融合模糊聚类与改进LSTM的电力工程数据处理技术

摘要

针对目前电力工程管理轻决策、重实施以及实际工程数据偏离预估的问题,文中在模糊聚类算法的框架下,基于改进的LSTM网络提出了一种电力工程数据预测模型。该模型采用K-means聚类算法对电力工程历史数据进行属性模糊划分,生成模糊变量基本状态函数并将其作为神经网络的输入。同时将数据分为相邻时间点相关性、月相关性及年相关性序列,分别使用改进LSTM模型进行训练获得预测模型,进而计算得到预测结果。以电力工程造价数据为样本进行的实验测试结果显示,LSTM预测模型在每个统计指标下均具有最佳的预测性能,且MAE、MAPE和RMSE值的最大降幅约为64%、79%及56%。