(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211344725.3 (22)申请日 2022.10.31 (71)申请人 广东电网有限责任公司广州供电局 地址 510620 广东省广州市天河区天河南 二路2号 (72)发明人 岳首志　洪海生　邓祺　许陈德　 罗锋　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 李斌 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06V 10/762(2022.01) H02J 3/00(2006.01) (54)发明名称 多距离聚类与信息聚合的负荷区间预测方 法、 系统及 介质 (57)摘要 本发明公开了一种基于多距离聚类与信息 聚合的负荷区间预测方法、 系统及介质。 该方法 包括将归一化后的负荷曲线数据通过基于多距 离的K‑means算法进行聚类， 得到k类曲线 集合结 果； 对于第i类结果， 将其与对应的气象数据分为 训练集与测试集； 将训练集与测试集并分别输入 日内局部波动概率预测模型与日内整体趋势概 率预测模型进行训练， 并将将 两模型的测试集特 征值分别输入， 得到t分位数下的两模型区间上 下限将两模型的预测区间上限与区间下限分别 进行信息聚合， 通过Choquet积分聚合函数计算 出聚合后的预测区间。 权利要求书4页 说明书10页 附图3页 CN 115526430 A 2022.12.27 CN 115526430 A 1.多距离聚类与信息聚合的负荷区间预测方法， 其特 征在于， 包括下述 步骤： 将归一化后的负荷曲线数据通过基于多距离的K ‑means算法进行 聚类， 得到k类曲线集 合结果； 对于第i类结果， 将其与对应的气象数据分为训练集与测试集； 将训练集与测试集并分别输入日内局部波动概率预测模型与日内整体趋势概率预测 模型进行训练， 得到参数更新完毕的日内局部波动概率预测模型与日内整体趋势概率预测 模型； 将两模型的测试集特 征值分别输入， 得到t分位数 下的两模型区间上 下限； 将两模型的预测区间上 限与区间下 限分别进行信息聚合， 通过Choquet积分聚合函数 计算出聚合后的预测区间。 2.根据权利要求1所述的多距离聚类与信 息聚合的负荷区间预测方法， 其特征在于， 所 述基于多距离的K ‑means算法， 具体为： (1)输入需要聚类的等长曲线样本数据集S， S＝{s1,s1,…,si,sh}， 其中si为第i条曲线 样本； (2)在S中随机 选取k个不同的样本作为K ‑means的初始聚类中心； (3)遍历所有样本， 通过下式计算第i个样本与所有聚类中心的距离大小Dtotal(X,Y)， 并 将其归入与该样本距离最小的一类中； Dtotal(X,Y)＝r1D1(X,Y)+r2D2(X,Y)+r3D3(X,Y) 其中， D1(X,Y)为采用欧式距离计算得出的两样本对应采样 点的距离大小， D2(X,Y)为采 用DTW距离计算得出的两样本对应采样点的距离大小， D3(X,Y)为先采用前项差分法再计算 DTW距离得 出的两样本对应采样点的距离大小； r1、 r2和r3分别为三种距离对应的权 重， 采用熵权法来确定其权值； (4)遍历所有类别， 重新计算该类别的聚类 中心， 若当前聚类 中心相较于上一 次聚类有 改变， 则重复步骤(3)、 (4)， 直至聚类中心不发生改变为止， 输出聚类结果。 3.根据权利要求1所述的多距离聚类与信 息聚合的负荷区间预测方法， 其特征在于， 所 述基于多距离的K ‑means算法采用DBI指标衡量聚类效果， 并给出指标最好的聚类个数作为 K值； 所述DBI指标IDBI具体为： 式中， Ai为第i个聚类中心， 为第i个类内样本到聚类中心的平均距离， 为第j个类 内样本到聚类中心的平均距离， 其代 表类内各曲线的分散程度， 计算公式为： 式中， Ti第i类样本个数， Xi,l为第i类第l个样本 。 4.根据权利要求1所述的多距离聚类与信 息聚合的负荷区间预测方法， 其特征在于， 所权　利　要　求　书 1/4 页 2 CN 115526430 A 2述日内局部波动概率预测 模型为BiLSTM， 包括前向LSTM网络与后向LSTM网络， 并在网络最 后加入分位数回归层； 所述分位数回归层的回归 模型为： 式中， QM( τ|V)为响应变量M的第 τ个条件分位数； c为解释变量V的个数； β0为截距， βi( τ ) 为 τ 分位数 下的回归系数向量， 的取值范围为1到 c， 通过求 解下式的优化问题得到： 其中， V′＝[1 V′i]为解释变量列向量； 所述分位数回归层的τ 分位数 下的响应 变量为： 式中： H为隐含层的单元个数； f为输出层 激活函数； hj( τ )为LSTM隐藏层的输出； Wj( τ )、 b ( τ )为输出层的权 重与偏置 。 5.根据权利要求1所述的多距离聚类与信 息聚合的负荷区间预测方法， 其特征在于， 所 述日内整体趋势 概率预测模型为高斯回归过程模型， 通过学习输入的日气象数据与输出的 日内每个采样点的真实负荷数值之 间的映射关系， 得到反映该场景下日内负荷整体趋势且 匹配预测日气象数据的区间预测结果， 具体为： 对于包含n个样本的训练集， 输入特征矩阵为X＝[x1,x2,…,xn]T， xn为第n个样本的输入 向量， 其长度为d， 对应的输出响应为y＝[y1,y2,…,yn]T， yn为第n个输出响应值； 定义f(X)为xn对应的函数f(x1),f(x2),…,f(xn)构成的随机变量集合， 且服从联合高斯 分布， 其高斯过程表示 为： f(x):GP(m(x),k(x,x ′)) 式中， x,x′均为随机变量， m(x)为均值 函数， k(x,x ′)为协方差函数， 计算公式为： m(x)＝E(f(x) ) k(x,x′)＝E((f(x)‑m(x))·f(x′)‑m(x′))) 设m(x)＝0， 即在没有任何观测值时的函数期望为0； 回归模型表示 为： y＝f(x″)+ εi 式中， 即服从均值为0， 方差为 的高斯白噪声， x ″为d维随机向量， y为 观测值； 得到输出观测值y的先验分布为： y: 式中， K(X,X)为 n阶协方差矩阵， 对应元 素kij＝k(xi,xj)， In为n阶单位矩阵； 已知测试集输入X*＝[xn+1,…,xn+m]， 其中第i个对应向量记为 测试集输出的预测值权　利　要　求　书 2/4 页 3 CN 115526430 A 3