[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

说明书

本公开公开了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，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。

技术领域

本公开属于电网调度部门负荷预测的技术领域，涉及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。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

母线负荷预测结果的精度，会显著影响安全校核与日前计划，为了保证电力系统安全稳定、经济地运行，避免造成不必要的能源浪费，就必须掌握各种负荷的变化规律和发展趋势。母线负荷预测结果可为电网提供假想潮流数据，是安全稳定分析、无功优化、动态状态估计、厂站局部控制等的基袖，提高了电网调度的精益化和智能化水平。

然而，发明人在研究过程中发现，母线负荷预测的难点在于与系统负荷相比，母线负荷的基荷小、波动大、毛刺多，目前常见的线性回归方法已无法达到理想的精度。

发明内容

针对现有技术中存在的不足，解决母线数目众多，量大面广的问题，本公开的一个或多个实施例提供了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,有效提高母线短期日负荷预测精度。

根据本公开的一个或多个实施例的一个方面，提供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。

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，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。

进一步地，在该方法中，所述电网母线数据包括母线供电类型、日期类型、温度、光照情况、电价和日负荷。

进一步地，在该方法中，所述确定短期母线负荷预测影响因子的具体步骤包括：

利用相关系数分析方法确定所述电网母线数据之间的相关系数；。

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。

进一步地，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。

进一步地，在该方法中，采用k-means clustering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；

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；

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个初始点作为均值算法的出发点进行计算。