基于多维聚类的配变负荷注意力短期预测方法

TM715; 在大规模配变负荷预测中,由于负荷特性差别以及受影响因素不同,若使用统一模型,准确率低且泛化能力差,若针对单台配变进行负荷预测建模,计算资源消耗过大.提出了一种基于多维聚类的配变负荷注意力长短期记忆网络(Attention Long Short-Term Memory,Attention-LSTM)短期预测方法.首先提取每个配变日负荷特征序列并利用非参数核方法进行概率拟合,形成配变负荷的典型日负荷序列;以欧式归整距离以及影响因素相似性作为相似度评判标准,使用改进的k均值聚类(k-means)双层聚类对日典型负荷序列进行负荷聚类分析;利用近邻传播(Affinity Propagation,AP)聚类提取影响因素相似时间序列,构建训练集,训练Attention-LSTM模型;针对不同的配变负荷类型以及不同的相似时间序列得到不同的Attention-LSTM模型.通过选取某市级配电网实测负荷数据以及气象等影响因素数据,验证了所提方法的有效性和实用性,准确率提升了 2.75％且效率提升了 616.8％.