基于多维聚类的配变负荷注意力短期预测方法

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 Propagati...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:上海交通大学学报 2021-12, Vol.55 (12), p.1532-1543
Hauptverfasser: 钟光耀, 邰能灵, 黄文焘, 李然, 傅晓飞, 纪坤华
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 1543
container_issue 12
container_start_page 1532
container_title 上海交通大学学报
container_volume 55
creator 钟光耀
邰能灵
黄文焘
李然
傅晓飞
纪坤华
description 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％.
doi_str_mv 10.16183/j.cnki.jsjtu.2021.263
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_shjtdxxb202112006</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>shjtdxxb202112006</wanfj_id><sourcerecordid>shjtdxxb202112006</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1046-35fb37bc890e27d9cb4a524a60812e9f92d5670876edc9125a6824240c432db23</originalsourceid><addsrcrecordid>eNotjz9Lw0AcQG9QsNR-BXeHxLvfXe4u4CLFf1Bw0bnk8kcbJYLXYlchLkrtVJEoBMTBxUFaEduvYy7pt7Ci09ve4yG0RrBNOJF0I7b95LRjxzru9mzAQGzgdAnVCMbcAsbFCmpo3VHYIZQLyXENbRb59Ht6V7xk5WxSXWXl-6zM0vn1oBg-VJO8Gnya8atJh8XNY5m_mad8_pyaj1tz_2XGo1W0HHlnOmz8s46OdrYPm3tW62B3v7nVsjTBjFvUiRQVypcuDkEErq-Y5wDzOJYEQjdyIXC4wFLwMPBdAo7HJTBg2GcUAgW0jtb_vJdeEnnJcTs-710ki2Jbn8TdoN9Xv7MEFpv0B2SVYb0</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于多维聚类的配变负荷注意力短期预测方法</title><source>DOAJ Directory of Open Access Journals</source><source>Alma/SFX Local Collection</source><creator>钟光耀 ; 邰能灵 ; 黄文焘 ; 李然 ; 傅晓飞 ; 纪坤华</creator><creatorcontrib>钟光耀 ; 邰能灵 ; 黄文焘 ; 李然 ; 傅晓飞 ; 纪坤华</creatorcontrib><description>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％.</description><identifier>ISSN: 1006-2467</identifier><identifier>DOI: 10.16183/j.cnki.jsjtu.2021.263</identifier><language>chi</language><publisher>上海交通大学电子信息与电气工程学院,上海200240%国网上海电力公司,上海200122</publisher><ispartof>上海交通大学学报, 2021-12, Vol.55 (12), p.1532-1543</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/shjtdxxb/shjtdxxb.jpg</thumbnail><link.rule.ids>314,776,780,860,27901,27902</link.rule.ids></links><search><creatorcontrib>钟光耀</creatorcontrib><creatorcontrib>邰能灵</creatorcontrib><creatorcontrib>黄文焘</creatorcontrib><creatorcontrib>李然</creatorcontrib><creatorcontrib>傅晓飞</creatorcontrib><creatorcontrib>纪坤华</creatorcontrib><title>基于多维聚类的配变负荷注意力短期预测方法</title><title>上海交通大学学报</title><description>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％.</description><issn>1006-2467</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2021</creationdate><recordtype>article</recordtype><recordid>eNotjz9Lw0AcQG9QsNR-BXeHxLvfXe4u4CLFf1Bw0bnk8kcbJYLXYlchLkrtVJEoBMTBxUFaEduvYy7pt7Ci09ve4yG0RrBNOJF0I7b95LRjxzru9mzAQGzgdAnVCMbcAsbFCmpo3VHYIZQLyXENbRb59Ht6V7xk5WxSXWXl-6zM0vn1oBg-VJO8Gnya8atJh8XNY5m_mad8_pyaj1tz_2XGo1W0HHlnOmz8s46OdrYPm3tW62B3v7nVsjTBjFvUiRQVypcuDkEErq-Y5wDzOJYEQjdyIXC4wFLwMPBdAo7HJTBg2GcUAgW0jtb_vJdeEnnJcTs-710ki2Jbn8TdoN9Xv7MEFpv0B2SVYb0</recordid><startdate>20211201</startdate><enddate>20211201</enddate><creator>钟光耀</creator><creator>邰能灵</creator><creator>黄文焘</creator><creator>李然</creator><creator>傅晓飞</creator><creator>纪坤华</creator><general>上海交通大学电子信息与电气工程学院,上海200240%国网上海电力公司,上海200122</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20211201</creationdate><title>基于多维聚类的配变负荷注意力短期预测方法</title><author>钟光耀 ; 邰能灵 ; 黄文焘 ; 李然 ; 傅晓飞 ; 纪坤华</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1046-35fb37bc890e27d9cb4a524a60812e9f92d5670876edc9125a6824240c432db23</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2021</creationdate><toplevel>online_resources</toplevel><creatorcontrib>钟光耀</creatorcontrib><creatorcontrib>邰能灵</creatorcontrib><creatorcontrib>黄文焘</creatorcontrib><creatorcontrib>李然</creatorcontrib><creatorcontrib>傅晓飞</creatorcontrib><creatorcontrib>纪坤华</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>上海交通大学学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>钟光耀</au><au>邰能灵</au><au>黄文焘</au><au>李然</au><au>傅晓飞</au><au>纪坤华</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于多维聚类的配变负荷注意力短期预测方法</atitle><jtitle>上海交通大学学报</jtitle><date>2021-12-01</date><risdate>2021</risdate><volume>55</volume><issue>12</issue><spage>1532</spage><epage>1543</epage><pages>1532-1543</pages><issn>1006-2467</issn><abstract>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％.</abstract><pub>上海交通大学电子信息与电气工程学院,上海200240%国网上海电力公司,上海200122</pub><doi>10.16183/j.cnki.jsjtu.2021.263</doi><tpages>12</tpages></addata></record>
fulltext fulltext
identifier ISSN: 1006-2467
ispartof 上海交通大学学报, 2021-12, Vol.55 (12), p.1532-1543
issn 1006-2467
language chi
recordid cdi_wanfang_journals_shjtdxxb202112006
source DOAJ Directory of Open Access Journals; Alma/SFX Local Collection
title 基于多维聚类的配变负荷注意力短期预测方法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-30T18%3A32%3A53IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%A4%9A%E7%BB%B4%E8%81%9A%E7%B1%BB%E7%9A%84%E9%85%8D%E5%8F%98%E8%B4%9F%E8%8D%B7%E6%B3%A8%E6%84%8F%E5%8A%9B%E7%9F%AD%E6%9C%9F%E9%A2%84%E6%B5%8B%E6%96%B9%E6%B3%95&rft.jtitle=%E4%B8%8A%E6%B5%B7%E4%BA%A4%E9%80%9A%E5%A4%A7%E5%AD%A6%E5%AD%A6%E6%8A%A5&rft.au=%E9%92%9F%E5%85%89%E8%80%80&rft.date=2021-12-01&rft.volume=55&rft.issue=12&rft.spage=1532&rft.epage=1543&rft.pages=1532-1543&rft.issn=1006-2467&rft_id=info:doi/10.16183/j.cnki.jsjtu.2021.263&rft_dat=%3Cwanfang_jour%3Eshjtdxxb202112006%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=shjtdxxb202112006&rfr_iscdi=true