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

说明书

本发明提供一种基于Kmeans‑BiLSTM‑DMD模型的短期负荷预测方法，包括：获取原始负荷数据、气象因素数据和日期类型因素数据；将气象因素数据和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；对第一训练集采用Kmeans聚类，完成相似日的寻找；根据相似日建立输入特征，并划分为第二训练集和评估集，根据测试日期建立第二测试集；根据第二训练集训练BiLSTM神经网络，得到BiLSTM预测模型；用BiLSTM预测模型预测评估集，得到误差集；使用DMD预测误差集，得到预测的误差值；使用BiLSTM预测模型预测第二测试集，得到预测值；使用所需的误差值对预测值进行误差修正，得到最后预测结果并进行评价。

技术领域

本发明属于电力负荷预测技术领域，具体涉及一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法。

背景技术

在电力系统中，电力负荷预测是编排调度计划、交易计划的基础，也电力系统在安全、稳定、经济运行的重要保障。目前智能电网的建设在我国逐步展开，电力系统中分布式电源的配置也随之增长，这都使得负荷变得更加复杂。电动汽车出现的，也增大了负荷消耗的随机性，这些都给短期电力负荷预测带来了巨大挑战，使负荷预测精度的提升变得困难。

近些年，人工智能方法的快速发展，解决了传统方法不能很好地解决非线性的问题。人工智能方法主要可分为人工神经网络，支持向量机，深度学习等。深度学习中循环神经网络(recurrent neural network，RNN)通过将上一时刻神经元状态输入到当前时刻神经元中，实现了对时序序列的处理。但是它存在梯度爆炸或者梯度消失问题，不能有效地处理长时间的序列。长短期记忆神经网络(long short-term memory，LSTM)在RNN的基础上做了改进，有效解决RNN存在的问题，实现对长时间序列的预测。双向长短期记忆神经网络(bi-directional long short-term memory，BiLSTM)在LSTM神经网络的基础上，增强了前后之后的联系，提高了预测精度。但是目前的预测方法大多都缺少对预测结果的修正，存在预测结果误差较大而不满足精度的情况。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法。

本发明提供了一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法，用于预测短期负荷，具有这样的特征，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，将气象因素数据和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，根据相似日建立输入特征，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BiLSTM预测模型对评估集进行预测，得到误差集；步骤7，对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，使用所需的误差值对预测值进行误差修正，得到最后预测结果，并对最后预测结果进行评价。

在本发明提供的基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法中，还可以具有这样的特征：其中，步骤2中将气象因素数据和日期类型因素数据构建成日特征向量的具体步骤如下：步骤2-1，从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。