CN109754113A - 基于动态时间规整与长短时间记忆的负荷预测方法 - Google Patents

Abstract

本发明揭示了一种基于动态时间规整与长短时间记忆的负荷预测方法，包括如下步骤：S1、从电力***中获取用户短期负荷预测所需的基本数据：S2、根据用户的历史负荷数据，使用动态时间规整法将用电行为类似的用户进行聚类；S3、对同一类别的用户数据进行池化处理；S4、选取训练数据，进行预处理后作为输入；S5、构建基于深度长短期记忆循环神经网络的短期负荷预测方法，并验证有效性。本发明针对待预测用户基数大的特点，将具有相似用电行为的用户进行聚类，提高了预测效率。同时，本发明通过将同一类别内的数据进行池化处理，增加了训练数据的多样性，提高了短期负荷预测精度，具有一定的工程应用意义。

Description

基于动态时间规整与长短时间记忆的负荷预测方法

技术领域

本发明涉及一种电力***居民短期负荷预测方法，具体而言，涉及一种电力***居民短期负荷预测方法，用于对电力***负荷进行预测，属于模式识别和图像处理技术领域。

背景技术

电力***内的居民负荷预测是根据历史负荷变化规律，结合气象、经济等因素对未来几天或几小时地负荷进行科学的预测。准确的负荷预测是安排电力生产调度、设备检修计划的重要决策依据。因此，有必要研究居民负荷预测的新方法及新技术，以提高负荷预测精度与可靠性，满足工程技术要求。

近年来，随着深度学习技术的不断发展，一些深度学习模型逐渐被应用到时序数据的研究中。其中，循环神经网络(recurrent neural networks,RNN)是一种带有自循环结构的神经网络，允许时间序列数据在网络层上信息流动的持久化，在理论上十分适合处理时间序列数据。随着研究的深入，RNN产生了众多变体，如双向循环神经网络、长短期记忆循环神经网络(LSTM)、门控循环神经网络(GRU)等。在众多的RNN变体中，LSTM网络有效地弥补了RNN的梯度消失和梯度***、长期记忆能力不足等问题，使得循环神经网络能够真正有效地利用长距离的时序信息。也正是基于上述技术基础，如何针对短时家庭电力需求数据维度单一、数据随机性强的问题，提出一种基于LSTM的短时家庭电力负荷预测方法，并保证其具有较好的预测性能，也就成为目前业内人士研究的重点。

此外，为了进一步提高现有的短时家庭电力负荷预测方法的准确性，许多学者提出了组合预测模型。其中，最为典型的做法是根据不同的用户负荷曲线进行聚类。负荷曲线是家庭能源消耗的24小时记录，虽然消费者行为表明设备使用模式，但设备使用的确切时间可能会有所不同，从而导致不同形状的负载曲线。因此，无论是在一周的不同日期还是在一周的给定日期，家庭的每日24小时负荷曲线均会表现出很大的变化。为了按行为对家庭进行适当分类，分类方案必须及时考虑这些变化，并关注设备使用的基本结构，而这类基本结构也可以被认为是家庭能源使用的基础。

针对这一现状，通过使用动态时间规整(DTW)来比较家庭负荷曲线并对其进行分类的方法也应运而生。在此度量下，时间轴被拉伸或收缩以找到两个负载曲线之间的最佳匹配，并找到规范“形状”以表示一组负载曲线。在此测量下，两个分类为相似的载荷曲线在每个时间点不一定具有相似的值，但在DTW测量下具有相似的形状。

综上所述，如何在现有技术的基础上提出一种新型的电力***居民短期负荷预测方法，以现有技术为基础、充分发挥上述技术的优点，提升预测的精确性、降低算法的复杂度，也就成为了本领域内技术人员亟待解决的问题。

发明内容

鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于动态时间规整与长短时间记忆的负荷预测方法，包括如下步骤：

S1、从电力***中获取用户短期负荷预测所需的基本数据；

S2、根据用户的历史负荷数据，使用动态时间规整法将用电行为类似的用户进行聚类；

S3、对同一类别的用户数据进行池化处理；

S4、选取预测前一日、前一周、前一月的负荷数数据、气象数据以及预测日日期类型数据，对数据进行预处理后作为输入；

S5、构建基于深度长短期记忆循环神经网络的短期负荷预测方法，并通过提前24h负荷预测场景验证方法的有效性。

优选地，S1中所述基本数据包括历史负荷数据和气象数据，所述历史负荷数据为历史日每日间隔1h的负荷数据，所述气象数据至少包括预测时刻的环境温度、预测日日期类型。

优选地，S2具体包括如下步骤：

S21、假设两名用户的负荷序列分别为X、Y，其中，X＝{x₁，x₂，...，x_N}、Y＝{y₁，y₂，...，y_N}，定义规整路径矩阵M[24*24]，矩阵元素(m,n)表示x_m和y_n两个点的距离，矩阵元素(m,n)的数值为d(x_m,y_n)＝(x_m-y_n)²；

S22、定义动态规整路径序列P＝(p₁,p₂,...p_k)，其中p_k＝(m_k,n_k)，且max(m,n)≤K<m+n-1；

S23、负荷序列X和Y之间的动态规整的总代价定义X和Y的动态时间规整距离其中，P^*＝argminc_P(X,Y)，将两个用户的周平均DTW距离作为下聚类算法中的聚类距离，得到其中，t表示周几、t取0～6、表示从周一到周日，X_t和Y_t分别表示两个用户第t天的负荷曲线。

S24、给定一系列用户日负荷曲线X和聚类个数D,根据负荷曲线的DTW距离将用户聚成D类，求取类别d、归属函数C_d以及聚类中心λ_d使得簇内和(S_c)最小，计算公式为然后随机选取聚类核心，采用基于K-medoid聚类算法进行迭代更新。

优选地，S22中所述动态规整路径序列满足以下条件：

边界条件，p₁＝(1,1)，且p_K＝(N,N)；

单调性条件，m₁≤m₂≤...≤m_K且n₁≤n₂≤...≤n_K；

步长限制条件，若p_k-1＝(a',b')，则路径的下一个点p_k＝(a,b)需要满足(a-a')≤1且(b-b')≤1。

优选地，S3具体包括如下步骤：

S31、以虚拟变量的方式给用户添加ID标签；

S32、将用户数据分为训练集和测试集；

S33、合并所有训练数据以构建训练池，然后通过相同的过程构建测试池。

6、根据权利要求1所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，S4具体包括如下步骤：

S41、对居民用户负荷数据集L进行归一化处理，其归一化公式为其中,为某变量归一化后的数据值，x(i)为变量原始数据，x_max、x_min分别为原始数据的最大值和最小值；

S42、对用户的气象因素数据集W和日期类型I使用one-hot编码对其进行稀疏处理，得到用户的输入数据集为<L,W,I>；

S43、将预测日前一日、前一周、前一月的历史数据先进行预训练，然后再作为预测模型的输入，具体采用单层全连接网络的方式对三日的数据进行处理，最终的输出与单日的输入数据集维度相同。

优选地，S5中所述构建基于深度长短期记忆循环神经网络的短期负荷预测方法，所述深度长短期记忆循环神经网络的结构包括：输入层、隐藏层和输出层；所述输入层由表示输入的神经元组成；所述隐藏层由表示中间变量的神经元组成，隐藏层与下一层隐藏层直接也由神经元连接；所述输出层由表示输出结果的神经元组成。

优选地，S5中所述构建基于深度长短期记忆循环神经网络的短期负荷预测方法，具体包括如下步骤：

S51、将S4中的用户训练数据进行批次划分，以便于计算；

S52、初始化长短期记忆循环神经训练网络的各项参数；

S53、输入训练数据进行前向传播训练；

S54、根据预测值和真实值确定损失函数和优化方法进行反向传播优化。

优选地，在S5中，采用平均绝对百分比误差和均方误差作为模型预测效果评价指标，计算公式分别为，

其中，n为预测点个数，y_i为第i个预测点负荷真实值，为第i个预测点预测值。

与现有技术相比，本发明的优点主要体现在以下几个方面：

本发明的基于动态时间规整与长短时间记忆的负荷预测方法，针对待预测用户基数大的特点，将具有相似用电行为的用户进行基于DTW相似度的聚类，提高了预测效率、增加了用户的聚类精确度、减少了聚类类别的数量、降低了聚类算法的复杂度。

同时，本发明针对基于深度学习的LSTM负荷预测方法容易发生过拟合的问题，通过将同一类别内的数据进行池化处理，增加了训练数据的多样性，提高了模型的泛化能力，从而提高了短期负荷预测精度，具有一定的工程应用意义。

此外，本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于同领域内其他负荷预测方法的技术方案中，具有十分广阔的应用前景。

以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。

附图说明

图1是本发明预测方法的流程图；

图2是基于LSTM的负荷预测网络结构模型；

图3是LSTM神经元内部结构图；

图4是原始用户数据的聚类结果；

图5是8月8日的预测效果图。

具体实施方式

如图1所示，本发明揭示了一种基于动态时间规整与长短时间记忆的负荷预测方法，本发明的思路是先将电力用户基于动态时间规整相似度进行聚类，把具有相似用电习惯的用户聚成一类。然后对同一类别的用户进行随机池化操作，增加训练数据的规模以及多样性，以达到增加预测模型的泛化能力。接着，将池化之后的用户数据集分别建立基于长短时记忆的负荷预测模型，所提出的方法具有更好的工程适应性。

由于用户的负荷曲线具有多边性，时延性特点，因此，基于欧式距离对负荷用户进行聚类存在一定的偏差，无法判断。Dynamic Time Warping(DTW，动态时间规整)是一种衡量两个长度不同的时间序列的相似度的方法。应用也比较广，主要是在模板匹配中，比如说用在孤立词语音识别(识别两段语音是否表示同一个单词)，手势识别，数据挖掘和信息检索等中。因此，本发明通过计算两个用户负荷的DTW相似度来进行基于K-medoid聚类。

具体而言，本发明的基于动态时间规整与长短时间记忆的负荷预测方法，包括如下步骤：

S1、从电力***中获取用户短期负荷预测所需的基本数据。

所述基本数据包括历史负荷数据和气象数据，所述历史负荷数据为历史日每日间隔1h的负荷数据，所述气象数据至少包括预测时刻的环境温度、预测日日期类型。

S2、根据用户的历史负荷数据，使用动态时间规整法将用电行为类似的用户进行聚类。

S2步骤可详述为根据用户的历史负荷数据进行基于DTW相似度的聚类方法，即先计算每个用户负荷的DTW相似度，然后根据DTW距离对每个用户进行基于K-medoid的聚类，具体包括如下步骤：

S21、由于每天采集的负荷数据都是等长的，因此，假设两名用户的负荷序列分别为X、Y，其中，X＝{x₁，x₂，...，x_N}、Y＝{y₁，y₂，...，y_N}，定义规整路径矩阵M[24*24]，矩阵元素(m,n)表示x_m和y_n两个点的距离，这里我们用欧式距离来表示，矩阵元素(m,n)的数值为d(x_m,y_n)＝(x_m-y_n)²。

S22、定义动态规整路径序列P＝(p₁,p₂,...p_k)，其中p_k＝(m_k,n_k)，且max(m,n)≤K<m+n-1。

所述动态规整路径序列满足以下条件：

(1)边界条件，p₁＝(1,1)，且p_K＝(N,N)。

(2)单调性条件，m₁≤m₂≤...≤m_K且n₁≤n₂≤...≤n_K。

(3)步长限制条件，若p_k-1＝(a',b')，则路径的下一个点p_k＝(a,b)需要满足(a-a')≤1且(b-b')≤1。即某一个点只能与自己相邻的点对齐，对齐步长不能超过1。

S23、负荷序列X和Y之间的动态规整的总代价接下来需要从可能的路径中找到使得代价最小的最优路径P^*。从而我们定义X和Y的动态时间规整距离DTW(X,Y)＝c_P*(X,Y)，其中，P^*＝argminc_P(X,Y)，然而，由于负荷曲线具有高波动性的特征，因此我们将两个用户的周平均DTW距离作为下聚类算法中的聚类距离，得到其中，t表示周几、t取0～6、表示从周一到周日，X_t和Y_t分别表示两个用户第t天的负荷曲线。

S24、给定一系列用户日负荷曲线X和聚类个数D,根据负荷曲线的DTW距离将用户聚成D类，即目标是找到类别d、归属函数C_d以及聚类中心λ_d使得簇内和(S_c)最小，计算公式为然后随机选取聚类核心，采用基于K-medoid聚类算法进行迭代更新。

基于DTW相似度的K-medoid聚类方法具体算法步骤为：

1、在用户日负荷曲线样本X中随机选择D个数据作为质点(参考点)Oj(j＝1,2,…,D).

2、重复地将剩下的样本点分配到D个簇类中；

3、随机选择一个非质点样本Orandom；计算交换对象Orandom和O1参考点，重复2中的操作，产生新的一组簇类，计算目标函数S_c，若S_c<0则将Orandom和O1交换，保留新的簇类，否则，保留原中心点和聚类。重复此步骤直到D个中心点不再变化。

由于聚类之后的同一类别用户具有相似的用电行为，因此，将同一类别的用户数据通过池化操作，分别建立统一的负荷预测模型有利于增强模型的泛化能力，提高预测模型的精确度。

S3、对同一类别的用户数据进行池化处理。为防止基于深度学习的负荷预测算法出现过拟合，提高预测模型的泛化能力，在S3中需要对S2聚类完成的类间用户进行池化，通过增加训练集规模以抑制过拟合，S3具体包括如下步骤：

S31、以虚拟变量的方式给用户添加ID标签。

S32、将用户数据分为训练集和测试集。

S33、合并所有训练数据以构建训练池，然后通过相同的过程构建测试池。

S4、选取预测前一日、前一周、前一月的负荷数数据、气象数据以及预测日日期类型数据，对数据进行预处理后作为输入。

S4具体包括如下步骤：

S41、对居民用户负荷数据集L进行归一化处理，其归一化公式为其中,为某变量归一化后的数据值，x(i)为变量原始数据，x_max、x_min分别为原始数据的最大值和最小值。

S42、对用户的气象因素数据集W和日期类型I使用one-hot编码对其进行稀疏处理，得到用户的输入数据集为<L,W,I>。

S43、由于用户的负荷呈现明显的周期性特征，因此，基于上述考虑我们将预测日前一日、前一周、前一月的历史数据先进行预训练，然后再作为预测模型的输入，具体采用单层全连接网络的方式对三日的数据进行处理，最终的输出与单日的输入数据集维度相同。

S5、构建基于深度长短期记忆循环神经网络的短期负荷预测方法，并通过提前24h负荷预测场景验证方法的有效性。

所述深度长短期记忆循环神经网络的结构包括：输入层、隐藏层和输出层。所述输入层由表示输入的神经元组成。所述隐藏层由表示中间变量的神经元组成，隐藏层与下一层隐藏层直接也由神经元连接。所述输出层由表示输出结果的神经元组成。

S5中所述构建基于深度长短期记忆循环神经网络的短期负荷预测方法，具体包括如下步骤：

S51、将S4中的用户训练数据进行批次划分，以便于计算。

S52、初始化长短期记忆循环神经训练网络的各项参数。

S53、输入训练数据进行前向传播训练。

S54、根据预测值和真实值确定损失函数和优化方法进行反向传播优化。

需要说明的是，在S5中，对聚类完成的用户，对用户通过随机池化的方法将数据分为训练集和测试集，分别进行基于LSTM的预测模型训练。采用平均绝对百分比误差(MAPE)和均方误差(RMSE)作为模型预测效果评价指标，计算公式分别为，

其中，n为预测点个数，y_i为第i个预测点负荷真实值，为第i个预测点预测值。

具体而言，基于LSTM方法的负荷预测结构模型如图2所示，输入层包括负荷历史数据、气象因素和日期类型。

循环神经网络(Recurrent Neural Networks,RNN)是一种具有反馈结构的神经网络，其输入不仅和当前输入和网络的权值有关，而且也和之前的网络输入有关，因此，在理论上说，RNN非常适合处理序列数据。但是RNN学习长期依赖问题时，会出现梯度消失或者梯度***问题，导致模型无法训练。为了克服这一问题，Hochreiter等人提出了长短时记忆循环神经网络(long short-term memory,LSTM),引入了细胞状态和三个门结构控制信息在细胞状态上的更新，实现了信息在网络上的长期流动。

LSTM神经网络内部结构如图3所示，为了建立时间连接，LSTM在整个循环周期定义和维护一个内部记忆单元状态——细胞状态C_t，然后通过遗忘门f_t、输入门i_t、输出门o_t三个门结构来更新、维护或删除细胞状态内的信息。前向计算过程如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)，

i_t＝σ(W_f·[h_t-1,x_t]+b_i)，

o_t＝σ(W_o·[h_t-1,x_t]+b_o)，

h_t＝o_t·tanh(C_t)，

其中：C_t、C_t-1分别表示当前时刻和上一时刻的细胞状态，表示输入的候选状态，f_t、i_t、o_t分别表示遗忘门、输入门、输出门，W_f、W_i、W_C、W_o、b_f、b_i、b_C、b_o分别表示sigmoid和双曲正切激活函数。首先上一时刻隐藏层输出h_t-1和当前输出x_t通过上述公式计算出遗忘门、输入门、输出门的系数；然后上一时刻隐藏层输出h_t-1和当前输出x_t通过公式得到当前神经元的候选状态接着由遗忘门和输入门确定上一时刻的细胞状态C_t-1和当前时刻的候选状态在当前细胞状态中所占的比例，并通过公式计算当前时刻的隐藏层输出值h_t。

LSTM网络训练过程采用通过时间反向传播算法，反向计算每一个LSTM神经元输出值与真实值的误差项，根据相应的误差项，计算每一个权重的梯度，应用梯度优化算法更新权重。

基于LSTM的负荷预测模型包括输入层、隐藏层、输出层、网络训练及优化四个模块。本发明构建的LSTM包含3个隐藏层，1个输出层。LSTM网络预测第i个时间点电力负荷值，需要输入前面L个点的电力负荷值作为输入，称L为序列长度。由于电力负荷数据具有周期性特点，因此本发明拟将负荷预测日前一日，前一周以及前一个月的历史负荷数据通过一个全连接网络加权之后作为LSTM预测网络的训练数据集T。

该方法的这一阶段包括基于池化的负荷预测的模型训练和模型测试：

在训练部分，深度递归神经网络通过从用户负荷池中随机取出的负荷数据批次进行训练，从而LSTM网络学习的不仅仅是单用户的负荷特征，还要学习到同一类别中的负荷的共有特性和不确定性。

在测试部分，测试负载曲线被送入训练完的LSTM网络。假设经过数据清洗后的负荷曲线数据集是Ψ1，并且测试住户列在集合D＝{d1，d2，...，dd}中。接着需要确定LSTM的网络配置参数，我们分别使用L和H表示网络深度(层数)和隐藏单元数量。通过这些参数，训练和测试过程可以按以下步骤进行：

1)初始化LSTM预测网络，建立网络配置参数，即网络深度L，隐藏层数量H，批量大小C。

2)网络训练迭代在网络启动之后，程序然后运行训练迭代时期，直到网络训练良好，神经网络的损失函数为均方误差(RMSE)损失。

在每个训练周期中，都是从训练数据池中随机选取训练数据，然后输入到前馈神经网络中进行网络训练。每个训练批次是两个具有固定大小的矩阵，即大小为C×I的输入矩阵和大小为C×O的输出矩阵。训练过程的时间成本和迭代次数依赖于反馈的数据序列大小J，选择的优化方法，网络大小(M，I)和训练一次的规模(batch)大小C。为了在训练效率和功效之间取得良好平衡，训练批量大小C在训练过程中是可变的：

1)在早期时期，为了快速接近最佳点，将C设定为较小的数值。

2)然后C逐渐增加朝向更好的训练表现，但牺牲了时间成本。

测试迭代和性能基准测试

然后通过作为前馈预测神经网络对个体家庭测试训练有素的深度递归神经网络。在测试过程中，对测试家庭逐一进行负荷预测，以确定所提出的方法是否能够单独实现负荷预测的性能提升。在每次迭代中，与其他负载预测方法进行性能比较，包括ARIMA，SVR，RNN和深度RNN，它们仅使用来自测试家庭的负荷数据进行训练。

下面通过具体实施例对上述实施例进行补充说明和对上述实施例的优点进行验证。

本发明采用某城市电网公司提供的1057个用户的23254个实时负荷值作为研究对象。负荷的采样频率每1个小时采集一次，采样时间是2016年7月19日至2016年8月9日，期间共记录了每个用户的22天的负荷曲线。

本发明首先对所有用户进行基于DTW的聚类，将具备相似行为的用户归为一类。一个好的聚类算法应该使得聚类之后样本同一类别的总距离(Sc)尽量小，不同类别的中心之间的距离(WB)尽量大。因此，我们使用上述两个横向标准的比值γ作为评估算法性能的参考。γ越小说明聚类性能越好。

其中，λ_i表示第i个类别的中心。图4显示了DTW聚类算法和K-means聚类以及EM算法的性能对比，显然无论是聚类的类别个数K如何变化，DTW聚类算法的性能总是优与其他两类。

通过对某电网实际负荷值进行预测验证本发明所提出方法的有效性。对聚类后的数据分别建立LSTM预测模型，对8月2日1时至8月9日24时共168个负荷值进行提前24小时预测。

本发明采用具有三个隐藏层的LSTM网络结构，训练batch大小为96，隐藏层神经元数量为24，优化算法为Adam优化，学习率为0.002，损失函数为RMSE。本发明分别建立ARIMA,SVR，LSTM和DTW-LSTM四种负荷预测模型，并对比预测性能。图5为8月8日的预测效果图，由图可知，DTW-LSTM短期负荷预测模型能更好的贴近真实值，具有更好的预测精度。

表I比较了所提出的DTW-LSTM预测模型在MARE和RSE方面与其他三种经典预测算法的对比。表中显示的所有指标均采用所有测试家庭的平均值。LSTM算法比其他传统算法具有更好的性能。而在引入DTW聚类后，预测精度有进一步的提高。具体而言，与传统的LSTM相比，所提出的DTW-LSTM使MARE和RSE分别提高了6.45％和6.96％。与ARIMA相比，DTW-LSTM的MARE和RSE分别提高了19.46％和16.28％，性能具有更加显著的提高。

表1负荷预测性能对比

预测模型	MARE/％	RMSE/W
			ARIMA	2.5	572.5
SVR	2.63	445.1
			LSTM	1.96	386.3
DTW-LSTM	1.58	289.8

本发明的基于动态时间规整与长短时间记忆的负荷预测方法，针对待预测用户基数大的特点，将具有相似用电行为的用户进行基于DTW相似度的聚类，提高了预测效率、增加了用户的聚类精确度、减少了聚类类别的数量、降低了聚类算法的复杂度。

同时，本发明针对基于深度学习的LSTM负荷预测方法容易发生过拟合的问题，通过将同一类别内的数据进行池化处理，增加了训练数据的多样性，提高了模型的泛化能力，从而提高了短期负荷预测精度，具有一定的工程应用意义。

此外，本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于同领域内其他负荷预测方法的技术方案中，具有十分广阔的应用前景。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (9)

1.一种基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，包括如下步骤：

S1、从电力***中获取用户短期负荷预测所需的基本数据；

S2、根据用户的历史负荷数据，使用动态时间规整法将用电行为类似的用户进行聚类；

S3、对同一类别的用户数据进行池化处理；

S4、选取预测前一日、前一周、前一月的负荷数数据、气象数据以及预测日日期类型数据，对数据进行预处理后作为输入；

S5、构建基于深度长短期记忆循环神经网络的短期负荷预测方法，并通过提前24h负荷预测场景验证方法的有效性。

2.根据权利要求1所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于：S1中所述基本数据包括历史负荷数据和气象数据，所述历史负荷数据为历史日每日间隔1h的负荷数据，所述气象数据至少包括预测时刻的环境温度、预测日日期类型。

3.根据权利要求1所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，S2具体包括如下步骤：

S21、假设两名用户的负荷序列分别为X、Y，其中，X＝{x₁,x₂,...x_N}、Y＝{y₁,y₂,...y_N}，定义规整路径矩阵M[24*24]，矩阵元素(m,n)表示x_m和y_n两个点的距离，矩阵元素(m,n)的数值为d(x_m,y_n)＝(x_m-y_n)²；

S22、定义动态规整路径序列P＝(p₁,p₂,...p_k)，其中p_k＝(m_k,n_k)，且max(m,n)≤K＜m+n-1；

S23、负荷序列X和Y之间的动态规整的总代价定义X和Y的动态时间规整距离DTW(X,Y)＝c_P*(X,Y)，其中，P^*＝argminc_P(X,Y)，将两个用户的周平均DTW距离作为下聚类算法中的聚类距离，得到其中，t表示周几、t取0～6、表示从周一到周日，X_t和Y_t分别表示两个用户第t天的负荷曲线。

S24、给定一系列用户日负荷曲线X和聚类个数D,根据负荷曲线的DTW距离将用户聚成D类，求取类别d、归属函数C_d以及聚类中心λ_d使得簇内和(S_c)最小，计算公式为然后随机选取聚类核心，采用基于K-medoid聚类算法进行迭代更新。

4.根据权利要求3所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，S22中所述动态规整路径序列满足以下条件：

边界条件，p₁＝(1,1)，且p_K＝(N,N)；

单调性条件，m₁≤m₂≤...≤m_K且n₁≤n₂≤...≤n_K；

步长限制条件，若p_k-1＝(a',b')，则路径的下一个点p_k＝(a,b)需要满足(a-a')≤1且(b-b')≤1。

5.根据权利要求1所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，S3具体包括如下步骤：

S31、以虚拟变量的方式给用户添加ID标签；

S32、将用户数据分为训练集和测试集；

S33、合并所有训练数据以构建训练池，然后通过相同的过程构建测试池。

6.根据权利要求1所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，S4具体包括如下步骤：

S41、对居民用户负荷数据集L进行归一化处理，其归一化公式为其中,为某变量归一化后的数据值，x(i)为变量原始数据，x_max、x_min分别为原始数据的最大值和最小值；

S42、对用户的气象因素数据集W和日期类型I使用one-hot编码对其进行稀疏处理，得到用户的输入数据集为<L,W,I>；

S43、将预测日前一日、前一周、前一月的历史数据先进行预训练，然后再作为预测模型的输入，具体采用单层全连接网络的方式对三日的数据进行处理，最终的输出与单日的输入数据集维度相同。

7.根据权利要求1所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，S5中所述构建基于深度长短期记忆循环神经网络的短期负荷预测方法，所述深度长短期记忆循环神经网络的结构包括：输入层、隐藏层和输出层；所述输入层由表示输入的神经元组成；所述隐藏层由表示中间变量的神经元组成，隐藏层与下一层隐藏层直接也由神经元连接；所述输出层由表示输出结果的神经元组成。

8.根据权利要求1所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于，S5中所述构建基于深度长短期记忆循环神经网络的短期负荷预测方法，具体包括如下步骤：

S51、将S4中的用户训练数据进行批次划分，以便于计算；

S52、初始化长短期记忆循环神经训练网络的各项参数；

S53、输入训练数据进行前向传播训练；

S54、根据预测值和真实值确定损失函数和优化方法进行反向传播优化。

9.根据权利要求1所述的基于动态时间规整与长短时间记忆的负荷预测方法，其特征在于：在S5中，采用平均绝对百分比误差和均方误差作为模型预测效果评价指标，计算公式分别为，

其中，n为预测点个数，y_i为第i个预测点负荷真实值，为第i个预测点预测值。