基于用电模式聚类的层级电力时序预测方法

发布时间：2021-11-10 22:59

　　电力需求预测是城市发展和能源供应中十分重要的问题。虽然可以根据地理上的层级将其形式化为具有聚集约束的分层时间序列预测问题,但在传统的方法中,在确保聚合一致性的过程中往往会产生预测精度的损失。针对该问题,提出一种新型的基于聚类的分层电力时序预测方法。抛弃了过去直接对地理层级结构进行处理的做法,取而代之地通过聚类分析来深入探究电力消费模式,从而建立一个全新的,基于消费模式的时序层级结构。在此基础之上提出一种新的层级预测方法,大大改进了电力需求预测的效果。在真实数据场景下,大量实验证明了该方法性能显著优于传统方法,取得了最佳的精度。 

【文章来源】：计算机应用与软件. 2020,37(11)北大核心

【文章页数】：6 页

【部分图文】：

不同地理区域的代表性用电时间序列曲线

以图2为例,其展示了将5个时间序列进行聚类,并抽取出其用电模式的过程。首先对于这5个用电时间序列,采用ST-DBSCAN将其划分为两个类别,然后通过时间序列的聚合算法,将每个聚类中时间序列的共性提取出来,从而得到能显著代表聚类中所有时间序列的整体趋势共性的用电模式。2.2 层级结构构建

基于这个想法,本文构建了一个基于用电模式的层级结构,如图3所示。这种层级结构由高层的用电模式和低层的单独的时间序列构成。最左列的用电模式向右衍生出三个子用电模式,如中间列所示。这三个用电模式又分别向右衍生出它们各自的用电模式。可以看出,属于同一个父节点的用电时间序列曲线,其用电的变化规律十分相似,只是在变化幅度上有略微的差异。这种层级结构相较于传统的用电预测方法,其优势主要体现在它充分利用了地理区域相近的用户具有相似的用电模式这一先验特征。并且在理想情况下,层级结构的深度是Log级别的,其运算复杂度很小。此外,层级结构中的每一层有对应的具体含义,例如顶层代表国家、底层代表街道,这样,模型的预测结果就具有更好的可解释性。


本文编号：3488107