基于聚类和LSTM的电力分钟冻结数据缺失值填充方法

在用电信息采集系统中，由于采集和分配设备的大量访问，终端获取的微小冻结数据通常会丢失。为了解决这一问题，提出了一种基于聚类的时间序列预测方法。在该方法中，终端获得的微小冻结数据具有时间序列自相似性和相关性的特点。首先，对终端进行聚类，使时间序列相似的终端在同一组中。针对长时间序列的高维特征导致聚类困难的问题，利用自编码技术降低维数，提高聚类性能，针对每一组，建立基于长短时记忆（LSTM）单元的神经网络模型来预测缺失值。实验结果表明，该方法能有效地利用终端时间序列的特征，验证了基于自编码的聚类方法能提高预测性能。