一种基于模糊C均值聚类的综合能源短期负荷预测方法与流程

本发明涉及综合能源短期负荷预测，具体涉及一种基于模糊c均值聚类的综合能源短期负荷预测方法。

背景技术：

1、在智能电网中，电力负荷预测是需求侧能源优化和调控的重要依据，也是电力系统进行需求侧响应和电力交易的重要参考数据。

2、随着深度学习的兴起，与深度学习相关的算法对电力短期负荷预测产生了良好的促进作用。文献《基于改进深度森林的短期电力负荷预测模型》构建了基于深度神经网络的短期负荷预测模型，该模型结构使深度神经网络可包含更多信息，扩展了神经网络的建模能力和预测能力，但由于神经网络包含多个隐藏层，因此预测效率一般。中国发明专利《一种基于kmeans与fr-dbn的短期负荷预测方法》公开了一种基于kmeans与fr-dbn深度学习模型的短期负荷预测方法，其中的kmeans算法具有计算速度快的特点，但上述方法的聚类效果受准测函数、离群点数据影响较大。

技术实现思路

1、针对现有技术的不足，本申请提供了一种基于模糊c均值聚类的综合能源短期负荷预测方法，可保证短期电力负荷预测的精度，提高预测效率，实现短期负荷预测数据集特征的高效应用。

2、一种基于模糊c均值聚类的综合能源短期负荷预测方法，包括以下步骤：

3、s1）获取电力负荷样本数据，所述电力负荷样本数据具有的数据类型包括：历史电力负荷数据、气象数据、社会数据以及设备数据，获取数据后按照数据类型对电力负荷样本数据进行预处理；

4、s2）以皮尔逊相关系数表征气象数据与单日历史电力负荷数据的相关性，并依据皮尔逊相关系数选择影响单日电力负荷数据变化的特征量；

5、s3）将所获取的历史电力负荷数据划分为 k个模糊组，计算每个模糊组的聚类中心，使得欧氏距离目标函数最小，在聚类过程中需要迭代计算每个模糊组的隶属度和簇中心，直至隶属度不变后得到 k个类簇；

6、s4）采用灰色关联度结合余弦相似度组成的综合指标表征待预测日与电力负荷样本数据、历史电力负荷数据的相关性，并依据综合指标选择电力负荷样本数据作为相似日集；

7、s5）构建综合能源短期负荷预测模型；

8、所述综合能源短期负荷预测模型具有卷积神经网络分支以及长短期神经网络分支；所述卷积神经网络分支在卷积层与池化层之间引入残差连接，并在每一个瓶颈层后添加通道注意力机制；

9、s6）以所述步骤s4）中的相似日集作为所述步骤s5）中综合能源短期负荷预测模型中的输入，对待预测日的电力负荷值进行预测。

10、进一步地，所述步骤s1）中预处理包括时间序列数据的平稳性检验和季节性调整；

11、所述时间序列数据定义为以时间顺序记录的历史电力负荷数据；

12、所述时间序列数据的平稳性检验使用adf测试检验时间序列的单位根；若零假设是序列具有的单位根，则表示序列非平稳；若p-value小于显著性水平，则表示序列平稳；

13、所述季节性调整具体包括：

14、a）使用stl分解法将时间序列数据分解为趋势、季节以及残差，趋势、季节以及残差的分解结果中分别代表时间序列的长期趋势、季节性变化以及非季节性的随机波动；

15、b）对季节部分进行季节性因子计算，所述季节性因子定义为数据在同一季节的多个周期内的平均值；

16、c）将时间序列数据除以季节性因子获得调整后的时间序列数据。

17、进一步地，步骤s1）中预处理还包括：异常值处理、归一化处理、缺失值处理以及噪声消除；

18、进一步地，所述步骤s2）中，皮尔逊相关系数的表达式如下：

19、；

20、其中， n-某气象因素的计算数据个数；x-某具体气象因素数值；p-某日的平均负荷值。

21、皮尔逊相关系数的取值范围是[-1，+1]，取值的绝对值越大，则表示相关性越强。

22、进一步地，所述步骤s3）的隶属度计算公式为：

23、；

24、其中，x i表示样本，cj表示聚类中心，m表示模糊指数，m的取值范围大于等于1；uij表示样本xi属于第 j 簇类的隶属度，且隶属度值和为1。

25、进一步地，所述步骤s4）中的综合指标计算公式如下：

26、

27、其中，-经验权重系数，根据具体天气情况选取，当气象因素发生较大变化时，取值应接近 0，否则接近 1。

28、灰色关联度用于描述电力负荷样本与待预测日气象数据间的总体相关性；

29、余弦相似度用于描述历史电力负荷数据与待预测日气象数据间变化趋势的相似性，余弦相似度的数值越接近1表示变化趋势越接近。

30、进一步地，所述步骤s5）中，使用堆栈方法集成融合长短期神经网络分支以及卷积神经网络分支。

31、与现有技术相比，本申请具备以下有益效果：

32、1.本申请从历史电力负荷数据、气象数据、社会数据以及设备数据四个数据维度全面反映影响电力负荷的各种因素，分类别对数据进行预处理。其中对于时间序列数据进行单独处理，通过对时间数据的季节性调整，去除时间序列数据中的季节性效应。

33、2.本申请在步骤s3）中采用c均值聚类筛选历史电力负荷数据，采用c均值聚类法筛选处可用性较高的数据，提高预测精确度和预测效率。

34、3.本申请采用灰色关联度结合余弦相似度组成的综合指标从全局和局部表征与待预测日的相关性，使重点与全面相结合，有助于输入数据的全面性，提高预测准确率。

35、4.本申请中的综合能源短期负荷预测模型具有多头结构，在多头结构的每个头之后都添加有自定义的注意力基质层，注意力机制层有助于模型精准捕捉电力负荷数据中的关键特征，以提高预测的准确性。

36、5.本申请对传统的cnn结构进行改进，通过拆分卷积层和池化层，并在卷积层和池化层之间引入残差连接以解决深度神经网络中的梯度消失问题，以使综合能源短期负荷预测模型能够应对电力负荷样本数据复杂性特点。

37、6.本申请在lstm层中设置门控机制改善模型长期依赖问题。以便模型能更好地处理时间序列数据中的长期依赖关系，进而提高电力负荷预测的稳定性。

技术特征：

1.一种基于模糊c均值聚类的综合能源短期负荷预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于模糊c均值聚类的综合能源短期负荷预测方法，其特征在于，

3.根据权利要求2所述的一种基于模糊c均值聚类的综合能源短期负荷预测方法，其特征在于，

4.根据权利要求1所述的一种基于模糊c均值聚类的综合能源短期负荷预测方法，其特征在于，

5.皮尔逊相关系数的取值范围是[-1，+1]，取值的绝对值越大，则表示相关性越强。

6.根据权利要求1所述的一种基于模糊c均值聚类的综合能源短期负荷预测方法，其特征在于，

7.根据权利要求1所述的一种基于模糊c均值聚类的综合能源短期负荷预测方法，其特征在于，

8.其中，-经验权重系数，根据具体天气情况选取，当气象因素发生较大变化时，取值应接近 0，否则接近 1。

9.灰色关联度用于描述电力负荷样本与待预测日气象数据间的总体相关性；

10.根据权利要求1所述的一种基于模糊c均值聚类的综合能源短期负荷预测方法，其特征在于，

技术总结
本申请涉及一种基于模糊C均值聚类的综合能源短期负荷预测方法，通过电力负荷样本数据，以皮尔逊相关系数表征气象数据和历史电力负荷数据的相关性，通过模糊C均值聚类法筛选数据，依据综合指标构建相似日集作为模型输入，使用构建的综合能源短期负荷预测模型预测电力负荷值。本申请可保证短期电力负荷预测的精度，提高预测效率，实现短期负荷预测数据集特征的高效应用。

技术研发人员：李新丽,杨志强,李军,袁意丽,侯莹莹,傅春明,傅斌,王瑞,姜腾光,张绪申,齐伟峰
受保护的技术使用者：山东电工电气集团数字科技有限公司
技术研发日：
技术公布日：2024/7/4