[发明专利]一种基于Kmeans和T-LSTM的负荷数据补全方法

权利要求书

1.一种基于Kmeans和T-LSTM的负荷数据补全方法，其特征在于包括以下步骤：

1)构建数据模型；

101)分批获取负荷数据；

102)随机挖出负荷数据中的连续点作为待补全负荷数据；

103)对负荷数据进行Kmeans聚类；

104)通过Kmeans聚类获得最佳的K种分类方式，根据K种分类方式，将总样本分成k个类别，每一类别对应不同的负荷区间，得到K种分类的负荷区间；

105)计算负荷平均值，并对负荷数据进行归一化处理；

106)根据负荷平均值确定所处的负荷区间，将经归一化处理的负荷数据输入至对应负荷区间的T-LSTM神经网络中进行训练，从而获得对应负荷区间的数据模型；K种负荷区间的数据分别训练得到对应的K种数据模型；

2)定时取待补全数据的当天负荷数据；

3)计算当天负荷数据的平均值；

4)根据平均值获取对应的数据模型；

5)将待补全负荷数据输入对应的数据模型中，计算得到补全的完整负荷数据。

2.根据权利要求1所述的一种基于Kmeans和T-LSTM的负荷数据补全方法，其特征在于：

构建数据模型时：

在步骤101)中，获取的负荷数据包括某单位的某日和某日前1天以及第七天负荷数据；

在步骤102)中，随机挖出某日的负荷数据中的连续点作为待补全负荷数据；

在步骤105)中，计算某日的负荷平均值，并对某日及其前一天和前第七天的负荷数据归一化处理。

3.根据权利要求2所述的一种基于Kmeans和T-LSTM的负荷数据补全方法，其特征在于：在步骤2)中，定时取待补全数据的当天负荷数据外，还获取待补全的数据前一天及前第七天的负荷数据；

在步骤5)中，除了将待补全负荷数据输入对应的数据模型外，将经归一化处理的前一天及前第七天的负荷数据输入对应的数据模型；数据模型根据当天、前一天、前第七天的负荷数据对进行补全。

4.根据权利要求3所述的一种基于Kmeans和T-LSTM的负荷数据补全方法，其特征在于：步骤104)，在进行Kmeans聚类时，使用手肘法得到K值。

5.根据权利要求2所述的一种基于Kmeans和T-LSTM的负荷数据补全方法，其特征在于：在步骤1)构建数据模型时，最后还包括校验步骤，将带缺失的数据归一化后输入对应的数据模型，并辅以这个时刻的历史信息，包含昨日和七日前的历史数据，最后得到完整的序列，然后与真实数据对比得到误差，当误差收敛后训练结束，得到最终数据模型并保存。