CN111815026A - 一种基于特征聚类的多能源系统负荷预测方法 - Google Patents

一种基于特征聚类的多能源系统负荷预测方法 Download PDF

Info

Publication number
CN111815026A
CN111815026A CN202010517861.2A CN202010517861A CN111815026A CN 111815026 A CN111815026 A CN 111815026A CN 202010517861 A CN202010517861 A CN 202010517861A CN 111815026 A CN111815026 A CN 111815026A
Authority
CN
China
Prior art keywords
load
clustering
attribute
energy system
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010517861.2A
Other languages
English (en)
Inventor
李雪亮
吴奎华
杨波
冯亮
杨扬
梁荣
郑志杰
綦陆杰
刘蕊
杨慎全
李凯
赵韧
张博颐
李�昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010517861.2A priority Critical patent/CN111815026A/zh
Publication of CN111815026A publication Critical patent/CN111815026A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了一种基于特征聚类的多能源系统负荷预测方法：对多能源系统负荷预测多考虑的环境因素进行主控因素关联度分析，分别得到电、气、热、冷负荷受环境因素影响的程度；利用卷积神经网络提取综合环境因素的特征向量；针对得到的特征向量，利用k‑means聚类算法建立多种类能源负荷的特征聚类模型，经过卷积神经网络算法得到多能源系统负荷预测结果。本发明能够有效提高不同种类能源负荷的预测精度。

Description

一种基于特征聚类的多能源系统负荷预测方法
技术领域
本发明涉及多能源系统负荷预测方法，更具体地说，是涉及一种基于特征聚类的多能源系统负荷预测方法。
背景技术
随着区域能源网络中电、气、热、冷等多种能源形式的有机结合，逐步形成具有能够促进多种能源优势互补、高效利用可再生能源的多能源系统，多能源系统的构建将为解决化石能源短缺、气候环境变化及提升电网灵活性等方面提供新的思路。灵活且高效地实现多种类能源负荷的精准预测，将成为多能源系统规划运行和清洁能源消纳的重要环节。
一般以多种类能源耦合负荷模型或大量能源负荷数据训练作为负荷预测中特征提取的方法，然而针对多能源系统中负荷影响因素的特征变量间所存在的相互关联特性却较少提及。在复杂能源系统中相互耦合后，对多种类能源负荷预测结果的影响机理尚未明确，忽略了环境特征变量之间的相互关联特性，导致多能源系统负荷预测技术难以推广到实际应用当中。
发明内容
针对现有技术中的问题，本发明提出一种基于特征聚类的多能源系统负荷预测方法，能够有效提高不同种类能源负荷的预测精度。
本发明的目的是通过以下技术方案实现的。
本发明基于特征聚类的多能源系统负荷预测方法，包括以下过程：
步骤一：对多能源系统负荷预测多考虑的环境因素进行主控因素关联度分析，分别得到电、气、热、冷负荷受环境因素影响的程度；
步骤二：利用卷积神经网络提取综合环境因素的特征向量；
步骤三：针对步骤二得到的特征向量，利用k-means聚类算法建立多种类能源负荷的特征聚类模型，经过卷积神经网络算法得到多能源系统负荷预测结果。
步骤一中电、气、热、冷负荷受环境因素影响的程度的具体计算过程：
多能源系统负荷预测所考虑的环境因素包括历史属性[电、气、热、冷负荷历史数据
Figure BDA0002530790070000021
其中m＝1，2，3，4，分别代表电、气、热、冷负荷类型]、日期属性[节假日、非节假日数据
Figure BDA0002530790070000022
其中p＝1，2，分别代表节假日、非节假日类型]、天气属性[温度、湿度数据
Figure BDA0002530790070000023
其中q＝1，2，分别代表温度和湿度类型]、电价属性[分时电价数据X3(k)]；为分析多种类能源负荷所受不同环境因素影响程度，采用灰色关联分析系统理论计算负荷变化的主要控制因素及其余因素的影响权重，过程如下：
(1)各环境因素归一化处理
分别对历史属性、日期属性、天气属性和电价属性进行归一化处理的计算公式为：
Figure BDA0002530790070000024
式中：
Figure BDA0002530790070000025
为第i类属性中第j类型据归一化后的特征量；
Figure BDA0002530790070000026
为第i类属性中第j类型数据归一化前的特征量；
Figure BDA0002530790070000027
分别为各输入属性中，第i类属性中第j类型数据的最大值、最小值；
(2)关联系数计算
多种类能源负荷与环境因素间的关联系数为
Figure BDA0002530790070000028
式中：ε0ij(k)为关联系数；Δ为各类属性在各时段内的差值绝对值；Δ0ij(k)为第i类属性中第j类型数据在k时段内的差值绝对值；ρ为分辨系数，为体现最佳分辨力，选取ρ＝0.5；
(3)关联度的确定
关联度计算公式为
Figure BDA0002530790070000029
式中：ζ0ij(k)为关联度；N为输入属性序列长度；
通过上述灰色关联度的计算，可以得到电、气、热、冷负荷
Figure BDA0002530790070000031
与各个环境因素间的关联度ζ0ij，从而确定多种类能源负荷受不同环境因素影响程度。
步骤二中利用卷积神经网络提取综合环境因素的特征向量的具体过程：
对于给定的负荷输入属性
Figure BDA0002530790070000032
在卷积神经网络结构中，每个处于不同位置的卷积层从前一层的输出得到本层的输入，其运算过程定义为：
Figure BDA0002530790070000033
式中：
Figure BDA0002530790070000034
分别为本层输入、前一层输出；f为激励函数；Wml为卷积核滤波器；l代表本层；m代表通道；bl为卷积核偏置项；
将卷积层输出结果输入池化层，采用池化层对卷积结果进行聚合：
Figure BDA0002530790070000035
式中：
Figure BDA0002530790070000036
分别为卷积层输出结果、池化层输出结果；Ωa,b为所分割的索引区域；
利用卷积神经网络对环境因素特征提取输出层后，构建多种类能源负荷的卷积特征向量，并对其进行正则化：
Figure BDA0002530790070000037
式中：
Figure BDA0002530790070000038
为多种能源负荷的特征量；
Figure BDA0002530790070000039
为第i类属性中第j类型据在k时间段的特征量。
步骤三中利用k-means聚类算法建立多种类能源负荷的特征聚类模型，经过卷积神经网络算法得到多能源系统负荷预测结果，具体过程：
针对多能源系统负荷特征向量聚类问题，采用K-means算法通过迭代求取最佳聚类划分Ci，聚类划分的计算公式为：
Figure BDA00025307900700000310
式中：Ci为更新后的聚类中心；θj为随机初始聚类中心；
验证集聚类误差偏差与训练时间之间的对应关系，其中聚类误差偏差代表聚类中心的收敛特性，通过下式得到；
Figure BDA0002530790070000041
式中：da(i)、db(i)表示验证集样本与聚类中心更新前后的距离；聚类误差偏差E(i)越小，代表样本与聚类中心的距离越短，聚类结果越优；
基于K-means算法的负荷特征聚类步骤：
①随机选取g个初始聚类中心θj；
②遍历所有特征向量，对初始数据进行划分；
③更新聚类中心，
Figure BDA0002530790070000042
④判断聚类中心是否收敛；否，重复②-③步；
⑤输出结果。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明针对多种类能源负荷在多能源系统中难以实现解耦，并且制约其预测技术发展的环境因素维度过高的问题，提出基于特征聚类的多能源系统负荷预测方法。首先对多种类能源负荷预测模型中的负荷历史数据、日期类型、天气因素、电价因素等输入属性进行主控因素关联度分析，得到电、气、热、冷负荷受环境因素影响的相关性；然后利用卷积神经网络对高维度输入量具有自适应降阶特性，通过对卷积神经网络中输入层、卷积层、池化层和输出层的设计，提取历史数据和综合环境因素的特征向量；最后针对给定特征向量聚合问题，利用K-means聚类算法建立多种类能源负荷的特征聚类模型，经过卷积神经网络算法，从而实现多能源系统中的电、气、热、冷负荷的预测。本发明规范了计算，能够增强多能源系统负荷预测的适应性以及应用于软件开发，通用性强。
附图说明
图1是k-means聚类流程。
图2是多种类能源负荷与环境因素间的关联度。
图3是聚类误差偏差。
图4是多种类能源负荷预测结果。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明基于特征聚类的多能源系统负荷预测方法，具体包括以下过程：
步骤一：对多能源系统负荷预测多考虑的环境因素进行主控因素关联度分析，分别得到电、气、热、冷负荷受环境因素影响的程度。
多能源系统是包含各种形式的能源载体通过能量生产、转换和储存设备相互耦合和互补的复杂网络，涵盖电、气、热、冷能源结构的多种能源单元的供能、用能的系统运行框架，多种类能源负荷所消费能源的类型，与多能源系统中源网荷状态相关，其负荷预测应考虑影响预测结果的环境因素间的相互耦合作用。
多能源系统负荷预测所考虑的环境因素包括历史属性[电、气、热、冷负荷历史数据
Figure BDA0002530790070000051
其中m＝1，2，3，4，分别代表电、气、热、冷负荷类型]、日期属性[节假日、非节假日数据
Figure BDA0002530790070000052
其中p＝1，2，分别代表节假日、非节假日类型]、天气属性[温度、湿度数据
Figure BDA0002530790070000053
其中q＝1，2，分别代表温度和湿度类型]、电价属性[分时电价数据X3(k)]等环境因素。为分析多种类能源负荷所受不同环境因素影响程度，采用灰色关联分析系统理论计算负荷变化的主要控制因素及其余因素的影响权重，过程如下。
(1)各环境因素归一化处理
分别对历史属性、日期属性、天气属性和电价属性进行归一化处理的计算公式为：
Figure BDA0002530790070000054
式中：
Figure BDA0002530790070000055
为第i类属性中第j类型据归一化后的特征量；
Figure BDA0002530790070000056
为第i类属性中第j类型数据归一化前的特征量；
Figure BDA0002530790070000057
分别为各输入属性中，第i类属性中第j类型数据的最大值、最小值。
(2)关联系数计算
关联系数是比较变量间相似程度的参数，关联系数越大，代表变量间关联程度越大，多种类能源负荷与环境因素间的关联系数为：
Figure BDA0002530790070000061
式中：ε0ij(k)为关联系数；Δ为各类属性在各时段内的差值绝对值；Δ0ij(k)为第i类属性中第j类型数据在k时段内的差值绝对值；ρ为分辨系数，为体现最佳分辨力，选取ρ＝0.5。
(3)关联度的确定
关联度是将大量关联系数信息通过求取平均值的方式进行耦合，得到总体的量化关联结果，计算公式为：
Figure BDA0002530790070000062
式中：ζ0ij(k)为关联度；N为输入属性序列长度。
通过上述灰色关联度的计算，可以得到电、气、热、冷负荷
Figure BDA0002530790070000063
与各个环境因素间的关联度ζ0ij，从而确定多种类能源负荷受不同环境因素影响程度。
步骤二：利用卷积神经网络提取综合环境因素的特征向量。
基于卷积神经网络的负荷特征提取，卷积神经网络由输入层、卷积层、激励层、池化层、全连接层和输出层组成，卷积神经网络能够对不同输入属性提取相应特征，具有自适应性。
对于给定的负荷输入属性
Figure BDA0002530790070000064
在卷积神经网络结构中，每个处于不同位置的卷积层从前一层的输出得到本层的输入，其运算过程定义为：
Figure BDA0002530790070000065
式中：
Figure BDA0002530790070000066
分别为本层输入、前一层输出；f为激励函数；Wml为卷积核滤波器；l代表本层；m代表通道；bl为卷积核偏置项。
为避免大量负荷和环境因素数据输入而导致的过拟合或维度过高问题，将卷积层输出结果输入池化层，采用池化层对卷积结果进行聚合：
Figure BDA0002530790070000067
式中：
Figure BDA0002530790070000068
分别为卷积层输出结果、池化层输出结果；Ωa,b为所分割的索引区域。
利用卷积神经网络对环境因素特征提取输出层后，需要构建多种类能源负荷的卷积特征向量，并对其进行正则化：
Figure BDA0002530790070000071
式中：
Figure BDA0002530790070000072
为多种能源负荷的特征量；
Figure BDA0002530790070000073
为第i类属性中第j类型据在k时间段的特征量。
步骤三：针对步骤二得到的特征向量，利用k-means聚类算法建立多种类能源负荷的特征聚类模型，经过卷积神经网络算法得到多能源系统负荷预测结果。
卷积神经网络算法CNN的结构：
1)输入层：用于数据的输入
2)卷积层：使用卷积核进行特征提取和特征映射；
3)激励层：由于卷积也是一种线性运算,因此需要増加非线性映射；
4)池化层：进行下采样,对特征稀疏处理,减少数据运算量；
5)全连接层：通常在CNN的尾部进行重新拟合,减少特征信息的损失；
6)输出层：输出计算结果。
针对多能源系统负荷特征向量聚类问题，采用K-means算法通过迭代求取最佳聚类划分Ci，聚类划分的计算公式为：
Figure BDA0002530790070000074
式中：Ci为更新后的聚类中心；θj为随机初始聚类中心。
验证集聚类误差偏差与训练时间之间的对应关系，其中聚类误差偏差代表聚类中心的收敛特性，通过下式得到；
Figure BDA0002530790070000075
式中：da(i)、db(i)表示验证集样本与聚类中心更新前后的距离；聚类误差偏差E(i)越小，代表样本与聚类中心的距离越短，聚类结果越优。
如图1所示流程，基于K-means算法的负荷特征聚类步骤：
①随机选取g个初始聚类中心θj；
②遍历所有特征向量，对初始数据进行划分；
③更新聚类中心，
Figure BDA0002530790070000081
④判断聚类中心是否收敛；否，重复②-③步；
⑤输出结果。
实施例：
区域多能源系统系统参数如表1所示，环境因素数据采用北方某城市关于日期、天气、电价的记录，多种类能源负荷采样间隔为15min，每个采样周期内的k值分别取1～96，多能源系统设备参数如表1所示。选取2016年11月1日-2017年11月1日数据作为训练集，2017年11月1日-2018年4月1日作为验证集。
表1多能源系统设备参数
Figure BDA0002530790070000082
首先计算得到电、气、热、冷负荷受环境因素影响的程度：
(1)各环境因素归一化处理
按公式(1-1)对历史属性、日期属性、天气属性和电价属性进行归一化处理。
(2)关联系数计算
关联系数是比较变量间相似程度的参数，关联系数越大，代表变量间关联程度越大，多种类能源负荷与环境因素间的关联系数按公式(1-2)计算。
(3)关联度的确定
关联度是将大量关联系数信息通过求取平均值的方式进行耦合，得到总体的量化关联结果，按公式(1-3)计算。
通过上述灰色关联度的计算，可以得到电、气、热、冷负荷
Figure BDA0002530790070000083
与各个环境因素间的关联度ζ0ij，从而确定多种类能源负荷受不同环境因素影响程度。
根据(1)-(3)步，得到同种类能源负荷与环境因素之间的灰色关联度曲线。如图2所示。由图2可以看出，电负荷、气负荷、热负荷的主控因素都为温度，冷负荷的主控因素为湿度，不同能源负荷对日期类型的敏感度适中。另外，由于本文所选用的研究对象是区域多能源系统，系统容量属于千瓦级，因此4种负荷都对电价波动不敏感。
然后，利用卷积神经网络提取综合环境因素的特征向量，针对得到的特征向量，利用k-means聚类算法建立多种类能源负荷的特征聚类模型，经过卷积神经网络算法得到多能源系统负荷预测结果。
在卷积神经网络框架下对多种类能源负荷与综合环境因素的输入属性进行特征提取，并进行K-means聚类，可得到如图3所示的样本聚类误差偏差与训练时间之间的对应关系，其中聚类误差偏差代表聚类中心的收敛特性，通过式(1-8)得到。聚类误差偏差E(i)越小，代表样本与聚类中心的距离越短，聚类结果越优。
选取2018年3月15日所预测的多能源系统中电、气、热、冷负荷，利用验证集中的数据对结果进行验证。仿真结果如图4所示，与验证集中所记录的数据进行对比，可以得到多种类能源负荷预测结果与当地实际负荷记录结果误差分别为1.032％，1.983％，3.046％和2.914％，证明本文所提基于特征聚类的负荷预测方法，能够有效提取不同环境因素对负荷预测结果的影响，得到较为准确的负荷预测结果。
尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。

Claims (4)

1.一种基于特征聚类的多能源系统负荷预测方法，其特征在于，包括以下过程：
步骤一：对多能源系统负荷预测多考虑的环境因素进行主控因素关联度分析，分别得到电、气、热、冷负荷受环境因素影响的程度；
步骤二：利用卷积神经网络提取综合环境因素的特征向量；
步骤三：针对步骤二得到的特征向量，利用k-means聚类算法建立多种类能源负荷的特征聚类模型，经过卷积神经网络算法得到多能源系统负荷预测结果。
2.根据权利要求1所述的基于特征聚类的多能源系统负荷预测方法，其特征在于，步骤一中电、气、热、冷负荷受环境因素影响的程度的具体计算过程：
多能源系统负荷预测所考虑的环境因素包括历史属性[电、气、热、冷负荷历史数据
Figure FDA0002530790060000011
其中m＝1，2，3，4，分别代表电、气、热、冷负荷类型]、日期属性[节假日、非节假日数据
Figure FDA0002530790060000012
其中p＝1，2，分别代表节假日、非节假日类型]、天气属性[温度、湿度数据
Figure FDA0002530790060000013
其中q＝1，2，分别代表温度和湿度类型]、电价属性[分时电价数据X3(k)]；为分析多种类能源负荷所受不同环境因素影响程度，采用灰色关联分析系统理论计算负荷变化的主要控制因素及其余因素的影响权重，过程如下：
(1)各环境因素归一化处理
分别对历史属性、日期属性、天气属性和电价属性进行归一化处理的计算公式为：
Figure FDA0002530790060000014
式中：
Figure FDA0002530790060000015
为第i类属性中第j类型据归一化后的特征量；
Figure FDA0002530790060000016
为第i类属性中第j类型数据归一化前的特征量；
Figure FDA0002530790060000017
分别为各输入属性中，第i类属性中第j类型数据的最大值、最小值；
(2)关联系数计算
多种类能源负荷与环境因素间的关联系数为
Figure FDA0002530790060000021
式中：ε0ij(k)为关联系数；Δ为各类属性在各时段内的差值绝对值；Δ0ij(k)为第i类属性中第j类型数据在k时段内的差值绝对值；ρ为分辨系数，为体现最佳分辨力，选取ρ＝0.5；
(3)关联度的确定
关联度计算公式为
Figure FDA0002530790060000022
式中：ζ0ij(k)为关联度；N为输入属性序列长度；
通过上述灰色关联度的计算，可以得到电、气、热、冷负荷
Figure FDA0002530790060000023
与各个环境因素间的关联度ζ0ij，从而确定多种类能源负荷受不同环境因素影响程度。
3.根据权利要求1所述的基于特征聚类的多能源系统负荷预测方法，其特征在于，步骤二中利用卷积神经网络提取综合环境因素的特征向量的具体过程：
对于给定的负荷输入属性
Figure FDA0002530790060000024
在卷积神经网络结构中，每个处于不同位置的卷积层从前一层的输出得到本层的输入，其运算过程定义为：
Figure FDA0002530790060000025
式中：
Figure FDA0002530790060000026
分别为本层输入、前一层输出；f为激励函数；Wml为卷积核滤波器；l代表本层；m代表通道；bl为卷积核偏置项；
将卷积层输出结果输入池化层，采用池化层对卷积结果进行聚合：
Figure FDA0002530790060000027
式中：
Figure FDA0002530790060000028
分别为卷积层输出结果、池化层输出结果；Ωa,b为所分割的索引区域；
利用卷积神经网络对环境因素特征提取输出层后，构建多种类能源负荷的卷积特征向量，并对其进行正则化：
Figure FDA0002530790060000031
式中：
Figure FDA0002530790060000032
为多种能源负荷的特征量；
Figure FDA0002530790060000033
为第i类属性中第j类型据在k时间段的特征量。
4.根据权利要求1所述的基于特征聚类的多能源系统负荷预测方法，其特征在于，步骤三中利用k-means聚类算法建立多种类能源负荷的特征聚类模型，经过卷积神经网络算法得到多能源系统负荷预测结果，具体过程：
针对多能源系统负荷特征向量聚类问题，采用K-means算法通过迭代求取最佳聚类划分Ci，聚类划分的计算公式为：
Figure FDA0002530790060000034
式中：Ci为更新后的聚类中心；θj为随机初始聚类中心；
验证集聚类误差偏差与训练时间之间的对应关系，其中聚类误差偏差代表聚类中心的收敛特性，通过下式得到；
Figure FDA0002530790060000035
式中：da(i)、db(i)表示验证集样本与聚类中心更新前后的距离；聚类误差偏差E(i)越小，代表样本与聚类中心的距离越短，聚类结果越优；
基于K-means算法的负荷特征聚类步骤：
①随机选取g个初始聚类中心θj；
②遍历所有特征向量，对初始数据进行划分；
③更新聚类中心，
Figure FDA0002530790060000036
④判断聚类中心是否收敛；否，重复②-③步；
⑤输出结果。
CN202010517861.2A 2020-06-09 2020-06-09 一种基于特征聚类的多能源系统负荷预测方法 Pending CN111815026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010517861.2A CN111815026A (zh) 2020-06-09 2020-06-09 一种基于特征聚类的多能源系统负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010517861.2A CN111815026A (zh) 2020-06-09 2020-06-09 一种基于特征聚类的多能源系统负荷预测方法

Publications (1)

Publication Number Publication Date
CN111815026A true CN111815026A (zh) 2020-10-23

Family

ID=72844890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010517861.2A Pending CN111815026A (zh) 2020-06-09 2020-06-09 一种基于特征聚类的多能源系统负荷预测方法

Country Status (1)

Country Link
CN (1) CN111815026A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095566A (zh) * 2021-04-08 2021-07-09 国网山东省电力公司电力科学研究院 一种基于用能行为层次化分析的多源协调供能方法及系统
CN113095598A (zh) * 2021-05-07 2021-07-09 国网山东省电力公司经济技术研究院 一种多能负荷预测方法、系统、设备和介质
CN113469434A (zh) * 2021-06-30 2021-10-01 国网综合能源服务集团有限公司 多能负荷预测方法、装置、预测设备及存储介质
CN115983448A (zh) * 2022-12-14 2023-04-18 南京信息工程大学 一种基于时空图神经网络的多能源负荷预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110535149A (zh) * 2019-08-19 2019-12-03 国网冀北电力有限公司运营监测（控）中心 一种公变台区电力负荷三相不平衡预测方法
CN110796307A (zh) * 2019-10-29 2020-02-14 北京天易数聚科技有限公司 一种综合能源系统分布式负荷预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110535149A (zh) * 2019-08-19 2019-12-03 国网冀北电力有限公司运营监测（控）中心 一种公变台区电力负荷三相不平衡预测方法
CN110796307A (zh) * 2019-10-29 2020-02-14 北京天易数聚科技有限公司 一种综合能源系统分布式负荷预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高靖等: "基于特征聚类的多能源系统负荷预测方法研究", 《可再生能源》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095566A (zh) * 2021-04-08 2021-07-09 国网山东省电力公司电力科学研究院 一种基于用能行为层次化分析的多源协调供能方法及系统
CN113095566B (zh) * 2021-04-08 2023-02-07 国网山东省电力公司电力科学研究院 一种基于用能行为层次化分析的多源协调供能方法及系统
CN113095598A (zh) * 2021-05-07 2021-07-09 国网山东省电力公司经济技术研究院 一种多能负荷预测方法、系统、设备和介质
CN113469434A (zh) * 2021-06-30 2021-10-01 国网综合能源服务集团有限公司 多能负荷预测方法、装置、预测设备及存储介质
CN115983448A (zh) * 2022-12-14 2023-04-18 南京信息工程大学 一种基于时空图神经网络的多能源负荷预测方法
CN115983448B (zh) * 2022-12-14 2023-09-12 南京信息工程大学 一种基于时空图神经网络的多能源负荷预测方法

Similar Documents

Publication Publication Date Title
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
CN111815026A (zh) 一种基于特征聚类的多能源系统负荷预测方法
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN111754037B (zh) 区域终端集成供能系统长期负荷混合预测方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN111832839B (zh) 基于充分增量学习的能耗预测方法
CN115526296A (zh) 一种基于深度学习的碳排放预测方法
CN111723982A (zh) 基于灰色-马尔可夫链的中长期电力负荷组合预测方法
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN114117852B (zh) 一种基于有限差分工作域划分的区域热负荷滚动预测方法
CN114819395A (zh) 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法
CN116826745B (zh) 一种电力系统背景下的分层分区短期负荷预测方法及系统
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
Zhang et al. The power big data-based energy analysis for intelligent community in smart grid
CN116502750A (zh) 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法
CN115456287A (zh) 一种基于长短时记忆网络的综合能源系统多元负荷预测方法
CN114819337A (zh) 基于多任务学习的综合能源系统多元负荷预测方法
CN110852628A (zh) 考虑发展模式影响的农村中长期负荷预测方法
Gao et al. Daily power load curves analysis based on grey wolf optimization clustering algorithm
Ortiz-Aguirre et al. Ensemble Learning Models Applied in Energy Time Series of a University Building
Zou et al. Mid-term Forecast of Electricity Consumption of Enterprises Based on Bi-Directional LSTM and Nonpooling CNN
Li et al. Short-term LOAD Forecasting Method of TPA-LSTNet Model Based on Time Series Clustering

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201023

WD01 Invention patent application deemed withdrawn after publication