基于用户负荷模式分类的短期电力负荷预测方法与流程

1.本发明属于电力负荷预测领域，特别涉及一种基于用户负荷模式分类的短期电力负荷预测方法。


背景技术：

2.为了满足不断增长的能量需求，建立安全、可靠、环保、高效以及友好型的电力网络已经成为日前的研究热点。智能电网的概念为建设新的电网提供了一个很好的解决方案。智能电网的发展推动了用户侧智能电表的普及，随着智能电表数量的不断增加，设备传输和采集的各种类型的数据量也呈指数增长，并逐渐形成用户端大数据，加大了负荷预测和需求侧管理等工作的难度，但这些数据中隐藏着用户用电行为的潜在有用信息，准确了解用户用电行为模式对电网来说己经成为负荷预测、需求侧管理、用电定价等方面的重要前提。
3.电力负荷预测主要是在考虑电力负荷影响因素的基础上对其历史数据进行分析，获取其中有用的信息并建立数学模型，来对未来一段时间的电能发展趋势以及电力使用情况进行估计。若是能够准确预测未来的电力负荷波动情况，将会为电力系统管理部门科学有效的管理电力使用情况，减少资源浪费、降低发电成本，优化电网中电力资源的合理分配以及建立经济合理的发电计划提供极大帮助。事实上，用户的用电行为是相似的，通过负荷聚类方法能将海量的用户负荷分类成若干类别，分析类别内的用户用电行为的共同性和不同类别用电行为的差异性，建立针对具体类别的预测模型，可以大大提升预测精确度。
4.传统的负荷预测主要凭借调度员或者专家进行主观判断。后来随着统计学方法的发展产生了时间序列法、回归分析法等数学方法。随着人工智能技术的发展，bp神经网络、增量优化极限学习机、正则化极限学习机、支持向量机等一系列智能算法被应用于电力负荷预测中，但是这些方法对于海量高维度数据的处理尚有精度不高、模型收敛慢等不足。
5.在此背景下，根据用户负荷模式分类和长短时记忆网络(lstm)处理分析海量高维度数据，将历史电力负荷数据作为训练样本数据，通过按多种类别负荷模式进行模型的训练。所提出的方法将电力系统短期负荷预测进一步精细化，大幅度提高负荷预测在短期内的精准度，如此既为电力用户提供了稳定、合适、可靠的电力能源，又强化了电力企业的经济发展效益。
6.基于用户负荷模式分类和深度lstm神经网络的短期电力负荷预测方法主要需考虑两个方面的问题：(1)如何利用k近邻分类算法(knn)准确得到待预测日所属用户负荷模式类别；(2)如何利用深度lstm神经网络进行短期负荷预测。


技术实现要素：

7.本发明提供一种基于用户负荷模式分类的短期电力负荷预测方法，能够迅速准确的得到待预测日的负荷特性，保证电力系统运行和管理的高效和稳定。
8.本发明具体为一种基于用户负荷模式分类的短期电力负荷预测方法，所述短期电
力负荷预测方法主要包括海量高维数据预处理、用户负荷模式分类器、lstm模型训练及预测，具体包括以下步骤：
9.步骤(1)：导入某地区电力负荷和对应影响因素的所有历史数据，并对数据进行预处理；其中：对于缺失较少的数据可以采用均值填充的方法，而对于缺失量较大的数据则直接删除，进入步骤(2)；
10.步骤(2)：对历史负荷数据进行k
‑
means聚类分析，按照曲线形状聚集相似日，将曲线分为不同类别，记录类别标签，进入步骤(3)；
11.步骤(3)：对所述历史负荷数据和对应的影响因素数据进行无量纲化处理，进入步骤(4)；
12.步骤(4)：利用灰色关联法分析所述历史负荷数据与对应的所述影响因素数据间的相关性，计算各所述影响因素数据的灰色关联度，进入步骤(5)；
13.步骤(5)：将所述关联度从大到小排列，选取关联度大于0.7的影响因素作为关键影响因素，进入步骤(6)；
14.步骤(6)：按照步骤(2)得到的相似日标签，把每种类别的所述历史负荷数据分别作为每个lstm预测模型的输入，进入步骤(7)；
15.步骤(7)：在输入层将数据分成训练集和测试集，并进行归一化处理，进入步骤(8)；
16.步骤(8)：在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练，进入步骤(9)；
17.步骤(9)：网络训练迭代在网络启动之后，网络层训练采用优化adam算法，直到网络训练良好，进入步骤(10)；
18.步骤(10)：将待预测日的所述关键影响因素数据输入到knn分类器中，进入步骤(11)；
19.步骤(11)：采用欧氏距离计算待预测日数据与各历史数据的距离，进入步骤(12)；
20.步骤(12)：将计算的所述距离进行由小到大排序，进入步骤(13)；
21.步骤(13)：找出距离最小的k个值，计算找出的值中每个类别的频次，进入步骤(14)；
22.步骤(14)：返回频次最高的类别，即为待预测日的类别，完成基于knn分类器的待预测日类别识别，进入步骤(15)；
23.步骤(15)：根据待预测日分类标签，将相关数据输入到对应的负荷预测模型中，进入步骤(16)；
24.步骤(16)：通过训练好的所述lstm模型进行预测，输出待预测日的预测值，结束。
25.步骤(2)中所述k
‑
means聚类分析方法具体步骤如下：输入所需类数k和原始数据集，首先随机选取k个聚类中心，逐一计算其余数据到聚类中心的距离，将与聚类中心k最近的数据归为第k类，将它们的均值作为新的聚类中心，重复上述过程，直到所有的数据分类完成，得到每个样本的类标签；能够将一定时间内的日负荷曲线自动划分为一定数量的类，类中负荷曲线皆为相似日的负荷曲线。
26.步骤(4)中利用灰色关联法分析所述历史负荷数据与对应的所述影响因素数据间的相关性，
27.记δ
i
(k)＝|y(k)
‑
x
i
(k)|，则
28.计算关联系数y是参考数列，x是比较数列；i是比较数列的个数，k是数列中的元素个数；ρ∈(0,∞)，是分辨系数，ρ越小，分辨力越大，一般取0.5；所述参考数列为所述历史负荷数据，所述比较数列为各所述影响因素数据组成的数据序列；
29.计算各所述影响因素数据的灰色关联度：
30.所述lstm模型训练流程具体如下：
31.(1)将所述历史数据划分为训练集和测试集，并进行归一化处理；
32.(2)在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练；
33.(3)网络训练迭代在网络启动之后，网络层训练采用优化adam算法，直到网络训练良好；
34.(4)在预测部份，待预测日相关数据被送入该待预测日所属类别对应的训练完的lstm网络中，最后输出待预测日的负荷预测值。
35.与现有技术相比，有益效果是：所述短期电力负荷预测方法是一种策略性的方法，通过对所有历史样本进行数据预处理、k
‑
means聚类分析、灰色关联分析、通过k近邻分类算法(knn)建立分类器以及对不同类型负荷数据采用lstm神经网络方法建立不同的负荷预测模型，从而得到待预测日的电力负荷特性，能够较为准确的得到未来某待预测日的用电负荷特性，有利于计划用电管理、制定合理的电源建设规划，有利于提高电力系统的经济效益和社会效益。
附图说明
36.图1为本发明一种基于用户负荷模式分类的短期电力负荷预测方法的流程示意图。
37.图2为本发明一种基于用户负荷模式分类的短期电力负荷预测方法的系统结构图。
具体实施方式
38.下面结合附图对本发明一种基于用户负荷模式分类的短期电力负荷预测方法的具体实施方式做详细阐述。
39.如图1所示，本发明的短期电力负荷预测方法主要包括海量高维数据预处理、用户负荷模式分类器、lstm模型训练及预测，
40.海量高维数据预处理主要是通过把所有历史数据作为整体，首先进行缺失数据填
充或删除操作，并通过k
‑
means算法将历史负荷数据按照曲线相似度聚类，得到历史负荷数据的类别标签；用户负荷模式分类器主要是先进行负荷数据和影响因素间的相关性分析，确定对负荷影响较大的因素，随后通过负荷数据和影响因素间的关系建立knn分类器；lstm模型训练及预测主要是先将分组后的历史负荷数据作为训练集对该模型进行训练，训练完成后将待预测日相关数据输入模型，得到预测值并输出。
41.海量高维数据预处理：
42.在电力系统负荷预测中，为了提高预测精度，对海量高维历史样本数据进行预处理和采用k
‑
means算法选取相似日作为预测模型的训练数据是前提条件；
43.海量高维数据预处理主要是通过把所有历史数据作为整体，首先进行缺失数据填充或删除操作，并通过k
‑
means算法将历史负荷数据按照曲线相似度聚类，得到历史负荷数据的类别标签；
44.基于k
‑
means聚类方法选取相似日，预期的效果是能够将一定时间内的日负荷曲线自动划分为一定数量的类，类中负荷曲线皆为相似日的负荷曲线。该方法具体步骤如下：输入所需类数k和原始数据集，首先随机选取k个聚类中心，逐一计算其余数据到聚类中心的距离，将与聚类中心k最近的数据归为第k类，将它们的均值作为新的聚类中心，重复上述过程，直到所有的数据分类完成，得到每个样本的类标签。
45.用户负荷模式分类器：
46.用户负荷模式分类器主要是先进行负荷数据和影响因素间的相关性分析，确定对负荷影响较大的因素，随后通过负荷数据和影响因素间的关系建立knn分类器；
47.不同类别的相似日具有不同的负荷特性，因而也对应着不同的预测模型，通过建立分类器，得到负荷数据和关键影响因素之间的关系，以此判断待预测日的类别属性，再应用相应类别的负荷预测模型，能够有效提高负荷预测精度；
48.(1)灰色关联分析
49.影响电力负荷数据的因素多种多样，如温度、湿度、日照时长、降雨量、星期类型、节假日等，不同影响因素对负荷数据的影响程度不同，采用灰色关联分析确定关键影响因素，具体步骤如下：
50.1)数据的无量纲化
51.确定出参考数列和比较数列进行无量纲化处理，参考数列即负荷数据，比较数列即各影响因素组成的数据序列；
52.2)计算关联系数
53.记δ
i
(k)＝|y(k)
‑
x
i
(k)|，则
[0054][0055]
式中：y是参考数列，x是比较数列；i是比较数列的个数，k是数列中的元素个数；ρ∈(0,∞)，是分辨系数，ρ越小，分辨力越大，一般取0.5；
[0056]
3)计算关联度
[0057]
关联度公式：
[0058]
4)选取关键影响因素
[0059]
按照灰色关联度从大到小排列，选取关联度大于0.7的影响因素作为关键影响因素；
[0060]
(2)knn分类器
[0061]
knn算法主要思想是一个样本在特征空间中的k个最近邻的样本中的大多数都属于某一个类别，则该样本也属于这个类别；其中k表示最近邻居的个数。输入待预测日的关键影响因素数据，输出待预测日的类别，具体步骤如下：
[0062]
1)计算待预测数据与各训练数据的距离,距离度量采用欧氏距离
[0063]
2)将计算的距离进行由小到大排序；
[0064]
3)找出距离最小的k个值；
[0065]
4)计算找出的值中每个类别的频次；
[0066]
5)返回频次最高的类别,即为待预测日的类别。
[0067]
lstm模型训练及预测：
[0068]
采用长短时记忆网络(lstm)，旨在利用深度学习模型的特征提取能力以及lstm时序相关性学习能力对负荷数据进行规律挖掘，其记忆结构可以很好的反映负荷数据在时间顺序上的联系；对不同类别的负荷数据分别训练预测模型，基于lstm的短期负荷预测模型训练流程具体如下：
[0069]
1)将历史数据划分为训练集和测试集，并进行归一化处理；
[0070]
2)在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练；
[0071]
3)网络训练迭代在网络启动之后，网络层训练采用优化adam算法，直到网络训练良好；
[0072]
4)在预测部份，待预测日相关数据被送入该待预测日所属类别对应的训练完的lstm网络中，最后输出待预测日的负荷预测值；
[0073]
lstm模型训练及预测主要是先将分组后的历史负荷数据作为训练集对该模型进行训练，训练完成后将待预测日相关数据输入模型，得到待预测日预测值并输出。
[0074]
如图2所示，基于用户负荷模式分类的短期电力负荷预测方法具体包括以下步骤：
[0075]
步骤(1)：导入某地区电力负荷和对应影响因素的所有历史数据，并对数据进行预处理；其中：对于缺失较少的数据可以采用均值填充的方法，而对于缺失量较大的数据则直接删除，进入步骤(2)；
[0076]
步骤(2)：对历史负荷数据进行k
‑
means聚类分析，按照曲线形状聚集相似日，将曲线分为不同类别，记录类别标签，进入步骤(3)；
[0077]
步骤(3)：对所述历史负荷数据和对应的影响因素数据进行无量纲化处理，进入步骤(4)；
[0078]
步骤(4)：利用灰色关联法分析所述历史负荷数据与对应的所述影响因素数据间的相关性，计算各所述影响因素数据的灰色关联度，进入步骤(5)；
[0079]
步骤(5)：将所述关联度从大到小排列，选取关联度大于0.7的影响因素作为关键影响因素，进入步骤(6)；
[0080]
步骤(6)：按照步骤(2)得到的相似日标签，把每种类别的所述历史负荷数据分别作为每个lstm预测模型的输入，进入步骤(7)；
[0081]
步骤(7)：在输入层将数据分成训练集和测试集，并进行归一化处理，进入步骤(8)；
[0082]
步骤(8)：在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练，进入步骤(9)；
[0083]
步骤(9)：网络训练迭代在网络启动之后，网络层训练采用优化adam算法，直到网络训练良好，进入步骤(10)；
[0084]
步骤(10)：将待预测日的所述关键影响因素数据输入到knn分类器中，进入步骤(11)；
[0085]
步骤(11)：采用欧氏距离计算待预测日数据与各历史数据的距离，进入步骤(12)；
[0086]
步骤(12)：将计算的所述距离进行由小到大排序，进入步骤(13)；
[0087]
步骤(13)：找出距离最小的k个值，计算找出的值中每个类别的频次，进入步骤(14)；
[0088]
步骤(14)：返回频次最高的类别，即为待预测日的类别，完成基于knn分类器的待预测日类别识别，进入步骤(15)；
[0089]
步骤(15)：根据待预测日分类标签，将相关数据输入到对应的负荷预测模型中，进入步骤(16)；
[0090]
步骤(16)：通过训练好的所述lstm模型进行预测，输出待预测日的预测值，结束。
[0091]
在电力系统负荷预测中，为了提高预测精度，对海量高维历史样本数据进行预处理和采用k
‑
means算法选取相似日作为预测模型的训练数据是前提条件，k
‑
means聚类分析方法具体步骤如下：输入所需类数k和原始数据集，首先随机选取k个聚类中心，逐一计算其余数据到聚类中心的距离，将与聚类中心k最近的数据归为第k类，将它们的均值作为新的聚类中心，重复上述过程，直到所有的数据分类完成，得到每个样本的类标签；能够将一定时间内的日负荷曲线自动划分为一定数量的类，类中负荷曲线皆为相似日的负荷曲线。
[0092]
步骤(4)中利用灰色关联法分析所述历史负荷数据与对应的所述影响因素数据间的相关性，
[0093]
记δ
i
(k)＝|y(k)
‑
x
i
(k)|，则
[0094]
计算关联系数y是参考数列，x是比较数列；i是比较数列的个数，k是数列中的元素个数；ρ∈(0,∞)，是分辨系数，ρ越小，分辨力越大，一般
取0.5；所述参考数列为所述历史负荷数据，所述比较数列为各所述影响因素数据组成的数据序列；
[0095]
计算各所述影响因素数据的灰色关联度：
[0096]
所述lstm模型训练流程具体如下：
[0097]
(1)将所述历史数据划分为训练集和测试集，并进行归一化处理；
[0098]
(2)在每个训练周期中，从数据集中随机选取训练数据，然后输入到神经网络中进行网络训练；
[0099]
(3)网络训练迭代在网络启动之后，网络层训练采用优化adam算法，直到网络训练良好；
[0100]
(4)在预测部份，待预测日相关数据被送入该待预测日所属类别对应的训练完的lstm网络中，最后输出待预测日的负荷预测值。
[0101]
为了方便描述，我们假设有如下应用实例：
[0102]
随着电力市场化的改革与发展，电力系统中的负荷信息也具有维度多、数据量极大、数据种类复杂。历史负荷数据中负载的信息对用户、企业和社会经济均有巨大的价值，涉及电力系统规划和设计，电力系统运行的经济性、可靠性和安全性、电力市场交易等多个方面。那么如何在已有的大量历史数据的基础上，建立模型，对电力负荷进行预测分析成为一个重要的研究方向。
[0103]
假如有居民区的一段时间内准确历史负荷数据和影响因素数据，并且将要对某一天的负荷特性进行判断。那么首先要通过数据预处理，然后通过k
‑
means聚类分析对历史数据进行相似日分组，建立各个类别的lstm预测模型，输入历史数据并训练负荷预测模型，再通过灰色关联分析得到影响负荷特性的关键影响因素，基于负荷数据和关键影响因素关系建立knn分类器，通过该分类器可得到待预测日所属类别，最终将待预测日相关数据输入到对应类别的lstm模型中进行电力负荷预测，最终得到待预测日的负荷值。
[0104]
其具体的实施方案为：
[0105]
(1)首先对历史负荷数据、影响因素数据进行预处理，缺失值较少的数据采用均值填充的方法，对于缺失量较大的直接删除；
[0106]
(2)利用k
‑
means算法对历史负荷数据聚类，按照曲线形状将相似日聚集起来，分为不同类别，记录下类别标签；
[0107]
(3)利用灰色关联法分析历史负荷数据与对应影响因素数据间的相关性，选取灰色关联度大的作为关键影响因素；
[0108]
(4)将历史日的关键影响因素数据和类别标签作为训练数据，输入待预测日的关键影响因素数据，通过knn分类器得到待预测日的所属类别；
[0109]
(5)针对每个类别的历史负荷数据都基于深度lstm神经网络模型训练负荷预测模型；
[0110]
(6)将待预测日的相关数据输入到对应类别的lstm模型中，输出待预测日负荷预测值。
[0111]
最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修
改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。