一种基于聚类算法融合的电力负荷精准预测方法技术

本发明专利技术提出一种基于聚类算法融合的电力负荷精准预测方法，该预测方法引入了聚类算法，与改进型多输出ANN预测模型相结合。首先对样本数据进行预处理，并使用最大最小归一化方法对样本数据进行归一化处理，再利用K

【技术实现步骤摘要】
一种基于聚类算法融合的电力负荷精准预测方法


[0001]本专利技术涉及电力
，具体是一种基于聚类算法融合的电力负荷精准预测方法。

技术介绍

[0002]智能电网将传统电网已有的发电、输电、配电、售电以及对终端用户各种电器设备和其他用能设施连接共享信息的数字化网络集合为一个智能系统，可以有效提高电网对风、光、水等新能源的接入、消纳和协调控制水平，通过电网的智能化来推动我国能源结构的优化调整。但随着智能电网的发展，电力系统的能源供应更加多元化，服务要求更加复杂化，在此背景下，电力负荷预测的难度更大、过程变得更加复杂。早期的单一负荷预测方法无法满足对预测精度的要求。因此需要更有效的电力负荷预测技术，以实现电力系统的优化规划、保障其经济安全运行。
[0003]早期的负荷预测方法主要有回归预测法、时间序列法、灰色系统理论、指数平滑法等，使用的模型都比较简单，运算耗时较短，但是预测精度较低，难以满足如今复杂多元的负荷预测场景。随着机器学习和深度学习的普及，预测方法逐渐脱离原有传统的预测方法，开始采用机器学习和深度学习技术进行负荷预测。人工神经网络是一种典型的机器学习技术，它能用于描述复杂的非线性映射关系，能够有效处理非线性、非规律性问题，基于机器学习和深度学习的预测方法进一步提升了预测精度和模型的通用性。但如果使用单一的方法进行预测可能很难取得满意的结果，且单一预测模型局限性较大，无法适应如今复杂多元的负荷预测场景。本专利技术提出聚类方法、预测模型两方面内容，将聚类与改进型ANN模型相结合提出了一种新型组合预测模型。

技术实现思路

[0004]本专利技术所提出的方法是一种基于聚类算法融合的电力负荷精准预测方法，该预测方法将聚类算法和改进型多输出ANN预测模型相结合，以提高电力系统负荷预测的预测精度。
[0005]本专利技术是通过以下技术方案实现的：
[0006]一种基于聚类算法融合的电力负荷精准预测方法，包括如下步骤：
[0007]S1，对历史日负荷数据进行预处理获得数据集，将数据集划分为训练集和测试集，获得训练样本数，采用最大最小归一化方法对样本数据进行归一化处理；
[0008]S2，采用K
‑
means聚类算法对步骤S1归一化之后的数据进行分类，将具有同类特征的数据进行聚合处理，根据肘形判据确定最佳聚类数K值，将数据分为多个集群，给予不同的簇类标签，同时计算各个簇的平均值，作为预测日的分类标准，用于预测时对待测负荷数据进行分类，然后进行模型训练得到训练好的ANN预测模型；
[0009]S3，针对测试集，先利用步骤S2的聚类标准完成分类，并添加簇类标签，再基于步骤S2训练好的ANN预测模型完成预测。
[0010]进一步的，步骤S1具体包括：
[0011]S11：针对数据集进行异常值判断及修正，以此获得更加完善的样本数据集；具体操作如下：
[0012]Step1，调用函数np.isnan(dataset)对数据集dataset进行异常值判断；
[0013]Step2，针对异常值采用均值法进行修正；
[0014][0015]式中，x(d,i)表示序号为d的负荷在第i个时间点的数值，利用前一个负荷值和后一个负荷值的均值来做插值处理；
[0016]S12：按照9:1比例将数据集划分为训练集和测试集，假设训练集共28992个样本数据，记为X
train
＝(x
ij
)
1208
×
24
，i表示第i天，j表示第j个采样点，测试集共计X
test
＝(x
mn
)
134
×
24
,m表示第m天，n表示第n个采样点；
[0017]S13：采用最大最小值归一化的方法对数据进行归一化，以消除量纲对聚类效果的影响，最大最小值归一化的原理是将原始数据除以其最大值的绝对值；
[0018][0019]其中为归一化后的数据值，x为样本的实际值，x
max
为样本的最大值，转换之后数据的取值范围为[
‑
1,1]。
[0020]进一步的，步骤S2首先采用K
‑
means聚类算法对训练数据集X
train
＝(x
ij
)
120
×8进行分类，同时计算各个簇的平均值作为分类标准，用于预测时对待测负荷进行分类；然后进行预测模型训练，其具体运行方案如下：
[0021]S21：使用K
‑
means聚类算法对训练数据集X
train
＝(x
ij
)
1208
×
24
进行分类；
[0022]K均值算法过程如下：
[0023]Step1，输入样本集N，从N中随机选择K个样本作为初始均值向量{u1,u2,...,u
k
}；
[0024]Step2，计算每个样本到初始中心的距离，根据实验最近邻规则将每个样本点分配到最近的质心；
[0025]Step3，使用每个簇的样本均值来更新每个簇的中心；
[0026]Step4，如果聚类重心不再改变或达到最大迭代次数，表示找到了最佳的聚类结果，迭代停止，输出聚类标签；否则返回Step2；
[0027]其中μ
j
为每个簇的均值，即该簇的质心；结合肘形判据可以得到最佳聚类数K值，结合物理意义得到各个簇的曲线特征，按照曲线特征给不同的簇加上簇类标签，并计算出各个簇负荷值的平均值作为待测日负荷数据的分类标准；
[0028]S22，引入聚类算法与多输出策略改进预测模型，完成对28992个训练集样本的训练；
[0029]一方面引入聚类算法即通过S21的聚类结果给训练数据集X
train
＝(x
ij
)
1208
×
24
增加一列新的变量，即每一天归为某一分类集群的簇类标签，将其作为新的输入变量，构成新的训练数据集X
t
'
rain
＝(x
ij
)
1208
×
25
，通过引入新的强相关性变量来提升预测的精度；
[0030]另一方面引入多输出策略即设计能够一次性预测整个时间序列的模型，通过设置ANN预测模型输出层节点数为24，实现预测模型24维的多输出策略，以更好的表征历史数据
与待测数据之间的关系；
[0031]基于上述改进型ANN预测模型，将X
t
'
rain
＝(x
ij
)
1208
×
25
利用步骤S13进行归一化处理得到归一化后的数据为采用基于时间序列的预测方法，即选取预处理后待测日前七日的负荷值以及簇类标签共(24+1)*7＝175维数据作为预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于聚类算法融合的电力负荷精准预测方法，其特征在于，包括如下步骤：S1，对历史日负荷数据进行预处理获得数据集，将数据集划分为训练集和测试集，获得训练样本数，采用最大最小归一化方法对样本数据进行归一化处理；S2，采用K
‑
means聚类算法对步骤S1归一化之后的数据进行分类，将具有同类特征的数据进行聚合处理，根据肘形判据确定最佳聚类数K值，将数据分为多个集群，给予不同的簇类标签，同时计算各个簇的平均值，作为预测日的分类标准，用于预测时对待测负荷数据进行分类，然后进行模型训练得到训练好的ANN预测模型；S3，针对测试集，先利用步骤S2的聚类标准完成分类，并添加簇类标签，再基于步骤S2训练好的ANN预测模型完成预测。2.根据权利要求1所述的基于聚类算法融合的电力负荷精准预测方法，其特征在于，步骤S1具体包括：S11：针对数据集进行异常值判断及修正，以此获得更加完善的样本数据集；具体操作如下：Step1，调用函数np.isnan(dataset)对数据集dataset进行异常值判断；Step2，针对异常值采用均值法进行修正；式中，x(d,i)表示序号为d的负荷在第i个时间点的数值，利用前一个负荷值和后一个负荷值的均值来做插值处理；S12：按照9:1比例将数据集划分为训练集和测试集，假设训练集共28992个样本数据，记为X
train
＝(x
ij
)
1208
×
24
，i表示第i天，j表示第j个采样点，测试集共计X
test
＝(x
mn
)
134
×
24
,m表示第m天，n表示第n个采样点；S13：采用最大最小值归一化的方法对数据进行归一化，以消除量纲对聚类效果的影响，最大最小值归一化的原理是将原始数据除以其最大值的绝对值；其中为归一化后的数据值，x为样本的实际值，x
max
为样本的最大值，转换之后数据的取值范围为[
‑
1,1]。3.根据权利要求2所述的基于聚类算法融合的电力负荷精准预测方法，其特征在于，步骤S2首先采用K
‑
means聚类算法对训练数据集X
train
＝(x
ij
)
1208
×
24
进行分类，同时计算各个簇的平均值作为分类标准，用于预测时对待测负荷进行分类；然后进行预测模型训练，其具体运行方案如下：S21：使用K
‑
means聚类算法对训练数据集X
train
＝(x
ij
)
1208
×
24
进行分类；K均值算法过程如下：Step1，输入样本集N，从N中随机选择K个样本作为初始均值向量{u1,u2,...,u
k
}；Step2，计算每个样本到初始中心的距离，根据实验最近邻规则将每个样本点分配到最近的质心；Step3，使用每个簇的样本均值来更新每个簇的中心；Step4，如果聚类重心不再改变或达到最大迭代次数，表示找到了最佳的聚类结果，迭
代停止，输出聚类标签；否则返回Step2；其中μ
j
为每个簇的均值，即该簇的质心；结合肘形判据可以得到最佳聚类数K值，结合物理意义得到各个簇的曲线特征，按照曲线特征给不同的簇加上簇类标签，并计算出各个簇负荷值的平均值作为待测日负荷数据的分类标准；S22，引入聚类算法与多输出策略改进预测模型，完成对28992个训...

【专利技术属性】
技术研发人员：孙朝霞，吴冉，凌在汛，向慕超，艾晗啸，李旻，郭雨，韩鸿凌，杨帆，金晨，焦海文，沈骏杰，
申请(专利权)人：国网湖北省电力有限公司电力科学研究院湖北方源东力电力科学研究有限公司，
类型：发明
国别省市：