基于特征优选策略和DLSTMs-FCN优化的短期负荷预测

针对当前基于长短期记忆网络的短期负荷预测模型存在特征冗余、重要信息丢失等问题,提出一种基于特征优选策略和DLSTMs-FCN并联优化结构的短期负荷预测方法。首先利用基于极限梯度提升的特征优选策略构造负荷预测模型中的输入特征最优集,减少冗余信息,加快模型拟合;而后利用DLSTMs提取负荷数据的时序特征,并辅以FCN的多维卷积运算及结构特征提取的高分辨率信息,增强对输入数据重要特征的学习和记忆,进而并联构成高效准确的短期负荷预测模型。实验结果表明,本文优化方法相较于ALSTMs和CNN-LSTMs预测误差分别降低了6%和4%,预测误差波动分别降低了4.7%和4.8%。

基于特征优选策略的居民用电行为聚类方法

针对用电负荷数据聚类特征选择的有效性及互补性问题,提出了一种基于信息量准则的特征优选策略,并在该策略的基础上进行了居民用电行为聚类方法的研究。首先,将贝叶斯信息准则(BIC)和相关系数分别作为特征有效性和关联性的判据来优选聚类特征。然后,采用布谷鸟算法优化了密度峰值法的截断距离。同时,利用异常值检测的思想实现聚类中心的自动选取。最后,根据优选出来的特征集和改进的密度峰值快速搜索聚类(CFSFDP)算法对实际居民用电数据进行聚类分析,验证了所提出方法的聚类效果。不同聚类方法的实验结果表明,采用改进的CFSFDP算法得到的聚类效果最优。