[发明专利]一种短期电负荷预测方法

权利要求书

1.一种短期电负荷预测方法，其特征在于，包括以下步骤：

(1)对采集到的历史负荷数据进行异常处理及归一化处理：

首先要取残缺数据前相邻10个数据平均值，补充缺失数据及修正失真数据，其次，在对原始数据进行异常处理后，需对异常处理后的数据进行归一化处理，所述归一化处理为：

对原始负荷数据进行线性变换，使原始负荷数据的结果值映射到[0-1]之间，其中，U^*为归一化处理后的负荷数据值，minU为原始数据中最小的负荷值，maxU为采集到的负荷数据中的最大值；

(2)按照历史负荷数据时间序列不同的相关性,采用K-means方法对历史负荷数据进行聚类分析：

1)从采集到的历史负荷数据样本集中均匀选出K_p个负荷点，并将这K_p个点作为初始聚类中心；

2)把每个历史负荷数据点分配到离它最近的中心点，计算数据点到这K_p个中心点的距离,距离的具体计算公式如下:

3)重新计算每类中的点到该类中心点距离的平均值，分配每个数据到它最近的中心点；

4)重复步骤3)，直到所有的观测值不再被分配或是达到最大的迭代次数，迭代结束；

(3)利用SMOTE方法对聚类后的数据进行过采样处理:

1)对于K-means聚类后将采集到的样本数据分为A类与B类；对其中少数类样本B类进行过采样处理,B类中每一个样本P，以欧氏距离为标准计算B类样本P到B类样本集中所有样本的距离，得到其w个近邻样本；

2)从P_m的w个近邻样本中取出第l个近邻样本P_m^l；

3)通过下式计算样本的属性值:

其中,P_mn是过采样得到的新样本,P_m表示样本P的第m个属性值,表示第l个近邻样本的第m个属性值，m∈1,2,...,N,l∈1,2,...,k；

(4)将不同类别的用户负荷序列输入到LSTM神经网络的输入层，将输入层接收的数据导入LSTM网络层；

(5)训练LSTM神经网络，利用改进LM方法优化LSTM神经网络，调整网络权值，得到LSTM预测模型:

LM方法的权值调整公式为:

m_k+1＝m_k-Z_k+1

其中，Z_k+1为权值变化量；L_k为冲量；m_k+1为优化后的权值；m_k为优化前的权值；γ为超参数；J_k为对误差权值修正的雅可比矩阵；J_k^T为对误差权值修正的雅可比矩阵的转置；ζ为阻尼项；E为单位矩阵；h_k为误差修正量；

(6)计算模型输出与理论输出间的误差，若计算所得误差在最大可允许累计误差范围内，则保留LSTM预测模型，反之则进行迭代修改；利用输出单元输出神经网络的电负荷预测结果。