一种基于自适应层次时间序列聚类的用电负荷预测方法技术领域
本发明涉及智能电网的用电信息处理领域，具体涉及一种基于自适应层次时间序
列聚类的用电负荷预测方法。
背景技术
智能电网条件下，各种先进计量装置(如传感器、智能仪表)被越来越多地安装在
配电网中，以监测、控制和预测电能使用，那些收集到的不同时间间隔的变压器或电力用户
日消费数据，构成了各监测点的负荷曲线。这些准确而详细的电力消费信息为配电企业通
过专门的分析获取负荷模式提供了基础。目前，国内外关于负荷模式提取的技术主要运用
各种聚类分析技术获取电力用户典型负荷曲线和负荷特性可用于预测和估计未来电力需
求，同时使用负荷模式分类还可以减少信息系统的负荷数据存储。但是目前聚类技术无法
满足时间序列上负荷的准确分簇，从而使得聚类技术针对短时期内的负荷预测存在一定局
限性。目前，尚未有一种基于自适应参数调整的层次时间序列聚类的负荷预测方法。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于自适应层次时间序列聚类
的用电负荷预测方法。本发明的技术方案如下：
一种基于自适应层次时间序列聚类的用电负荷预测方法，其包括以下步骤；1)获
取用电负荷并划分负荷序列；2)采用层次聚类法对负荷序列特性进行凝聚层次聚类；3)利
用分层的思想对负荷进行预测；4)通过反馈方法动态调整量化因子、时间窗口及分簇参数，
完成用电负荷预测。
进一步的，所述步骤1)划分负荷序列的步骤之前还包括对用户用电负荷进行量化
的步骤，所述划分负荷序列步骤包括：根据用电负荷的上升、减少和持平特征在窗口时间段
上进行划分。
进一步的，步骤2)采用层次聚类法对负荷序列特性进行凝聚层次聚类包括：步骤
S2.1：设置单位时刻距离dis_t、单位时刻负荷距离dis_p及序列长度距离dis_len，对负荷
序列进行初始凝聚分簇；
步骤S2.2：对序列中心时刻距离dis_Tc和负荷总量距离dis_sum进行设置，将极大
簇分裂成多个较小的簇，不同的负荷序列簇为序列的第一层；
步骤S2.3：将两个时间相邻的负荷序列组成预测负荷序列组，将组中起始负荷序
列所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测负荷序列域为序列的第二
层。
进一步的，步骤3)利用分层的思想对负荷进行预测包括步骤：在负荷预测过程中，
寻找当前最新负荷序列所属域，并在域中寻找匹配的预侧负荷序列组，将预侧负荷序列组
中的后一负荷序列作为下一时段的预测负荷，然后将预测出的负荷序列作为当前最新的负
荷序列，重复该步骤继续进行预测。
进一步的，所述负荷预测过程具体包括以下步骤：
步骤S3.1：在负荷预测过程中，寻找当前最新负荷序列所属预测负荷序列域；
步骤S3.2：若未发现所属预测负荷序列域，则寻找离该负荷序列邻域半径上最近
的负荷序列簇，找出该簇表征的预测负荷序列域，并寻找域中各个预侧负荷序列组中后一
负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一时段的预测负
荷；
步骤S3.3：若发现所属预测负荷序列域，当域中有多个预测负荷序列组中的起始
负荷序列与当前负荷序列匹配，则使用发生时间最晚的预侧负荷序列组中的后一负荷序列
作为下一时段的预测负荷；
步骤S3.4：若域中无起始负荷序列与当前负荷序列匹配，则寻找域中各个预侧负
荷序列组中后一负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一
时段的预测负荷；
步骤S3.5：将预测出的负荷序列作为最新的负荷序列重复该步骤进行后续负荷的
预测。
进一步的，步骤4)通过反馈方法动态调整量化因子、时间窗口及分簇参数包括步
骤S4：在当前实际最新序列更新后，使用准确率与误差率作为评判当前预测结果的指标，分
别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数进行修
正，并进行下一次预测。
进一步的，使用准确率与误差率作为评判当前预测结果的指标，分别对量化因子、
窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数进行修正，并进行下一
次预测具体包括：
单次预测结束后，当前预测时段内对量化因子、窗口大小、序列长度距离、单位时
刻距离、序列中心时刻距离、单位时刻负荷距离、负荷总量距离分别进行迭代运算，在单个
参数迭代过程中，产生不同的预测序列，并与实际序列进行对比，选取准确率最高且误差率
最低时的参数值作为下一次预测的次优参数。
进一步的，所述负荷序列特性包括序列长度、单位时刻、序列中心时刻、单位时刻
负荷、负荷总量五个负荷序列特性。
本发明的优点及有益效果如下：
本发明的目的在于提供一种基于自适应层次时间序列聚类的用电负荷预测方法，
该预测方法利用层次聚类的思想，针对时间序列负荷量，使用负荷序列长度、单位时刻、序
列中心时刻、单位时刻负荷、负荷总量五个特性对负荷序列特性进行凝聚-分裂的层次聚
类，利用分层的思想对负荷进行预测，通过反馈方法动态调整量化因子、时间窗口及分簇参
数，从而供了一种在超短期内更加精准的用电负荷预测方法，并有效降低负荷预测中对原
始数据的存储代价，为科学、准确实现智能电网中电力调配起到支撑作用。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于自适应
层次时间序列聚类的用电负荷预测方法。根据量化后用电负荷的上升、减少和持平特征在
窗口时间段上依次划分出负荷序列。根据负荷序列长度、时间段与负荷段对负荷序列进行
层次时间序列聚类，得到不同负荷序列簇，并作为序列的第一层。将两个时间相邻的负荷序
列组成预测负荷序列组，将组中起始负荷序列所属同一簇的预测负荷序列组合并为负荷序
列域，不同的预测负荷序列域为序列的第二层。在负荷预测过程中，寻找当前最新负荷序列
所属域，并在域中寻找匹配的预侧负荷序列组，将预侧负荷序列组中的后一负荷序列作为
下一时段的预测负荷，然后将预测出的负荷序列作为当前最新的负荷序列，重复该步骤继
续进行预测。在当前实际最新序列更新后，使用准确率与误差率作为评判当前预测结果的
指标，分别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数
进行修正，并进行下一次预测。该预测方法利用层次时间序列聚类的思想，使用序列长度、
单位时刻、序列中心时刻、单位时刻负荷、负荷总量五个特性对负荷序列特性进行描述，利
用分层的机制对负荷进行预测，通过反馈方法动态调整量化因子、时间窗口及分簇参数，从
而提供了一种在超短期内更加精准的用电负荷预测方法，并有效降低负荷预测中对原始数
据的存储代价，为科学、准确实现智能电网中电力调配起到支撑作用。
附图说明
图1是本发明提供优选实施例基于自适应层次时间序列聚类的用电负荷预测方法
流程图；
图2为步骤S1所述的负荷序列划分流程图；
图3为步骤S2.1所述的层次时间序列凝聚分簇流程图；
图4为步骤S2.2所述的层次时间序列分裂簇流程图；
图5为步骤S2.3所述的负荷序列分层流程图；
图6为步骤S3.2所述的分层负荷预测示意图；
图7为步骤S3.3所述的分层负荷预测示意图；
图8为步骤S3.4所述的分层负荷预测示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详
细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明的技术方案如下：
本发明公开提供了一种基于自适应层次时间序列聚类的用电负荷预测方法。根据
量化后用电负荷的上升、减少和持平特征在窗口时间段上依次划分出负荷序列。根据负荷
序列长度、时间段与负荷段对负荷序列进行层次时间序列聚类，得到不同负荷序列簇，并作
为序列的第一层。将两个时间相邻的负荷序列组成预测负荷序列组，将组中起始负荷序列
所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测负荷序列域为序列的第二
层。在负荷预测过程中，寻找当前最新负荷序列所属域，并在域中寻找匹配的预侧负荷序列
组，将预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷，然后将预测出的负荷
序列作为当前最新的负荷序列，重复该步骤继续进行预测。在当前实际最新序列更新后，使
用准确率与误差率作为评判当前预测结果的指标，分别对量化因子、窗口大小以及分簇参
数进行迭代计算，对当前负荷序列预测的参数进行修正，并进行下一次预测。该预测方法利
用层次时间序列聚类的思想，使用序列长度、单位时刻、序列中心时刻、单位时刻负荷、负荷
总量五个特性对负荷序列特性进行描述，利用分层的机制对负荷进行预测，通过反馈方法
动态调整量化因子、时间窗口及分簇参数，从而提供了一种在超短期内更加精准的用电负
荷预测方法，并有效降低负荷预测中对原始数据的存储代价，为科学、准确实现智能电网中
电力调配起到支撑作用。下面结合附图，对本发明作进一步的详细说明。
如图1所示，本发明的实现流程图包括如下：
步骤S1：根据量化后用电负荷的上升、减少和持平特征在窗口时间段上依次划分
出负荷序列。
本步骤具体实施方式可参照图2。
步骤S2：根据负荷序列长度、时间段与负荷段对负荷序列进行层次时间序列聚类，
得到不同负荷序列簇，并作为序列的第一层。将两个时间相邻的负荷序列组成预测负荷序
列组，将组中起始负荷序列所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测
负荷序列域为序列的第二层。具体分为以下几个步骤：
步骤S2.1：设置单位时刻距离dis_t、单位时刻负荷距离dis_p及序列长度距离
dis_len，对负荷序列进行初始凝聚分簇。
步骤S2.1实施方式可参照图3。
步骤S2.2：由于负荷序列进行凝聚分簇时在时间尺度上前后滑动，在负荷区间上
下滑动，会出现极大簇，其时间尺度较长或负荷区间较宽，使负荷序列簇无法准确描述簇中
负荷序列特征，需对序列中心时刻距离dis_Tc和负荷总量距离dis_sum进行设置，将极大簇
分裂成多个较小的簇。步骤S2.1和S2.2中的起始参数设置为经验值后续均可由预测反馈进
行动态调整，不同的负荷序列簇为序列的第一层。
步骤S2.2实施方式可参照图4。
步骤S2.3：将两个时间相邻的负荷序列组成预测负荷序列组，将组中起始负荷序
列所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测负荷序列域为序列的第二
层。
步骤S2.3示意图可参照图5。
步骤S3：在负荷预测过程中，寻找当前最新负荷序列所属域，并在域中寻找匹配的
预侧负荷序列组，将预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷，然后将
预测出的负荷序列作为当前最新的负荷序列，重复该步骤继续进行预测，具体分为以下几
个步骤：
步骤S3.1：在负荷预测过程中，寻找当前最新负荷序列所属预测负荷序列域。
步骤S3.2：若未发现所属预测负荷序列域，则寻找离该负荷序列邻域半径上最近
的负荷序列簇，找出该簇表征的预测负荷序列域，并寻找域中各个预侧负荷序列组中后一
负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一时段的预测负
荷。
本步骤具体实施方式可参照图6。
步骤S3.3：若发现所属预测负荷序列域，当域中有多个预测负荷序列组中的起始
负荷序列与当前负荷序列匹配，则使用发生时间最晚的预侧负荷序列组中的后一负荷序列
作为下一时段的预测负荷。
本步骤具体实施方式可参照图7。
步骤S3.4：若域中无起始负荷序列与当前负荷序列匹配，则寻找域中各个预侧负
荷序列组中后一负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一
时段的预测负荷。
本步骤具体实施方式可参照图8。
步骤S3.5：将预测出的负荷序列作为最新的负荷序列重该步骤进行后续负荷的预
测。
步骤S4：在当前实际最新序列更新后，使用准确率与误差率作为评判当前预测结
果的指标，分别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的
参数进行修正，并进行下一次预测。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在
阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变
化和修饰同样落入本发明权利要求所限定的范围。