[发明专利]一种短期电负荷预测方法

说明书

一种短期电负荷预测方法，属于电力系统负荷预测技术领域，包括如下步骤：对采集到的历史负荷数据进行异常处理及归一化处理；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；利用SMOTE方法对聚类后的数据进行过采样处理等。本发明能够有效的学习输入时间序列负荷数据的特征，更准确的预测负荷值，提高了短期负荷预测的精度。

技术领域

本发明属于电力系统负荷预测技术领域，具体涉及一种短期电负荷预测方法。

背景技术

在综合能源系统和能源互联网的高速发展中，电力负荷预测对电力系统的经济安全运行具有重要的作用。传统的负荷预测模型方法已在电力系统中取得了广泛应用，传统方法的简单计算模型对于高随机性、大数据背景下的动态负荷预测精度无法保证。近年来，在计算工具不断升级和训练数据量大规模提升的背景下，深度学习方法在电力负荷预测领域的应用得到了广泛重视。对比于传统的负荷预测方法，深度学习方法具有更高的预测精度，对于各种外部影响因素具有更好的鲁棒性。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于K-means聚类与改进LM方法优化的LSTM神经网络的短期电负荷预测方法。本发明能够有效的学习输入时间序列负荷数据的特征，更准确的预测负荷值，提高了短期负荷预测的精度。

本发明采用如下技术方案：

一种短期电负荷预测方法，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，min U为原始数据中最小的负荷值，max U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；