[发明专利]一种基于聚类算法的能源数据处理方法、装置及终端设备

说明书

本发明公开了一种基于聚类算法的能源数据处理方法、装置及终端设备，获取历史能源需求数据，通过预设的聚类算法对历史能源需求数据进行聚类中心的计算，并基于聚类中心将历史能源需求数据划分训练集，并将训练集输入到时序预测模型中进行训练，获得能源数据预测模型，并在获得待预测能源需求数据时，确认待预测能源需求数据的能源聚类中心，从而确定与能源聚类中心对应的能源数据预测模型，进而通过模型获得能源需求预测量。本发明通过聚类算法对数据进行聚类分类，使得分类后的数据具有更明显的数据特征，基于聚类分类后的数据进行多个时序预测模型的训练，有利于提高时序预测模型的预测精度，进而提高能源需求数据预测的准确性。

技术领域

本发明涉及神经网络领域，尤其涉及一种基于聚类算法的能源数据处理方法、装置及终端设备。

背景技术

电力、煤、石油、天然气目前主要预测方法为以时间序列法为代表的传统预测方法和以人工智能技术为代表的人工智能预测法。传统的预测方法对数据质量要求比较严苛，模型相对较为简单，随着人工智能、云计算等信息技术在能源领域的广泛应用，新模式、新业态蓬勃兴起，传统的规划方法、分析模型难以适应研究需要，因此，人工智能预测法得到了众多研究者的关注。人工智能预测法大多使用CNN(卷积神经网络)、LSTM(长短期记忆人工神经网络)等人工智能神经网络通过对于一种或多种能源数据进行训练，提取数据特征，对能源需求进行预测。

目前针对能源需求预测的人工智能预测法大多只使用单一模型进行训练与预测。一方面单一模型的损失函数容易陷入到局部最优解当中，无法向全局最优解继续下降；另一方面，对于输入数据质量要求较高，若输入数据不平衡、数据噪声过多，单一模型可能会出现对于训练数据过拟合的现象，鲁棒性较差。因此，现有的对于能源需求数据预测的准确性较低。

因此，亟需能源数据处理策略，来解决能源需求数据预测的准确性较低的问题。

发明内容

本发明实施例提供一种基于聚类算法的能源数据处理方法、装置及终端设备，以提高能源需求数据预测的准确性。

为了解决上述问题，本发明一实施例提供一种基于聚类算法的能源数据处理方法，包括：

获取历史能源需求数据；

通过预设的聚类算法，对所述历史能源需求数据进行聚类中心的计算，并基于所述聚类中心将所述历史能源需求数据划分为若干个训练集；其中，每个训练集与每个聚类中心的种类一一对应；

对所述若干个训练集进行预处理，并将预处理后的所述若干个训练集输入到预设的时序预测模型中进行训练，获得若干个能源数据预测模型；

在获取到待预测能源需求数据时，确认与待预测能源需求数据对应的能源聚类中心，并将所述待预测能源需求数据代入到与所述能源聚类中心对应的能源数据预测模型中，获得与待预测能源需求数据对应的能源需求预测量。

作为上述方案的改进，所述通过预设的聚类算法，对所述历史能源需求数据进行聚类中心的计算，具体为：

在所述历史能源需求数据中，随机选取预设数量个数据点作为若干个初始聚类中心；

将所述若干个初始聚类中心设为若干个待定聚类中心，依次执行欧氏距离计算操作、聚类中心更新操作和聚类中心比较操作，直至更新前的待定聚类中心和更新后的待定聚类中心的欧式距离小于第一门槛值后停止，并将更新后的待定聚类中心作为目标聚类中心；