[发明专利]一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法

权利要求书

1.一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法，用于预测短期负荷，其特征在于，包括如下步骤：

步骤1，获取原始负荷数据、气象因素数据和日期类型因素数据；

步骤2，将所述气象因素数据和所述日期类型因素数据构建成日特征向量，而后将其分为第一训练集和第一测试集，进行归一化处理；

步骤3，对所述第一训练集采用Kmeans聚类算法进行运算，完成相似日的寻找；

步骤4，根据所述相似日的建立输入特征，并将其划分为第二训练集和评估集，并根据测试日期建立第二测试集；

步骤5，根据所述第二训练集训练双向长短期记忆神经网络即BiLSTM神经网络，得到BiLSTM预测模型；

步骤6，使用所述BiLSTM预测模型对所述评估集进行预测，得到误差集；

步骤7，对所述误差集使用动态模态分解DMD进行预测，得到预测的误差值；

步骤8，使用所述BiLSTM预测模型对第二测试集进行预测，得到预测值；

步骤9，使用所需的所述误差值对所述预测值进行误差修正，得到最后预测结果，并对所述最后预测结果进行评价。

2.根据权利要求1所述的基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法，其特征在于：

其中，所述步骤2中将所述气象因素数据和所述日期类型因素数据构建成所述日特征向量的具体步骤如下：

步骤2-1，从所述气象因素数据中选取日最高温度、日最低温度、日平均温度、相对湿度以及温湿度指标作为主要气象因素；

步骤2-2，从所述日期类型因素数据中选取是否为法定节假日和是否为工作日作为主要日期类型因素；

步骤2-3，对所述主要日期类型因素进行编码，当为法定节假日时标记为1，否则标记为0，当为工作日时标记为1，否则标记为0；

步骤2-4，将所述主要气象因素以及主要日期类型因素作为日特征向量，且每一天的特征因素为一个行向量。

3.根据权利要求1所述的基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法，其特征在于：

其中，所述步骤2中归一化处理的公式如下：

式(1)中，x^*为变量归一化后的数据，x为变量原始数据，x_max、x_min分别为原始数据的最大值和最小值。

4.根据权利要求1所述的基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法，其特征在于：

其中，所述步骤3包括如下子步骤：

步骤3-1，在所述第一训练集中，任意选取k个点作为初始的聚类中心；

步骤3-2，采用欧式距离计算训练样本与各个所述聚类中心之间的距离，将所述训练样本归入到与它最近的聚类中心中，并用均值向量更新所述聚类中心；

步骤3-3，迭代上述步骤3-1和步骤3-2，直到所述聚类中心不变时输出新的聚类中心和对应聚类标签；

步骤3-4，计算所述第一测试集内的数据到各个新的所述聚类中心的欧式距离，欧式距离最小的一类为所述第一测试集所对应的相似日集合，

所述欧式距离公式为：

式(2)中，x_n(n＝1,2,...,m)为待预测日特征向量的第n个因素，p_in(i＝1,2,...k,n＝1,2,...,m)为第i组聚类中心的第n个元素。