[发明专利]一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置

权利要求书

1.一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，该方法包括：

接收电网母线数据，分析电网母线负荷特性，确定短期母线负荷预测影响因子；

提取影响因子的特征，进行数据标准化处理，建立负荷数据库；

采用聚类算法将具有相似特征的母线进行聚合，确定K值；

通过深度学习长短期记忆网络建立K种模式对应的预测模型；

采用Momentum算法优化预测模型，完成母线负荷预测；

所述分析电网母线负荷特性，确定短期母线负荷预测影响因子，具体步骤包括：利用相关系数分析方法确定母线供电类型、日期类型、温度、光照情况、电价与日负荷之间的相关系数，确定短期负荷预测数据相关性大小，所述相关系数计算公式如下：

其中，X分别为母线供电类型、日期类型、温度、光照情况的集合，Y代表负荷值集合；Cov(X,Y)为X,Y的协方差，D(X)、D(Y)分别为X,Y的自方差，且-1≤ρ_XY≤1；ρ_XY0时，X,Y正相关；ρ_XY0时，X,Y负相关；若相关性阈值绝对值在0.5以上，则认为是具有相关性的，确定为输入量；将相关系数大于相关性阈值的电网母线数据确定为短期母线负荷预测影响因子；

所述采用聚类算法将具有相似特征的母线进行聚合确定K值，即采用k-meansclustering算法将具有相似特征的母线进行聚合，具体步骤包括：

以母线为单位，计算负荷数据库中所有数据之间的欧式距离；

根据公式计算负荷数据库中所有数据之间的欧式距离，其中，D为数据集，n为数据集对象个数，x_i、x_j分别表示数据集中的第i个数据和第j个数据；根据公式计算每个数据对象之间的密度，将密度大于密度阈值的点形成密度集合，u表示变换数据集平均值；

从密度集合中选择密度最大的点为第一个初始点，找出距离第一个初始点距离最远的点；

在密度集合中选择与第一个初始点和距离第一个初始点距离最远的点最大的最小距离的点；

选择与已选出聚类中心最大的最小距离的点，作为第二个初始点；

迭代计算将得到的K个初始点作为k-means clustering算法的出发点进行计算。

2.如权利要求1所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，在该方法中，采用Z-score标准化方法对提取影响因子的特征进行归一标准化处理。

3.如权利要求1所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，在该方法中，所述密度阈值根据数据集对象个数进行开方运算得到。

4.如权利要求1所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法，其特征在于，在该方法中，所述通过深度学习长短期记忆网络建立K种模式对应的预测模型的具体步骤包括：

搭建负荷预测的深度学习长短期记忆模型；

针对所分K种母线模式，分别对每种模式的母线训练，建立对应的K种模型。

5.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-4任一项所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法。

6.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-4任一项所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法。

7.一种结合聚类和深度学习算法的母线短期日负荷预测装置，其特征在于，基于如权利要求1-4任一项所述的一种结合聚类和深度学习算法的母线短期日负荷预测方法，包括：

影响因子确定模块，被配置为接收电网母线数据，分析电网母线负荷特性，确定短期母线负荷预测影响因子；

负荷数据库建立模块，被配置为提取影响因子的特征，进行数据标准化处理，建立负荷数据库；

模式分类模块，被配置为采用聚类算法将具有相似特征的母线进行聚合，确定K值；

预测模型构建模块，被配置为通过深度学习长短期记忆网络建立K种模式对应的预测模型；

母线负荷预测模块，被配置为采用Momentum算法优化预测模型，完成母线负荷预测。