简介：这份PDF文献面向电力系统、智能电网及数据分析方向的研究生与工程技术人员，聚焦主动配电网电能质量预测这一难题。针对电能质量数据在较长时间跨度上的时序性与非线性特征，文中提出将K-means聚类与长短期记忆网络相结合的预测方法：先对历史电能质量数据、环境因素及负荷数据做多维向量聚类，再对每类数据分别训练LSTM模型并评估性能，最后通过IEEE-13节点含分布式电源的仿真算例，验证其优于时间序列法、BP神经网络和标准LSTM。资源包共1个PDF文件，约2.73MB，内容完整呈现论文的摘要、系统框架、算法伪代码与实验对比，适合深度学习与数据研究方向的读者研读。目前已有218人学习，可作为电能质量预测建模、聚类与LSTM融合思路的参考文献与专业指导。
1. 一份把 K-means 和 LSTM 串起来的电能质量预测论文，到底能跑出什么
配电网里做电能质量预测的人，大多经历过这种尴尬：手上攒了几个月甚至一年的监测数据，温度、光照、负荷、电压偏差、谐波畸变率全都有，但真到要预测未来某时段的稳态指标时，用 ARIMA 拟合出来的曲线要么滞后、要么在峰值点直接跑偏。这份《基于聚类LSTM深度学习模型的主动配电网电能质量预测》给出的思路是：别拿全量数据硬训一个 LSTM，先用 K-means 把历史数据按欧式距离聚成几类，再对每一类单独训一个 LSTM，预测时先判断未来工况属于哪一类，再调用对应模型。论文用 IEEE-13 节点含光伏 DG 的仿真算例做了对比，聚类 LSTM 的 RMSE 和 MAE 都优于 ARIMA、BP 和标准 LSTM，48 小时预测里近 70% 的相对误差落在 5% 以内。适合正在做电能质量态势感知、负荷预测或时间序列多变量预测的从业者，尤其是想搞清楚“聚类到底加在哪一步、LSTM 参数怎么设”的人。
2. 聚类 LSTM 预测框架拆解：四个模块和 K 值怎么定
2.1 从数据采集到预测输出的完整链路
论文把整个预测流程拆成四个功能模块，这个拆法本身就值得借鉴，因为它把“数据从哪来、怎么分、怎么训、怎么用”四件事分得很清楚，不会在实现时把预处理和建模搅在一起。
第一个模块是 PQ 数据获取。在含分布式电源的主动配电网里，需要在合适位置布置环境变量监测装置、负荷监测仪和电能质量监测仪，采集较长时间跨度内的光照强度、温度、负荷数据以及对应的电能质量稳态指标项，按相同时间标记关联保存。这里的关键是“相同时间标记”——如果环境数据和电能质量数据的时间戳对不齐，后面聚类出来的类别就是错的。
第二个模块是 PQ 数据聚类。拿到关联历史数据后，先做归一化预处理，然后用轮廓系数法确定最优分类数 K，再用 K-means 把数据按欧式距离分成 K 类。论文里每个时刻的数据被组织成[温度, 光照, 用电负荷, 电能质量指标]的 4 维向量，这个结构直接决定了聚类的输入维度。
第三个模块是 LSTM 模型训练与测试。把每一类数据转成监督学习序列，按 70% 和 30% 划分训练集和测试集，分别构建 LSTM 网络进行训练和性能评估，直到每一类都有自己确定好的预测模型。
第四个模块是 PQ 数据预测。获取未来某时段的环境因素预测数据和负荷预测数据，先判断它属于哪个聚类类别，然后调用对应类别的 LSTM 模型输出电能质量稳态指标项的预测值。
注意：这四个模块的顺序不能乱。我见过有人先把全部数据训一个 LSTM，再拿预测结果去聚类，那是完全反了——聚类必须在训练之前，而且是对输入特征加输出指标一起聚。
2.2 轮廓系数法确定 K 值：为什么是 3 而不是 2 或 4
K-means 最让人头疼的就是 K 值怎么选。论文用的是轮廓系数法，这个方法的逻辑不复杂，但实操时容易算错。
对数据集中的某个样本点 $P_i$，定义其轮廓系数：
$$S_i = \frac{c - a}{\max(a, c)}$$
其中 $a$ 是凝聚度，表示 $P_i$ 与同簇其他样本的平均距离；$c$ 是分离度，表示 $P_i$ 与最近簇中所有样本的平均距离。最近簇的定义是：
$$q = \arg\min \frac{1}{n} \sum |q - P_i|$$
把所有样本的轮廓系数求平均，就得到平均轮廓系数 $\bar{S}$，取值范围在 $[-1, +1]$。簇内样本距离越近、簇间样本距离越远，$\bar{S}$ 越大，聚类效果越好。
论文在 $K \in [2, 8]$ 范围内逐一计算平均轮廓系数，发现当 $K=3$ 时 $\bar{S}$ 最大，所以最优类别数取 3。这个结论不是拍脑袋来的，是算出来的。
实操时用 Python 复现这段逻辑：
import numpy as np from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score from sklearn.preprocessing import MinMaxScaler # 假设 data 是 [温度, 光照, 负荷, 电压偏差] 的 N x 4 矩阵 scaler = MinMaxScaler() data_norm = scaler.fit_transform(data) silhouette_scores = {} for k in range(2, 9): kmeans = KMeans(n_clusters=k, init='k-means++', n_init=10, random_state=42) labels = kmeans.fit_predict(data_norm) score = silhouette_score(data_norm, labels) silhouette_scores[k] = score print(f"K={k}, 平均轮廓系数={score:.4f}") best_k = max(silhouette_scores, key=silhouette_scores.get) print(f"最优类别数 K={best_k}")这段代码里几个参数需要说明。init='k-means++'是让初始聚类中心尽量分散，避免陷入局部最优；n_init=10表示用不同随机种子跑 10 次取最好的结果，因为 K-means 对初始中心敏感；random_state=42是为了结果可复现。归一化用MinMaxScaler把各变量压到 $[0,1]$，这一步不能省——温度和光照的量纲差了好几个数量级，不归一化的话聚类结果会被大数值变量主导。
2.3 LSTM 细胞单元的门控机制与 BPTT+Adam 训练
论文对 LSTM 内部结构的描述比较细，这里只挑实现时真正影响参数设置的部分说。
LSTM 细胞单元包含遗忘门、输入门、输出门三个门控结构。遗忘门以上一个单元输出 $h_{t-1}$ 和本单元输入 $x_t$ 为输入，通过 Sigmoid 函数为上一单元状态 $C_{t-1}$ 的每一项产生一个 $[0,1]$ 内的值，控制遗忘程度：
$$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$$
输入门配合 tanh 函数控制新信息的加入：
$$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$$ $$\tilde{C}t = \tanh(W_C \cdot [h{t-1}, x_t] + b_C)$$ $$C_t = f_t \cdot C_{t-1} + i_t \cdot \tilde{C}_t$$
输出门控制当前单元状态有多少被过滤：
$$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$$ $$h_t = o_t \cdot \tanh(C_t)$$
训练过程用 BPTT 算法加 Adam 梯度优化。BPTT 的四个步骤是：前向计算各细胞输出值、反向计算每个细胞的误差项、根据误差项计算权重梯度、用 Adam 更新权值。Adam 的优势在于适合处理大规模数据和参数、对噪声和稀疏度不敏感，这在电能质量数据里很实用——监测数据里总有缺失值和异常波动。
在 Keras 里搭建这个 LSTM 网络，核心代码大概长这样：
from keras.models import Sequential from keras.layers import LSTM, Dense from keras.optimizers import Adam model = Sequential() # 隐藏层用 50 个 LSTM 细胞，输入维度为 4（温度、光照、负荷、历史PQ指标） model.add(LSTM(50, input_shape=(time_steps, 4), return_sequences=False)) # 全连接输出层，输出 1 个预测值（如电压偏差） model.add(Dense(1)) # 损失函数用 mae，优化器用 adam model.compile(loss='mae', optimizer='adam') model.fit(X_train, y_train, epochs=100, batch_size=32, validation_split=0.1, verbose=1)LSTM(50)里的 50 是隐藏层神经元数量，论文没有明确给出这个值，但根据同类时间序列预测的经验，50 到 128 之间比较常见，数据量小的时候取小一点防止过拟合。input_shape=(time_steps, 4)里的time_steps是时间窗口长度，论文用series_to_supervised()把原始时间序列转成监督学习格式，这个窗口长度需要根据数据采样频率和预测跨度来调。loss='mae'对应论文里的平均绝对误差，optimizer='adam'对应适应性动量估计算法。epochs=100和batch_size=32是常见起点，实际训练时看验证集 loss 曲线来定早停。
3. 从原始数据到预测输出：可复现的完整实现步骤
3.1 数据归一化与反归一化的参数选择
论文用式(9)把温度、光照、用电负荷和电能质量指标项都归算到 $[0,1]$ 之间：
$$X_{norm} = \frac{X - X_{min}}{X_{max} - X_{min}}$$
预测完成后用式(10)反归一化：
$$X = X_{norm} \times (X_{max} - X_{min}) + X_{min}$$
这里有个容易翻车的地方：$X_{max}$ 和 $X_{min}$ 必须用历史数据集里的最大最小值，不能用训练集和测试集各自的最大最小值。如果用测试集自己的极值做反归一化，预测结果会被人为拉回测试集范围，看起来误差很小，实际上模型根本没有预测能力。我一般会把训练集的 min/max 存下来，预测时直接用这组参数做反归一化。
# 保存训练集的归一化参数 train_min = data_train.min(axis=0) train_max = data_train.max(axis=0) # 归一化 data_train_norm = (data_train - train_min) / (train_max - train_min) data_test_norm = (data_test - train_min) / (train_max - train_min) # 预测后反归一化 pred_original = pred_norm * (train_max[target_idx] - train_min[target_idx]) + train_min[target_idx]3.2 监督学习序列构造与训练测试集划分
论文用series_to_supervised()把时间序列转成监督学习格式。这个函数的核心逻辑是：用前 $n$ 个时间步的 $m$ 个特征预测下一个时间步的目标值。比如用过去 24 小时的温度、光照、负荷和电压偏差，预测第 25 小时的电压偏差。
import pandas as pd def series_to_supervised(data, n_in=24, n_out=1, dropnan=True): """ 将时间序列转换为监督学习格式 data: DataFrame 或 array，每列是一个变量 n_in: 输入时间步数 n_out: 输出时间步数 """ n_vars = 1 if type(data) is list else data.shape[1] df = pd.DataFrame(data) cols = [] # 构造输入序列列名 for i in range(n_in, 0, -1): cols.append(df.shift(i)) # 构造输出序列列名 for i in range(0, n_out): cols.append(df.shift(-i)) agg = pd.concat(cols, axis=1) if dropnan: agg.dropna(inplace=True) return agg.valuesn_in=24表示用过去 24 个时间步作为输入，这个值需要根据数据的自相关性和预测跨度来调。论文里一天有 24 组稳态数据，所以取 24 作为输入窗口是合理的。n_out=1表示预测下一个时间步。dropnan=True会删掉因为 shift 产生的 NaN 行，这是必须的，否则训练时会报错。
数据分割按时间顺序取前 70% 做训练集、后 30% 做测试集。注意不能随机打乱——时间序列的先后顺序本身就是信息，打乱之后 LSTM 学到的时序依赖就是假的。
3.3 分类训练与预测调用的完整流程
论文表 1 给出了聚类 LSTM 预测算法的伪代码，翻译成可执行的 Python 逻辑：
# 第一步：读取历史数据并归一化 data_norm = normalize(raw_data) # 第二步：轮廓系数法确定最优 K best_k = find_optimal_k(data_norm, k_range=range(2, 9)) # 第三步：K-means 聚类 kmeans = KMeans(n_clusters=best_k, init='k-means++', n_init=10, random_state=42) labels = kmeans.fit_predict(data_norm) # 第四步：对每一类分别训练 LSTM models = {} for i in range(best_k): class_data = data_norm[labels == i] # 转监督学习格式 supervised = series_to_supervised(class_data, n_in=24, n_out=1) # 按 70/30 划分 train_size = int(len(supervised) * 0.7) train, test = supervised[:train_size], supervised[train_size:] X_train, y_train = train[:, :-1], train[:, -1] X_test, y_test = test[:, :-1], test[:, -1] # 重塑为 LSTM 需要的 3D 输入 X_train = X_train.reshape((X_train.shape[0], 24, 4)) X_test = X_test.reshape((X_test.shape[0], 24, 4)) # 构建并训练 LSTM model = build_lstm_model(time_steps=24, n_features=4) model.fit(X_train, y_train, epochs=100, batch_size=32, verbose=0) models[i] = model # 第五步：预测时先判断类别再调用对应模型 future_data_norm = normalize(future_data) future_label = kmeans.predict(future_data_norm) pred = models[future_label[0]].predict(future_X) pred_original = inverse_normalize(pred, train_min, train_max)这段代码里最关键的是第五步——预测时不能直接拿未来数据去调模型，必须先判断它属于哪个聚类类别。判断方法是用训练好的 K-means 模型对未来的环境因素和负荷数据做predict，得到类别标签后再调用对应的 LSTM。如果未来数据跨越了多个类别，就需要分段预测再拼接。
3.4 性能评估指标 RMSE 与 MAE 的计算
论文用均方根误差和平均绝对误差来评估预测性能：
$$RMSE = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y}_i)^2}$$
$$MAE = \frac{1}{N} \sum_{i=1}^{N} |y_i - \hat{y}_i|$$
from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np rmse = np.sqrt(mean_squared_error(y_true, y_pred)) mae = mean_absolute_error(y_true, y_pred) print(f"RMSE: {rmse:.4f}, MAE: {mae:.4f}")论文的对比结果里，聚类 LSTM 的 RMSE 平均为 5.59，MAE 平均为 4.40；标准 LSTM 的 RMSE 平均为 6.62，MAE 平均为 5.40；BP 网络最差，RMSE 平均 9.61，MAE 平均 7.66；ARIMA 的 RMSE 平均 8.37，MAE 平均 6.75。聚类 LSTM 比标准 LSTM 的 RMSE 降低了约 15.6%，这个提升幅度在电能质量预测场景里是有实际意义的。
4. 避坑与排查：聚类 LSTM 落地时最容易翻车的五个地方
4.1 聚类前不归一化，K-means 被大数值变量带偏
现象：聚类结果里某一类样本数特别多，其他类样本极少，LSTM 训练时某一类数据不够导致模型欠拟合。
原因：温度可能在 10 到 40 之间，光照强度可能在 0 到 4000 之间，负荷可能在 0 到 5000 之间，量纲差了两三个数量级。K-means 用欧式距离算相似度，数值大的变量会主导距离计算，聚类结果实际上只反映了负荷的分布，温度和光照的信息被淹没了。
解决：聚类前必须对每个变量单独做归一化，把所有变量压到 $[0,1]$ 或标准化到均值为 0、方差为 1。论文里明确写了“在进行归一化预处理后”再做聚类，这一步不能省。
4.2 训练集和测试集随机划分，时序信息泄漏
现象：测试集上的 RMSE 很低，但拿实际未来数据预测时误差很大。
原因：用train_test_split随机划分时间序列数据，会把未来时刻的数据混进训练集，LSTM 在训练时已经“看到”了未来信息，测试集评估结果虚高。
解决：按时间顺序划分，前 70% 做训练、后 30% 做测试。论文里明确写了“按照时间顺序划分为训练集与测试集”，这是时间序列预测的基本纪律。
4.3 预测时忘记判断聚类类别，直接调用单一模型
现象：预测结果在某些时段误差突然变大，但模型在测试集上表现正常。
原因：未来工况可能属于不同的聚类类别，如果只用其中一个类别的 LSTM 模型做预测，遇到其他类别的工况时预测性能会明显下降。
解决：预测前先用训练好的 K-means 模型对未来的环境因素和负荷数据做类别判断，再调用对应类别的 LSTM。如果未来数据跨越多个类别，需要分段预测。
4.4 LSTM 输入维度与series_to_supervised输出不匹配
现象：model.fit()时报错，提示输入维度不对。
原因：series_to_supervised返回的是 2D 数组，但 Keras 的 LSTM 层需要 3D 输入(samples, time_steps, features)。很多人忘了 reshape 这一步。
解决：在fit之前加X_train = X_train.reshape((X_train.shape[0], time_steps, n_features))。time_steps要和series_to_supervised里的n_in一致，n_features是变量个数。
4.5 反归一化用错极值，预测结果被“压缩”
现象：预测曲线看起来太平滑，波动幅度明显小于实际值。
原因：反归一化时用了测试集或预测数据自己的最大最小值，而不是训练集的极值。这样会把预测值强行拉回一个很小的范围，看起来误差小，实际上模型没有预测能力。
解决：归一化和反归一化必须用同一组极值，也就是训练集的最大最小值。把这组参数存下来，预测时直接调用。
5. 进阶技巧：用滑动窗口和场景聚类把预测精度再推一步
论文在结论里提到，后续可以按季节、节假日、天气类型等不同场景进行更合理的聚类划分。这个方向在实际项目里比论文里的基础版更实用，因为电能质量的季节性差异和天气敏感性都很明显。
我一般会做两件事。第一件是把固定窗口改成滑动窗口。论文里用 24 个时间步做输入，但如果数据采样频率更高，比如 15 分钟一个点，一天就是 96 个点，这时候用 96 做输入窗口比 24 更合理。滑动窗口的代码实现：
def sliding_window(data, window_size, step=1): """ 生成滑动窗口样本 data: 归一化后的时间序列 window_size: 窗口长度 step: 滑动步长 """ X, y = [], [] for i in range(0, len(data) - window_size, step): X.append(data[i:i + window_size, :-1]) # 输入特征 y.append(data[i + window_size, -1]) # 目标值 return np.array(X), np.array(y)window_size根据数据采样频率和预测跨度来定，step控制窗口滑动步长，取 1 表示逐点滑动，取大于 1 的值可以降采样减少计算量。
第二件事是按场景分别聚类。比如先按季节把数据分成四组，每组内部再用轮廓系数法确定 K 值做 K-means，然后每组单独训 LSTM。这样做的代价是模型数量变多、训练时间变长，但预测精度通常能再提升一截。论文里 48 小时预测中聚类 LSTM 有 67% 的相对误差在 5% 以内，按场景细分后这个比例还能往上走。
验证方法上，我习惯用滚动预测的方式做交叉验证：用前 3 个月数据训模型，预测第 4 个月；再用前 4 个月训模型，预测第 5 个月，以此类推。这样能看出模型在不同时间段的稳定性，比单次划分训练集测试集更有说服力。
从那以后我每次做时间序列预测项目，都强制走一遍“先归一化、再按时间划分、聚类后分类训练、预测前判类别”的流程，少一步都可能在后期的实际部署里翻车。希望帮到你。
本文还有配套的精品资源，点击获取
