[发明专利]基于动态时间规整与长短时间记忆的负荷预测方法

权利要求书

1.一种基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，包括如下步骤：

S1、从电力系统中获取用户短期负荷预测所需的基本数据；

所述基本数据包括历史负荷数据和气象数据，所述历史负荷数据为历史日每日间隔1h的负荷数据，所述气象数据至少包括预测时刻的环境温度、预测日日期类型；

S2、根据用户的历史负荷数据，使用动态时间规整法将用电行为类似的用户进行聚类；

S3、对同一类别的用户数据进行池化处理，具体包括如下步骤：

S31、以虚拟变量的方式给用户添加ID标签；

S32、将用户数据分为训练集和测试集；

S33、合并所有训练数据以构建训练池，然后通过相同的过程构建测试池；

S4、选取预测前一日、前一周、前一月的负荷数数据、气象数据以及预测日日期类型数据，对数据进行预处理后作为输入；

S5、构建基于深度长短期记忆循环神经网络的短期负荷预测方法，并通过提前24h负荷预测场景验证方法的有效性。

2.根据权利要求1所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，S2具体包括如下步骤：

S21、假设两名用户的负荷序列分别为X、Y，其中，X＝{x₁,x₂,...x_N}、Y＝{y₁,y₂,...y_N}，定义规整路径矩阵M[24*24]，矩阵元素(m,n)表示x_m和y_n两个点的距离，矩阵元素(m,n)的数值为d(x_m,y_n)＝(x_m-y_n)²；

S22、定义动态规整路径序列P＝(p₁,p₂,...p_k)，其中p_k＝(m_k,n_k)，且max(m,n)≤K＜m+n-1；

S23、负荷序列X和Y之间的动态规整的总代价定义X和Y的动态时间规整距离其中，P^*＝arg min c_P(X,Y)，将两个用户的周平均DTW距离作为下聚类算法中的聚类距离，得到其中，t表示周几、t取0～6、表示从周一到周日，X_t和Y_t分别表示两个用户第t天的负荷曲线；

S24、给定一系列用户日负荷曲线X和聚类个数D,根据负荷曲线的DTW距离将用户聚成D类，求取类别d、归属函数C_d以及聚类中心λ_d使得簇内和(S_c)最小，计算公式为然后随机选取聚类核心，采用基于K-medoid聚类算法进行迭代更新。

3.根据权利要求2所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，S22中所述动态规整路径序列满足以下条件：

边界条件，p₁＝(1,1)，且p_K＝(N,N)；

单调性条件，m₁≤m₂≤...≤m_K且n₁≤n₂≤...≤n_K；

步长限制条件，若p_k-1＝(a',b')，则路径的下一个点p_k＝(a,b)需要满足(a-a')≤1且(b-b')≤1。