中心的精准定位，对负荷数据进行精确分类，已减小负荷预测前的基础数据的误差。

技术实现思路

[0006]为解决现有技术中存在的不足，本专利技术的目的在于，解决上述缺陷，进而提供一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法与系统。
[0007]本专利技术采用如下的技术方案。
[0008]一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法，包括如下步骤：
[0009]步骤1，采集客户侧负荷瞬时有功功率的历史数据并进行预处理，得到可调节负荷
功率序列；
[0010]步骤2，计算可调节负荷功率序列的样本间的DTW距离和欧氏距离，并根据DTW距离和欧氏距离，归一化得到距离值；
[0011]步骤3，采用改进Canopy算法，根据可调节负荷功率序列与距离值，确定可调节负荷功率序列的聚类中心样本集和簇群个数；
[0012]步骤4，根据历史客户侧负荷功率序列的聚类中心样本集，利用K
‑
Medoids 算法，得到不同客户侧负荷的聚类结果；
[0013]步骤5，根据不同客户侧负荷的聚类结果，利用多通道循环神经网络模型，得到最终的MGRU
‑
AT预测模型。
[0014]进一步的，步骤1中采集客户侧负荷瞬时有功功率的历史数据的频率为 1/15min。
[0015]进一步的，可调节负荷功率序列由多类客户侧负荷在多个时段的负荷功率组成，步骤1中预处理包括：异常值处理、空缺值填补和归一化处理；具体为：
[0016][0017]式中，i为客户侧负荷的类别，l为时间标度，j∈[1,2000]，X
i,l
为第i类客户侧负荷在l时段的负荷功率；x
i,l
为归一化后的第i类客户侧负荷在l时段的负荷功率。
[0018]进一步的，步骤2中计算可调节负荷功率序列的样本间的DTW距离和欧氏距离具体包括：
[0019][0020][0021]其中，x
l
为输入的第i个类型的客户侧负荷功率；x
i,l
为归一化后的第i类客户侧负荷在l时段的负荷功率，d
DE
表示欧氏距离；i,j为客户侧负荷的类别；d
DTW,ij
为DTW距离，d
ED,ij
为欧式距离；n为可调节负荷功率序列的数量。
[0022]进一步的，步骤2中根据DTW距离和欧氏距离，归一化得到距离值具体包括：
[0023]d
CN
＝d
DTW
+d
ED
[0024]d
CN
～N(μ,σ2)
[0025]其中，μ为距离d
CN
的均值，σ为距离d
CN
的方差，d
DTW
为DTW距离，d
ED
为欧式距离，d
CN
为距离值。
[0026]进一步的，步骤3具体包括：
[0027]步骤3.1，采用改进Canopy算法，根据距离值d
CN
，计算阈值T1，T2；
[0028]步骤3.2，根据阈值T1，T2与可调节负荷功率序列，得到可调节负荷功率序列的聚类中心样本集和簇群个数。
[0029]进一步的，步骤3.1具体包括：
[0030]T1＝max{μ,max_b,md}+σ
[0031]T2＝min{μ,max_b,md}
‑
σ
[0032]其中，max_b为d
CN
的最大值，md为距离值d
CN
的中位数，μ为距离d
CN
的均值，σ为距离
d
CN
的方差。
[0033]进一步的，步骤3.2具体包括：
[0034]步骤3.2.1，令j＝1，j＝1,2,
…
表示步骤3.2所重复执行的次数；令样本集S拷贝所有的可调节负荷功率序列中的样本数据；并从Canopy算法在可调节负荷功率序列中进行随机挑选得出数据向量A
t
；将数据向量A
t
从S中删除，并将数据向量A
t
加入到对应簇Cj中；其中，可调节负荷功率序列是一个n*m的矩阵，样本数据为可调节负荷功率序列的列向量，
[0035]步骤3.2.2，对S中任意一个样本数据A
k
，计算其与S中其他样本数据的d
CN
，并从中选出最小距离d
tk
；
[0036]步骤3.2.3，若d
tk
小于T2，从S中删除A
k
，并将A
k
加入到Cj中；若d
...

【技术保护点】

【技术特征摘要】
1.一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法，其特征在于，包括如下步骤：步骤1，采集客户侧负荷瞬时有功功率的历史数据并进行预处理，得到可调节负荷功率序列；步骤2，计算可调节负荷功率序列的样本间的DTW距离和欧氏距离，并根据DTW距离和欧氏距离，归一化得到距离值；步骤3，采用改进Canopy算法，根据可调节负荷功率序列与距离值，确定可调节负荷功率序列的聚类中心样本集和簇群个数；步骤4，根据历史客户侧负荷功率序列的聚类中心样本集，利用K
‑
Medoids算法，得到不同客户侧负荷的聚类结果；步骤5，根据不同客户侧负荷的聚类结果，利用多通道循环神经网络模型，得到最终的MGRU
‑
AT预测模型。2.根据权利要求1所述的一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法，其特征在于，步骤1中采集客户侧负荷瞬时有功功率的历史数据的频率为1/15min。3.根据权利要求1所述的一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法，可调节负荷功率序列由多类客户侧负荷在多个时段的负荷功率组成，其特征在于，步骤1中预处理包括：异常值处理、空缺值填补和归一化处理；具体为：式中，i为客户侧负荷的类别，l为时间标度，j∈[1,2000]，X
i,l
为第i类客户侧负荷在l时段的负荷功率；x
i,l
为归一化后的第i类客户侧负荷在l时段的负荷功率。4.根据权利要求1所述的一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法，其特征在于，步骤2中计算可调节负荷功率序列的样本间的DTW距离和欧氏距离具体包括：在于，步骤2中计算可调节负荷功率序列的样本间的DTW距离和欧氏距离具体包括：其中，x
i
为输入的第i个类型的客户侧负荷功率；x
i，l
为归一化后的第i类客户侧负荷在l时段的负荷功率，d
DE
表示欧氏距离；i，j为客户侧负荷的类别；d
DTW，ij
为DTW距离，d
ED，ij
为欧式距离；n为可调节负荷功率序列的数量。5.根据权利要求1所述的一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法，其特征在于，步骤2中根据DTW距离和欧氏距离，归一化得到距离值具体包括：d
CN
＝d
DTW
+d
ED
d
CN
～N(μ，σ2)其中，μ为距离d
CN
的均值，σ为距离d
CN
的方差，d
DTW
为DTW距离，d
ED
为欧式距离，d
CN
为距离值。6.根据权利要求1所述的一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法，其特征在于，步骤3具体包括：步骤3.1，采用改进Canopy算法，根据距离值d
CN
，计算阈值T1，T2；
步骤3.2，根据阈值T1，T2与可调节负荷功率序列，得到可调节负荷功率序列的聚类中心样本集和簇群个数。7.根据权利要求6所述的一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法，其特征在于，步骤3.1具体包括：T1＝max{μ，max_b，md}+σT2＝min{μ，max_b，md}
‑
σ其中，max_b为d
CN
的最大值，md为距离值d
CN
的中位数，μ为距离d
CN
的均值，σ为距离d
CN
的方差。8.根据权利要求1所述的一种基于两级聚类和MGRU
‑
AT的客户侧负荷预测方法，其特征在于，步骤3.2具体包括：步骤3.2.1，令j＝1，j＝1，2，...表示步骤3.2所重复执行的次数；令样本集S拷贝所有的可调节负荷功率序列中的样本数据；并从Canopy算法在可调节负荷功率序列中进行随机挑选得出数据向量A
t
；将数据向量A
t
从S中删除，并将数据向量A
t
加入到对应簇Cj中；其中，可调节负荷功率序列是一个n*m的矩阵，样本数据为可调节负荷功率序列的列向量，步骤3.2.2，对S中任意一个样本数据A
k
，计算其与S中其他样本数据的d
CN
，并从中选出最小距离d
tk
；步骤3.2.3，若d
tk
小于T2，从S中删除A
k
，并将A
k
加入到Cj中；若d
tk
小于T1且大于等于T2，则将A
k
加入到Cj中；步骤3.2...

【专利技术属性】
技术研发人员：李波，杨斌，陈铭明，杨世海，段梅梅，孔月萍，陈宇沁，阮文骏，方凯杰，黄艺璇，陆婋泉，程含渺，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：