(19)中华 人民共和国 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 202111435479.8 (22)申请日 2021.11.29 (71)申请人 国网河南省电力公司经济技 术研究 院 地址 450000 河南省郑州市二七区嵩 山南 路87号院办公区C楼1-10层 (72)发明人 樊江川　李秋燕　于昊正　李科　 全少理　郭勇　马杰　郭新志　 孙义豪　皇甫霄文　 (74)专利代理 机构 郑州图钉专利代理事务所 (特殊普通 合伙) 41164 代理人 石路 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06V 10/762(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于K-means的多分支AGCNN短期电力 负荷预测方法 (57)摘要 本发明涉及一种基于K ‑means的多分支 AGCNN短期电力负荷预测方法， 包括以下步骤： 导 入台区的电力负荷历史数据， 采用K ‑近邻算法对 数据进行预处理， 得到归一化后的数据； 对归一 化后的数据采用K ‑means聚类得到 该台区的负荷 类型； 构建一个多分支AGCNN短期电力负荷预测 模型的网络结构， 并对不同类型负荷的样本进行 预处理； 在多分支AGCNN短期电力负荷预测模型 中， 采用Adam算法对负荷数据进行网络训练； 基 于多分支AGCNN短期电力负荷预测模型预测该台 区的电力负荷， 得到负荷预测结果。 本发明能够 深度挖掘数据提供的特征并降低特征的复杂 度， 提高对台区短期电力负荷的预测精度。 权利要求书2页 说明书6页 附图2页 CN 114091776 A 2022.02.25 CN 114091776 A 1.一种基于K ‑means的多分支AGCNN短期电力负荷预测方法， 其特征在于， 包括以下步 骤： S1： 导入台区的电力负荷历史数据， 采用K ‑近邻算法对数据进行预处理， 得到归一化后 的数据； S2： 对归一化后的数据采用K ‑means聚类得到该台区的负荷类型； S3： 构建一个多分支AGCNN短期电力负荷预测模型的网络结构， 并对不同类型负荷的样 本进行预处理； S4： 在多分支AGCNN短期电力负荷预测模型中， 采用Adam算法对负荷数据进行网络训 练； S5： 基于多分支AGCNN短期电力负荷预测模型预测该台区的电力负荷， 得到负荷预测结 果。 2.根据权利要求1所述的一种基于K ‑means的多分支AGCNN短期电力负荷预测方法， 其 特征在于， 所述步骤S1中， 采用K ‑近邻算法对 数据进行预处理具体为： 对于台区的电力负荷 历史数据， 采用K ‑近邻算法对有缺失数据但未整月缺失的月份进行数据填补， 对于整月缺 失的数据用该地区近邻月份 或者近邻地区同一月份的数据进 行替补， 并对缺 失值处理后的 数据进行归一 化处理。 3.根据权利要求2所述的一种基于K ‑means的多分支AGCNN短期电力负荷预测方法， 其 特征在于： 采用K ‑近邻算法对台区的电力负荷历史数据的缺失数据进行填补时， K ‑近邻算 法的距离与权重成反比， 将加权平均值作为缺失值， 设待填补向量 其中 为向量中的完整部分， 为向量中的缺失部分， 则 的填补值 为 其公式表示如下： 式中， Dij表示向量i和向量j之间的距离， 对填补后的完整数据归一化 处理， 实验所用数 据标准化将其约束至[0,1]范围内。 4.根据权利要求1所述的一种基于K ‑means的多分支AGCNN短期电力负荷预测方法， 其 特征在于： 所述步骤S2中， 在采用K ‑means聚类对归一化后的数据进行分类时， 采用K ‑means 聚类对台区负荷进行分类， 如果在一次迭代前后， 聚类中心没有发生变化， 则说明已经收 敛， 聚类划分的计算公式表示如下： 式中， mi为ci类的聚类中心， xq是属于ci类中的样本， 针对台区内工业用电、 商业用电、 农业用电以及居民用电量呈现增长速度快且负荷特 性多样化的特 征， 将台区分为商业负荷、 工业负荷、 农业负荷和居民负荷四种负荷类型。 5.根据权利要求1所述的一种基于K ‑means的多分支AGCNN短期电力负荷预测方法， 其 特征在于， 所述步骤S3具体为： 引入注意力机制， 利用电力负荷特征矩阵构建一个多分支 AGCNN短期电力负荷预测模 型的网络结构， 所述网络结构包括依次连接的输入层、 门控 卷积权　利　要　求　书 1/2 页 2 CN 114091776 A 2层、 注意力层和输出层， 将不同类型负荷的样 本按照周周期、 日周期以及近邻周期进 行分类 预处理， 其中， 获得三个分支隐藏的深度时间特征后， 通过一个通道注意力模块对其进行加 权， 具体表达式如下： 式中， Pooling为全局池化， MLP为全连接层， Softmax为激活函数， 在层与层之间使用批标准 化操作对 模型进行训练， 表示如下： Zl,(n|d|w)＝BN(Hl‑1,(n|d|w)),l∈even 式中， 6.根据权利要求1所述的一种基于K ‑means的多分支AGCNN短期电力负荷预测方法， 其 特征在于： 所述步骤S4中， 首先将负荷数据分为训练集、 测试集和验证集， 其占比分别为 80％、 15％和5％。 7.根据权利要求6所述的一种基于K ‑means的多分支AGCNN短期电力负荷预测方法， 其 特征在于： 所述步骤S4具体为， 在 多分支AGCNN短期电力负荷预测模 型的网络结构的每个训 练周期中， 选取训练集数据输入到网络中进行网络训练， 并采用Adam算法对其优化， 得到优 化的多分支 AGCNN短期电力负荷预测模型， 所述网络训练的训练过程如下： 训练过程中采用均方误差作为损失函数， 小批量Adam算法作为优化器， 其中均方误差 损失函数表示如下： 式中， M为批量处 理样本个数， 为模型预测值， y为真实值。 8.根据权利要求6所述的一种基于K ‑means的多分支AGCNN短期电力负荷预测方法， 其 特征在于： 所述步骤S5中， 利用多分支AGCNN短期电力负荷预测模 型预测该台区未来一天或 一周内多个时刻的电力负荷， 得到负荷预测结果， 并使用测试集计算多分支AGCNN短期电力 负荷预测模型的预测精度来对评估 模型的性能进行验证。权　利　要　求　书 2/2 页 3 CN 114091776 A 3