[发明专利]基于K均值聚类与BI-LSTM神经网络的电负荷预测方法及系统

权利要求书

1.一种基于K均值聚类与BI-LSTM神经网络的电负荷预测方法，其特征在于，包括如下步骤：

S1、对历史电负荷数据进行预处理；

S2、设置BI-LSTM神经网络参数；

S3、将预处理后的历史电负荷数据分类为训练集和测试集；

S4、配置BI-LSTM神经网络模型，并对所述BI-LSTM神经网络模型进行训练；

S5、评估训练后的BI-LSTM神经网络模型，确定最优预测模型；

S6、通过确定的最优预测模型对未来电负荷进行预测，得到预测电负荷数据。

2.根据权利要求1所述的基于K均值聚类与BI-LSTM神经网络的电负荷预测方法，其特征在于，所述的对历史电负荷数据进行预处理过程包括对历史电负荷数据修补以及对修补后的历史电负荷数据进行K均值聚类。

3.根据权利要求2所述的基于K均值聚类与BI-LSTM神经网络的电负荷预测方法，其特征在于，利用K均值聚类算法对修补后的电负荷数据进行聚类处理时，具体聚类包括：特定时间历史平均用电量、特定天气历史平均用电量、特定行业历史平均用电量、特定季节历史平均用电量、特定区域历史用电量，并统计每一个聚类对电负荷影响的占比权重。

4.根据权利要求1所述的基于K均值聚类与BI-LSTM神经网络的电负荷预测方法，其特征在于，所述BI-LSTM神经网络参数包括：隐藏层数、神经元数、Epoch size、Batch size、Learning size、Dropout size和Lag size。

5.根据权利要求1所述的基于K均值聚类与BI-LSTM神经网络的电负荷预测方法，其特征在于，步骤S3的具体过程为：将预处理后的历史电负荷数据依据时间序列重塑为一组具有预定义输入特征和输出特征的数据，并将数据划分为用于训练BI-LSTM神经网络模型的训练集和用于评估训练后的BI-LSTM神经网络模型的测试集。

6.根据权利要求1所述的基于K均值聚类与BI-LSTM神经网络的电负荷预测方法，其特征在于，步骤S4中，BI-LSTM神经网络模型配置与训练过程为：基于设置的BI-LSTM神经网络参数，生成对应的多维参数表，并采用网格搜索方法来获取多维参数组合，针对每一个所述参数组合创建一个BI-LSTM神经网络模型，并通过所述训练集对每个BI-LSTM神经网络模型进行训练。

7.根据权利要求1所述的基于K均值聚类与BI-LSTM神经网络的电负荷预测方法，其特征在于，所述评估训练后的BI-LSTM神经网络模型的过程为：使用所述测试集对训练后的BI-LSTM神经网络模型进行评估，将测试集与训练模型对比，计算训练误差，并根据评价指标评估训练模型，不断优化BI-LSTM神经网络参数直到训练误差达到精度要求的范围，则该BI-LSTM神经网络参数所对应的BI-LSTM神经网络模型为最优预测模型。

8.一种基于K均值聚类与BI-LSTM神经网络的电负荷预测系统，其特征在于，包括数据预处理单元、神经网络参数设置单元、数据分类单元、模型配置与训练单元、评估模型单元和预测单元；

所述数据预处理单元用于对历史电负荷数据进行处理；

所述神经网络参数设置单元用于搜索并设置BI-LSTM神经网络参数；

所述数据分类单元用于将预处理后的历史电负荷数据依据时间序列重塑为具有预定义输入特征和输出特征的状态的数据集合，再分为训练集和测试集；

所述模型配置与训练单元用于对BI-LSTM神经网络模型配置，并基于训练集对每个BI-LSTM神经网络模型进行训练；

所述评估模型单元用于评估训练模型，计算训练误差，比较并确定最优预测模型；

所述预测单元用于基于所述最优预测模型对未来特定条件下的电负荷进行预测，得到预测电负荷数据。

9.根据权利要求8所述的基于K均值聚类与BI-LSTM神经网络的电负荷预测系统，其特征在于，所述数据预处理单元包括数据修补模块及K均值聚类模块；

所述数据修补模块用于对历史电负荷数据进行修补；

所述K均值聚类模块用于对修补后的历史电负荷数据进行聚类。