[发明专利]一种融合形态聚类及TCN-Attention的短期负荷预测方法

说明书

本发明涉及一种融合形态聚类及TCN‑Attention的短期负荷预测方法，包括以下步骤：S1：对负荷历史日数据进行形态聚类，形成多个负荷相似日簇；S2：对影响负荷预测的数据进行预处理，获取待预测日负荷预测的影响因素数据；S3：根据各负荷相似日簇与影响因素数据的相似性为待预测日选择对应的相似日簇训练子集；S4：将待预测日对应的相似日簇训练子集输入到预测模型进行训练；S5：输入待预测日的影响因素数据至训练完成的预测模型，输出短期负荷预测值；所述的预测模型包括依次连接的输入层、TCN残差模块、Attention机制模块和输出层，与现有技术相比，本发明具有预测速度快且预测准确性高等优点。

技术领域

本发明涉及电力系统负荷预测技术领域，尤其是涉及一种融合形态聚类及TCN-Attention的短期负荷预测方法。

背景技术

随着“新基建”时代的到来，大规模光伏、风电并网发电在电网中的占比不断增长，大规模储能系统持续投入以及产业升级所带来的负荷需求增长均为电力系统的安全稳定运行和电能质量带来严重挑战。因此，如何根据负荷需求合理安排生产调度计划已成为电力系统亟待解决的难题。而负荷预测技术的进步为该难题提供了有效的解决方案。

目前，负荷预测方法主要分为三类：经典方法、统计学方法和人工智能方法。经典方法有专家系统法、趋势外推法等，此类方法对预测人员的主观经验有所依赖，故鲁棒性较低，预测效果不稳定。统计学方法主要采用多元线性回归、时间序列和序列分解等方法对大量历史负荷数据进行统计和建模预测，该方法未能考虑到外界因素对负荷的影响，预测精度通常不高。人工智能方法主要有支持向量机和神经网络等，可以直接从气象、历史负荷数据和天气预报数据中挖掘出变化规律进行预测，是目前负荷预测的主要方法和研究热点。但是现有的预测方法难以满足电网对数字化、智能化的发展需求，无法大规模并行处理数据，预测速度慢，预测精度低已成为当前面临的主要问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种融合形态聚类及TCN-Attention的短期负荷预测方法，能够针对不同的相似日类型进行精准的负荷预测，并且该方法可以进行并行计算，具有较高的计算效率。

本发明的目的可以通过以下技术方案来实现：

一种融合形态聚类及TCN-Attention的短期负荷预测方法，包括以下步骤：

S1：对负荷历史日数据进行形态聚类，形成多个负荷相似日簇；

S2：对影响负荷预测的数据进行预处理，获取待预测日负荷预测的影响因素数据；

S3：根据各负荷相似日簇与影响因素数据的相似性为待预测日选择对应的相似日簇训练子集；

S4：将待预测日对应的相似日簇训练子集输入到预测模型进行训练；

S5：输入待预测日的影响因素数据至训练完成的预测模型，输出短期负荷预测值；

所述的预测模型包括依次连接的输入层、TCN残差模块、Attention机制模块和输出层。

进一步地，所述的步骤S1具体包括：

S11：随机选择k条负荷历史日数据序列，作为起始聚类中心；

S12：计算每条负荷历史日数据序列到k条聚类中心的距离；

S13：将每条负荷历史日数据序列划分至距离最近的聚类中心所在簇；

S14：更新每个簇的聚类中心；

S15：重复步骤S12-S14，直至每个簇的聚类中心不再发生变化；

S16：得到k个负荷相似日簇。