融合聚类-卷积-门循环的居民用电短期负荷预测方法_中国煤炭行业知识服务平台

融合聚类-卷积-门循环的居民用电短期负荷预测方法

作者

李坤奇孟润泉李凤莲
单位

太原理工大学电气与动力工程学院太原理工大学信息与计算机学院
摘要

对居民用电进行准确的短期负荷预测是电力部门合理制定每日调度计划的重要依据。提出了一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)聚类算法-卷积神经网络(convolutional neural network, CNN)-门控循环单元(gated recurrent unit, GRU)的短期电力负荷预测方法。根据智能电表采集的历史负荷数据，该方法首先采用BIRCH聚类算法分析不同用户的用电习惯，将用户聚类为多个用户群；然后构建由负荷数据和时间以及气候信息组成的多特征时间序列数据集，并采用训练集进行CNN-GRU预测模型构建。训练集首先输入到基于一维卷积层设计的CNN网络，以提取不同特征变量之间的非线性关系；之后将数据输入GRU网络，以提取数据在时间维度上的时序特性，最后由全连接层输出短期负荷预测结果。以爱尔兰能源管理委员会提供的公开数据集作为实际算例，以ANN网络、CNN网络及CNN-GRU网络为对比模型，实验结果表明，所提出方法的平均绝对百分比误差达到了2.932 1%,有较高的预测精度和较快的模型训练速度。
关键词

短期负荷预测卷积神经网络门控循环单元BIRCH聚类算法
基金项目(Foundation)

山西省科技重大专项资助(20181102028)；国家自然科学基金资助项目(62171307)；
文章目录

1 居民用电短期负荷预测框架设计
1.1 居民用电短期负荷预测方法设计思路
1.2 多特征时间序列数据集构建
2 融合BIRCH聚类算法及CNN-GRU预测模型的负荷预测方法
2.1 基于BIRCH聚类算法的居民用电多用户群构建
2.2 居民用电短期负荷CNN-GRU预测模型构建
1) CNN层。
2) GRU层。
3) 全连接层。
3 算例分析
3.1 实验环境配置
3.2 实验评价指标
3.3 用户群聚类分析
3.4 预测结果分析
4 结束语
1) 本文只考虑了单点预测和单步预测。
2) 本方法目前只考虑了用户的负荷特征，没有考虑用户的其他特征。
引用格式

李坤奇,孟润泉,李凤莲.融合聚类-卷积-门循环的居民用电短期负荷预测方法[J].太原理工大学学报,2023,54(01):203-210.DOI:10.16355/j.cnki.issn1007-9432tyut.2023.01.024.