基于K-means聚类与卷积神经网络模型的负荷预测方法技术

本发明专利技术公开了基于K

【技术实现步骤摘要】
基于K
‑
means聚类与卷积神经网络模型的负荷预测方法


[0001]本专利技术涉及电力负荷预测
，具体为基于K
‑
means聚类与卷积神经网络模型的负荷预测方法。

技术介绍

[0002]负荷数值预测法主要原理是指依据在未来电力系统上的各种增容负荷决策、自然条件、运行负荷特性、与社会条件影响关系等各种其他综合因素，在同时满足上述某一方面精度要求前提条件下，得到了将来系统某一时刻运行的真实电力负荷数据，其中实际电力负荷数字一般主要指反映的对象是用户电力能源的平均需求量数(功率)或是用户当前的年度总社会用电计划量；负荷的预测也一直来是在电力系统内的电能经济分配调度体系中的另一项是非常的重要的一项内容，同样地它同时也是分布式能量调度管理系统(EMS)体系中非常重要的不应该被人忽视的模块。
[0003]在动力系统领域内电能负荷预测工作一直都是很有研究价值的内容，负荷预测的主要原理就是通过以前记录的数据来寻找动力系统负荷的波动与其影响因素之间的联系，并根据这种联系去推断电力系统负荷预测工作，在动力系统领域一直都是非常重要的研究内容，而负荷预测的主要原理就是通过以前记录的数据来寻找动力系统负荷的波动与其影响因素之间的联系，并根据这种联系去推断在未来很长时间里的负荷变动。
[0004]近几年来，神经网络算法和深度学习逐渐被人提出及使用,关于使用深度神经网络方面的算法来进行高精度的负荷预测的研究越来越多；深度神经网络具有数据的特征自动学习的能力，在恰当的神经网络结构和筛选后的合适充分的训练数据的情况下可以对复杂非线性系统进行较好情况的拟合，但跟其他传统方法比起一般需要更久的训练时间，其中具有的各种参数的训练和调整也提升了网络训练的难度。
[0005]上述介绍的方法大多用于对负荷某一个确定的时间点的预测，也就是说预测模型的输出期待是一个确定值，然而电网发电侧与需求侧存在众多不确定因素，点预测的方法对负荷预测不能清晰的反映电力预测的不确定性，这使电力的生产决策面临一定风险；跟点预测相比，区间预测方法的极大的扩大了预测模型的输出范围，同时减少了一些不确定因素对预测结果的精度的影响，让电网决策人员可以较好的了解到未来一个时间段的电力负荷可能的波动情况，因此这种方法在工程方面具有重要的意义。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0007]鉴于上述存在的问题，提出了本专利技术。
[0008]本专利技术实施例的第一方面，提供基于K
‑
means聚类与卷积神经网络模型的负荷预测方法，包括：采集电力负荷实测数据并对所述数据进行预处理，基于K
‑
means聚类算法对
所述预处理后的数据进行聚类处理；利用VMD算法对所述聚类处理后的数据进行分解，根据分解后的数据构建CNN卷积神经网络并提取电力负荷特征和节假日负荷特征；通过所述CNN卷积神经网络对数据进行负荷预测，获取并分析所述负荷预测结果。
[0009]作为本专利技术所述的基于K
‑
means聚类与卷积神经网络模型的负荷预测方法的一种优选方案，其中：所述预处理的过程包括，
[0010]收集各个用电户2019
‑
2021年每小时的电力负荷实测数据并记录该地区的天气特征数据和节假日特征数据；
[0011]对采集的数据进行缺失值填充、异常值处理以及数据归一化处理；
[0012]对于数值型的数据，所述数据归一化处理的计算包括，
[0013][0014]其中，x表示采集的样本数据，x
min
表示采集的样本数据中的最小值，x
max
表示采集的样本数据中的最大值。
[0015]作为本专利技术所述的基于K
‑
means聚类与卷积神经网络模型的负荷预测方法的一种优选方案，其中：所述聚类处理包括，
[0016]从所述预处理后的数据样本集中任意选取k个样本点作为各个簇的中心，计算每个样本集中的点和所述k个样本的中心点之间的距离；
[0017]根据所述距离的计算将所述每个样本集中的点分配到与其距离最小的样本簇中，并再次计算重新划分后的每个簇的质心；
[0018]计算每个样本点和每个样本更新后的质心之间的距离，依次类推不断重复上述步骤，直到每个样本簇的质心不再改变为止；
[0019]所述K
‑
means算法的主要优化目标的计算包括，
[0020][0021]其中，K表示提前指定的需要划分的簇的个数，C
i
表示每个簇计算出来的质心，x表示每个簇中的样本点，dist(C
i
,x)表示点与第i个簇的中心点的距离。
[0022]作为本专利技术所述的基于K
‑
means聚类与卷积神经网络模型的负荷预测方法的一种优选方案，其中：所述VMD算法的分解包括，
[0023]所述VMD算法将所述预处理后的电力负荷序列数据分解为不同的模态分量，利用二次惩罚和拉格朗日乘数将约束问题变为非约束问题，并使用交替方向乘子法求解所述非约束问题；
[0024]通过迭代更新获取信号分解的所有模态，并对得到的若干个模态分量子序列分别建模预测并重构；
[0025]所述问题的计算包括，
[0026][0027][0028]其中，u
k
表示分解得到的k个模态分量，w
k
表示第k个分解信号量的中心频率，t表示时刻，表示对时刻t求微分，δ(t)表示单位冲击函数，j表示虚数单位，*表示卷积符号，||
·
||2表示二范式函数，s.t.表示约束条件，f(t)表示经过异常处理后的t时刻的电力负荷数据。
[0029]作为本专利技术所述的基于K
‑
means聚类与卷积神经网络模型的负荷预测方法的一种优选方案，其中：所述CNN卷积神经网络的构建包括，
[0030]将经过预处理、K
‑
means聚类处理和VMD平稳化后的电力负荷数据的k个模态分量中的训练集输入到卷积层进行特征提取；
[0031]通过sigmoid激活函数对所述卷积层的输出进行非线性映射；
[0032]所述激活函数的计算包括，
[0033][0034]其中，h(x)表示激活函数的输出，x表示激活函数的输入；
[0035]将所述激活函数的输出输入到池化层，保留特征数据的特征的情况下采用最大池化方法对所述特征数据进行压缩；
[0036]将所述压缩后的特征数据经过全连接层进行加权计算，对卷积层和池化层进行堆叠，整合特征信息输出到dropout层。
[0037]作为本专利技术所述的基于K
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于K
‑
means聚类与卷积神经网络模型的负荷预测方法，其特征在于，包括：采集电力负荷实测数据并对所述数据进行预处理，基于K
‑
means聚类算法对所述预处理后的数据进行聚类处理；利用VMD算法对所述聚类处理后的数据进行分解，根据分解后的数据构建CNN卷积神经网络并提取电力负荷特征和节假日负荷特征；通过所述CNN卷积神经网络对数据进行负荷预测，获取并分析所述负荷预测结果。2.如权利要求1所述的基于K
‑
means聚类与卷积神经网络模型的负荷预测方法，其特征在于：所述预处理的过程包括，收集各个用电户2019
‑
2021年每小时的电力负荷实测数据并记录该地区的天气特征数据和节假日特征数据；对采集的数据进行缺失值填充、异常值处理以及数据归一化处理；对于数值型的数据，所述数据归一化处理的计算包括，其中，x表示采集的样本数据，x
min
表示采集的样本数据中的最小值，x
max
表示采集的样本数据中的最大值。3.如权利要求1～2任一所述的基于K
‑
means聚类与卷积神经网络模型的负荷预测方法，其特征在于：所述聚类处理包括，从所述预处理后的数据样本集中任意选取k个样本点作为各个簇的中心，计算每个样本集中的点和所述k个样本的中心点之间的距离；根据所述距离的计算将所述每个样本集中的点分配到与其距离最小的样本簇中，并再次计算重新划分后的每个簇的质心；计算每个样本点和每个样本更新后的质心之间的距离，依次类推不断重复上述步骤，直到每个样本簇的质心不再改变为止；所述K
‑
means算法的主要优化目标的计算包括，其中，K表示提前指定的需要划分的簇的个数，C
i
表示每个簇计算出来的质心，x表示每个簇中的样本点，dist(C
i
,x)表示点与第i个簇的中心点的距离。4.如权利要求3所述的基于K
‑
means聚类与卷积神经网络模型的负荷预测方法，其特征在于：所述VMD算法的分解包括，所述VMD算法将所述预处理后的电力负荷序列数据分解为不同的模态分量，利用二次惩罚和拉格朗日乘数将约束问题变为非约束问题，并使用交替方向乘子法求解所述非约束问题；通过迭代更新获取信号分解的所有模态，并对得到的若干个模态分量子序列分别建模预测并重构；所述问题的计算包括，
其中，u
k
表示分解得到的k个模态分量，w
k
表示第k个分解信号量的中心频率，t表示时刻，表示对时刻t求微分，δ(t)表示单位冲击函数，j表示虚数单位，*表示卷积符号，||
·
||2表示二范式函数，s.t.表示约束条件，f(t)表示...

【专利技术属性】
技术研发人员：李龙，胡为明，刘麟夫，谢小鹏，李德忠，昌玲，
申请(专利权)人：湖南大唐先一科技有限公司，
类型：发明
国别省市：