[发明专利]一种负荷聚合商短期负荷预测方法、装置及设备

权利要求书

1.一种负荷聚合商短期负荷预测方法，其特征在于，包括：

获取历史数据集，所述历史数据集包括历史日负荷日曲线、历史日日期类型和历史日气温；

利用DBSCAN聚类法对所述历史日负荷日曲线进行聚类分析，得到包括总类数的聚类结果；

通过所述历史日日期类型、所述历史日气温以及所述聚类结果对高斯分类器进行训练，得到训练后的高斯分类器；

构建LSTM网络，并利用所述训练后的高斯分类器的输出以及所述历史日负荷日曲线对所述LSTM网络进行训练，得到训练后的LSTM网络；

根据预测日日期类型和预测日气温，利用所述训练后的高斯分类器以及所述训练后的LSTM网络，生成预测日负荷日曲线。

2.根据权利要求1所述的方法，其特征在于，所述通过所述历史日日期类型、所述历史日气温以及所述聚类结果对高斯分类器进行训练，得到训练后的高斯分类器具体包括：

以所述历史日日期类型和所述历史日气温作为高斯分类器的输入，将所述聚类结果为输出目标对所述高斯分类器进行训练，得到训练后的高斯分类器。

3.根据权利要求1所述的方法，其特征在于，所述构建LSTM网络，并利用所述训练后的高斯分类器的输出以及所述历史日负荷日曲线对所述LSTM网络进行训练，得到训练后的LSTM网络具体包括：

构建深度LSTM网络，所述深度LSTM网络包括两层LSTM网络与单层感知器网络；

利用所述训练后的高斯分类器的输出的类数以及所述历史日负荷日曲线对所述深度LSTM网络进行训练，得到训练后的深度LSTM网络；

通过自适应矩估计法对所述训练后的深度LSTM网络进行优化，确定所述训练后的深度LSTM网络的参数。

4.根据权利要求3所述的方法，其特征在于，所述根据预测日日期类型和预测日气温，利用所述训练后的高斯分类器以及所述训练后的LSTM网络，生成预测日负荷日曲线具体包括：

获取预测日日期类型和预测日气温；

将所述预测日日期类型和所述预测日气温归一化处理后，输入至所述训练后的高斯分类器，得到所述预测日日期类型和所述预测日气温对应的类数；

将所述预测日日期类型和所述预测日气温对应的类数与归一化后的所述历史日负荷日曲线作为所述训练后的深度LSTM网络的输入，生成预测日负荷日曲线。

5.一种负荷聚合商短期负荷预测装置，其特征在于，包括：

获取单元，用于获取历史数据集，所述历史数据集包括历史日负荷日曲线、历史日日期类型和历史日气温；

聚类单元，用于利用DBSCAN聚类法对所述历史日负荷日曲线进行聚类分析，得到包括总类数的聚类结果；

第一训练单元，用于通过所述历史日日期类型、所述历史日气温以及所述聚类结果对高斯分类器进行训练，得到训练后的高斯分类器；

第二训练单元，用于构建LSTM网络，并利用所述训练后的高斯分类器的输出以及所述历史日负荷日曲线对所述LSTM网络进行训练，得到训练后的LSTM网络；

预测单元，用于根据预测日日期类型和预测日气温，利用所述训练后的高斯分类器以及所述训练后的LSTM网络，生成预测日负荷日曲线。

6.根据权利要求5所述的装置，其特征在于，所述第一训练单元还用于以所述历史日日期类型和所述历史日气温作为高斯分类器的输入，将所述聚类结果为输出目标对所述高斯分类器进行训练，得到训练后的高斯分类器。

7.根据权利要求5所述的装置，其特征在于，所述第二训练单元包括：

构建子单元，用于构建深度LSTM网络，所述深度LSTM网络包括两层LSTM网络与单层感知器网络；

训练子单元，用于利用所述训练后的高斯分类器的输出的类数以及所述历史日负荷日曲线对所述深度LSTM网络进行训练，得到训练后的深度LSTM网络；

优化子单元，用于通过自适应矩估计法对所述训练后的深度LSTM网络进行优化，确定所述训练后的深度LSTM网络的参数。