[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

说明书

本发明公开了一种基于k均值聚类与BI‑LSTM神经网络的电负荷预测方法及系统，通过k均值聚类对历史电负荷数据进行预处理；通过聚类模型用同种影响因素作用下的历史电负荷数据作为原始数据来预测在相同影响因素的条件下未来某一时间段的电负荷，预测得到的数据更接近现实情况下的真实数据，预测可靠性高；另外一方面；建立BI‑LSTM神经网络模型对数据进行处理，利用历史数据对当下进行预测，并通过考虑未来的情况来对当前状态进行预测，不仅考虑了基本的LSTM神经网络，还降低了超参数优化模型对于各个叠加层形成的影响，从而提高了预测精度。

技术领域

本发明属于智能电网领域，具体涉及一种基于k均值聚类与BI-LSTM神经网络的电负荷预测方法及系统。

背景技术

近年来，由于计算机技术以及信息技术的快速发展，使得电力系统输电和配电系统已经有足够的技术支撑建成智能电网系统。在用户用电需求管理中，电力系统希望获得未来某一时间段比较准确的电负荷，以此来协调机组发电，这样就可以避免电网负荷达不到用户的需求或电网负荷过高而浪费资源的情况。

神经网络和深度学习技术的发展为大数据处理提供了可能性，在建立电负荷消耗的预测模型之前，首先要对历史数据进行预处理。影响电负荷的因素众多，比如因季节不同、行业不同、天气不同、不同区域以及其他因素而导致的用电量差别，对于电负荷历史数据这种多维变量的复杂数据，应对每个时段具有相同影响因素的历史电负荷数据进行聚类处理，分析其相关性。

建立电负荷消耗的预测模型依赖于它们的非线性行为与其因变量的匹配，为了解决这个问题，已经提出了数据驱动的预测方法。数据驱动技术不再对详细数据执行复杂的分析，而是自动从历史观测中了解数据的性质。在这些方法中，使用深度学习，特别是长短期记忆(LSTM)网络，对不同的时间序列预测问题显示了良好的效果。目前在电负荷预测方法中，仅考虑了基本的LSTM网络，即单向的长短期记忆循环神经网络，而没有说明超参数优化模型对各叠加层形成的影响，导致电负荷预测精度较低。

发明内容

本发明针对以上问题提出了一种基于k均值聚类和BI-LSTM(双向长短期记忆)神经网络相结合的电负荷预测方法，能够提高电负荷预测的精度。

为了解决上述技术问题，本发明提供了一种基于K均值聚类与BI-LSTM神经网络的电负荷预测方法，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。

进一步的改进在于，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。

进一步的改进在于，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。

进一步的改进在于，所述BI-LSTM神经网络参数包括：隐藏层数、神经元数、Epochsize、Batch size、Learning size、Dropout size和Lag size。