买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：辽宁工程技术大学

摘要：本发明公开了一种基于改进K均值聚类CCA‑BiLSTM多维度短期电力负荷预测方法，属于电力负荷预测技术领域。该方法首先对历史负荷与多维度数据进行预处理，按月去除异常值、补充缺失值；之后初定k个日负荷特征标签，采用PCCs改进的K均值算法对历史负荷数据聚类并采用DBi指数分析，结合分析结果与工程经验，明确日负荷标签k值与其对应负荷标签w的特征；构建预处理后的历史多维度数据向量集，将其与历史负荷数据进行CCA贡献度分析，并筛分出10个特征变量重构特征数据集；利用历史负荷数据、负荷标签与重构数据集完成BiLSTM网络进行训练，最终实现对未来短期电力负荷数据的预测。利用本发明所提出的短期电力负荷预测方法，可降低预测过程的时间冗余度，减少所需外部变量的维度，有效增强负荷预测结果的准确性与通用性。

主权项：1.一种基于改进K均值聚类CCA-BiLSTM多维度短期电力负荷预测方法，其特征在于，该方法包括以下9个步骤：步骤1：历史日负荷数据及历史多维度信息预处理根据数据特征可分为序数型、日平均型、标称型三类数据，这三类原始数据因记录设备及记录手段原因可能造成已有历史数据存在记录错误或数据空缺，在进行数据分析前对其进行预处理修正；步骤2：若历史日负荷共有N天负荷数据，设定其具有k个日负荷标签数，k的取值为从1至M的整数，M的数值根据经验人为设定；步骤3：对N天的历史日负荷数据采用基于PCCs改进的K均值算法分别进行M次聚类，每次聚类根据所设定的日负荷标签数聚类为k类；步骤4：对采用不同日负荷特征标签k的历史日负荷数据分类结果采用Davies-Bouldin指数，即DBi指数分别进行聚类效果评价，虽然DBi指数越小证明各类对象与类中心越紧密，类间分离度越大，即聚类效果越好，但一些情况下DBi指数分析时也不能只根据指数大小进行分析，还要结合历史经验与实际情况，选择适中的DBi指数作为标准判断聚类结果是否符合预期要求；通过DBi聚类分析，最终确定出历史日负荷数据的标签数W为w个；步骤5：为便于分析多维数据相关性，利用预处理后的多维历史数据构建矩阵[X1,X2,…]，每一列向量代表一组外在影响变量；步骤6：将构建的多维数据矩阵中各外在影响变量列向量X分别与预处理后的历史负荷数据L进行CCA分析，最终获得所有外在影响列向量对历史负荷数据贡献度R，其具体过程如下；步骤6.1：对所有X列向量与历史负荷数据L按如下方法进行归一化处理： 式中，Xc为X向量归一化后所得的对应向量，x为X向量里的元素，xmin为X向量中元素的最小值，xmax为X向量中元素的最大值；步骤6.2：设归一化的列向量Xc与归一化的历史负荷数据Lc投影后得到的一维向量为X’和L’，其二者之间的关系为：X'＝αTXc,L'＝βTLc2其中，α、β为两个向量的线性系数，只关注其方向不关注其大小；为保证解的结果具有一般性须对α与β引入约束条件： 式中，SXX、SLL分别为X和L的方差；步骤6.3：定义拉格拉日函数： 式中，SXL为向量X与L之间的协方差，λ和θ为拉格朗日系数，要取其最大值；对Jα,β分别对α与β求偏导并令结果为0，可得： 步骤6.4：对式5两式分别左乘αT和βT，并利用式3条件可得：λ＝θ＝αTSXLβ6对其进行进一步整理得： 令H＝SXX-1SXLSLL-1SLX8对H进行奇异值分解，得到最大的奇异值和其对应的左右奇异值向量u和v；步骤6.5：计算线性系数向量α与β： 参照式2获得X’与L’；步骤6.6：计算影响因素向量X’对历史负荷数据向量L’的贡献度R： 步骤7：对所有影响因素X对历史负荷数据的贡献度R从高到低排序，保证相对全面的综合选取贡献度较高的10个影响变量，重新构建特征数据集O；步骤8：将重新构建的特征数据集O、确定出历史日负荷数据的标签数W、历史负荷数据L构建的数据集一同送入BiLSTM网络进行训练，BiLSTM算法由正向、反向两组LSTM子单元网络组成，输入数据经两个方向的LSTM网络同时处理，最后两个结果进一步处理后输出结果；步骤9：将需要预测的时间的数据标签信息与现有降维后的10个外在因素信息作为输入变量送入训练好的BiLSTM网络，完成预测未来的电力负荷数据的工作。

全文数据：

权利要求：

百度查询： 辽宁工程技术大学 一种基于改进K均值聚类CCA-BiLSTM多维度短期电力负荷预测方法