基于空间相似度和深度学习的中长期用电量预测

TM715+.1; 准确地预测用户中长期用电量对电力系统优化与调度具有重要意义.为此,提出一种根据用电曲线空间相似性划分用电用户类别,进而利用深度网络预测单类用户中长期用电量的方法,用以提升预测精度.首先,计算用电数据间的动态时间规整距离,基于规整距离利用层次聚类法绘制层次聚类树对用户分类.然后,通过离差标准化约束分类后每类用户数据的取值范围,进而通过深度神经网络建立单类用户的中长期用电量预测模型.最后,通过实例分析了传统方法与所提方法的用户聚类效果,并对比单类用户的总体、个体用电量预测结果,证明了所提依据空间形状相似度指标可较准确地划分用户类别,提升了中长期用电量的预测精度....

Full description

Saved in:
Bibliographic Details
Published in浙江电力 Vol. 40; no. 5; pp. 45 - 52
Main Authors 章剑光, 刘理峰, 林海峰, 张永建
Format Journal Article
LanguageChinese
Published 国网浙江省电力有限公司绍兴供电公司,浙江 绍兴 312000 2021
Subjects
用户聚类
动态时间规整
深度网络
用电量预测
Online AccessGet full text
ISSN1007-1881
DOI10.19585/j.zjdl.202105007

Cover

More Information
Summary:TM715+.1; 准确地预测用户中长期用电量对电力系统优化与调度具有重要意义.为此,提出一种根据用电曲线空间相似性划分用电用户类别,进而利用深度网络预测单类用户中长期用电量的方法,用以提升预测精度.首先,计算用电数据间的动态时间规整距离,基于规整距离利用层次聚类法绘制层次聚类树对用户分类.然后,通过离差标准化约束分类后每类用户数据的取值范围,进而通过深度神经网络建立单类用户的中长期用电量预测模型.最后,通过实例分析了传统方法与所提方法的用户聚类效果,并对比单类用户的总体、个体用电量预测结果,证明了所提依据空间形状相似度指标可较准确地划分用户类别,提升了中长期用电量的预测精度.
ISSN:1007-1881
DOI:10.19585/j.zjdl.202105007