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与流程

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
技术领域
1.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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.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：
7.s1、对历史电负荷数据进行预处理；
8.s2、设置bi
‑
lstm神经网络参数；
9.s3、将预处理后的历史电负荷数据分类为训练集和测试集；
10.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；
11.s5、评估训练后的bi
‑
lstm神经网络模型，确定最优预测模型；
12.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。
13.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。
14.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。
15.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、epoch size、batch size、learning size、dropout size和lag size。
16.进一步的改进在于，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状态，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。
17.进一步的改进在于，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。
18.进一步的改进在于，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。
19.进一步的改进在于，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；
20.所述数据预处理单元用于对历史电负荷数据进行处理；
21.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；
22.所述数据分类单元用于将预处理后的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；
23.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；
24.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；
25.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。
26.进一步的改进在于，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；
27.所述数据修补模块用于对历史电负荷数据进行修补；
28.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。
29.本发明具有下列有益效果：本发明的一种基于k均值聚类与bi
‑
lstm神经网络的电负荷预测方法，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，正向流计算出前一隐含状态历史信息，通过逆向流获得的未来隐含状态信息，比现有的单向lstm神经网络模型精度更高，可靠性更强；并且本发明的方法中预处理后的电负荷数据分为训练集和测试集，训练集用以训练bi
‑
lstm神经网络模型，测试集可以评估训练后的bi
‑
lstm神经网络模型，以获取最优预测模型；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。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
31.图1为本发明的基于k均值聚类与bi
‑
lstm神经网络的电负荷预测方法流程示意图；
32.图2为本发明的一个具体实施例中获取最优bi
‑
lstm神经网络模型的流程图；
33.图3为本发明中的数据预处理流程示意图；
34.图4为本发明中的bi
‑
lstm神经网络原理流程示意图。
具体实施方式
35.下面将结合本发明的实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.本发明的目的是通过聚类考虑影响电网电负荷变化的因素，通过分析这些多维复杂的数据和历史电负荷数据的相关性，然后利用最优参数组合获得bi
‑
lstm神经网络预测模型，进而基于最优预测模型预测未来某一时间段的用户用电负荷，参见图1和图2，具体包括如下步骤：
37.step1:对历史电负荷数据进行预处理；
38.参见图3，预处理过程包括包括对历史电负荷数据修补处理步骤以及对修补后的数据进行k均值聚类处理步骤，其中，历史电负荷数据进行修补处理过程包括对于时间序列上的缺失数据进行补充和对于偏差较大的“坏数据”进行修改；k均值聚类处理过程中，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，并利用大数据计算它们对电负荷影响的占比权重。
39.本发明实施例利用k均值聚类算法对修改完的历史数据进行聚类处理，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，这样预测得到的数据从理论上来说更接近现实情况下的真实数据。
40.step2:设置bi
‑
lstm神经网络参数；
41.选择合适的参数可以提高神经网络模型的预测性能，其中对于时间序列预测问题，最重要的参数包括隐藏层数、神经元数、epoch size、batch size、learning size、dropout size和lag size，为bi
‑
lstm神经网络生成包含参数组合的列表，再利用搜索方法来搜索模型参数，常见的搜索方法有：随机搜索、网格搜索、进化算法；本发明的实施例中采用广泛使用的网格搜索方法来搜索确定模型的参数组合。
42.step3:将预处理后的历史电负荷数据分类为训练集和测试集；
43.在此步骤中，首先将时间序列的历史电负荷数据重塑为一组具有预定义输入特征和输出特征的数据状态，然后将创建的数据组划分为训练集和测试集；训练集用于输入到bi
‑
lstm网络模型中，建立每一组参数组合对应的预测模型；测试集用于根据性能指标评估所建模型的预测能力。
44.step4: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；
45.除lag size参数外，其余参数包括隐藏层数、神经元数目、epoch size、batch size、learning rate和dropout rate，用于bi
‑
lstm网络的配置和训练，利用step2的网格搜索方法确定这些参数的值后，针对获取的每一组参数组合，创建一个bi
‑
lstm神经网络模型，使用训练集进行训练，得到多个预测模型。
46.step5:评估训练后的bi
‑
lstm神经网络模型，确定最优预测模型；
47.为了评估训练后的各个模型，本发明的方法是使用基于非正规化输入和预测输出数据计算的rmse度量对每个模型的性能进行评估，然后选择最优模型；具体地操作是，将测试集分别输入训练后的各个模型，将训练模型输出的数据与测试集中的输出特征数据进行对比并计算训练误差，再根据评价指标评估训练模型，如果训练误差较大，则需要不断优化bi
‑
lstm参数，直到达到精度要求的范围，则该组bi
‑
lstm神经网络参数(组合)所对应的bi
‑
lstm神经网络模型为最优预测模型。
48.step6: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；
49.根据获得的最优预测模型，可以对未来特定时间及特定影响条件下电负荷数据的进行预测。
50.进一步地，本实施例中对历史电负荷数据预处理过程，包括对历史电负荷偏差数据修补过程及对修补后的数据进行聚类处理过程，具体地，如图2所示，在大量的历史数据中，可能存在某些数据的缺失或出现偏差较大的“坏数据”，因此需要对整体数据做归一化处理。简单的方法就是用平均数填补缺失的数据和修改偏差较大的“坏数据”。考虑到电负荷受到众多因素的影响，而且在不同因素影响的情况下电负荷变化比较灵敏，所以对于想要预测未来某一时间段的电负荷就需要把这些影响因素全部考虑到。
51.进一步地，在深度学习中，首先通过训练过程学习模型，然后利用测试过程对模型进行评估。在训练过程中，预测模型尝试在每次迭代时学习模型参数。在第一次迭代时，为每个模型参数、权重和偏差设置一个初始值，之后需要对这些参数进行改进。当权重向量被一个特定的值调整时，这个权重向量的梯度向量可以推导出误差的差异，这个过程被称为“反向传播”。对于计算出的梯度，权重应向相反方向更新，计算出新的误差。bi
‑
lstm(双向
‑
lstm)充分体现了这一特征，单向
‑
lstm学会了利用之前状态获得的所有信息来预测当前状态，bi
‑
lstm可以使用历史数据，而且它们还通过考虑未来的情况来预测当前的状态。特别地，在每一个时间步长t，bi
‑
lstm使用在正向流中计算出前一隐含状态历史信息，以及通过逆向流获得的未来隐含状态信息，相比于现有电负荷预测方法中大大提高了预测精度。
52.本发明实施例采用的bi
‑
lstm网络模型，参照图4所示，具体流程如下：
53.其中和分别为当前、上一步骤和下一步骤正向传播时隐含层状态；
54.和分别为当前、上一步骤和下一步骤反向传播时隐含层状态；
55.y、y
t
‑1和y
t+1
分别为当前、上一步骤和下一步骤bi
‑
lstm层的输出值；
56.然后将这些输出值送到全连接层，将lstm层的输出值连接到一个表示预测负荷损耗值的响应中；最后一层是回归层，用于计算序列数据的误差损失。
57.从图3中可以看出，单向lstm代表传统的lstm层，它学会了利用之前状态获得的所有信息来预测当前状态。另一方面，bi
‑
lstm可以使用历史数据；而且，他们可以通过考虑未来的情况来预测当前的状态。特别地，在每一个时间步长t，bi
‑
lstm使用在正向流中计算出前一隐含状态历史信息以及通过逆向流获得的未来隐含状态信息，与单向lstm网络相比，bi
‑
lstm网络执行更复杂的计算，并且需要提前获得整个数据序列。
58.本发明还提供一种基于k均值聚类与bi
‑
lstm神经网络的电负荷预测系统，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，预测单元；
59.数据预处理单元用于对历史电负荷数据进行处理；
60.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；
61.数据分类单元用于将预处理后的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；
62.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；
63.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；
64.预测单元用于基于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。具体地，特定条件为k均值聚类处理中的聚类内容。
65.进一步地，数据预处理单元还包括数据修补模块及k均值聚类模块；其中，数据修补模块用于对历史电负荷数据进行修补，包括对于缺失数据的补充和对于“坏数据”的修改；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。
66.通过本发明实施例的实施，通过k均值聚类法与bi
‑
lstm相结合的方式，基于设置超参数选取最优神经网络预测模型，进而基于最优模型对未来特定条件下的电负荷进行预测，可以获得比较精确的预测数据。
67.以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。