[發(fā)明專利]一種冷負荷預測的情景-聚類方法

有效

• 申請?zhí)枺?/td>: 201310445573.0
• 申請日: 2013-09-27
• 公開（公告）號: CN103699771A
• 公開（公告）日: 2014-04-02
• 發(fā)明（設計）人: 文元美;陳彥宇
• 申請（專利權(quán)）人: 廣東工業(yè)大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種冷負荷預測的情景-聚類方法，其特征在于包括如下步驟：

1）生成情景聚類條件；

2）基于先驗知識的情景粗聚類；

3）基于智能算法的自動情景細聚類；

4）根據(jù)細聚類結(jié)果生成情景分類器；

5）根據(jù)細聚類結(jié)果生成針對性的有監(jiān)督學習預測模型；

6）利用分類器和針對性的預測模型進行冷負荷預測。

2.根據(jù)權(quán)利要求1所述的冷負荷預測的情景-聚類方法，其特征在于上述步驟1）所述的生成情景聚類條件為利用冷負荷歷史數(shù)據(jù)集生成情景聚類條件。

3.根據(jù)權(quán)利要求2所述的冷負荷預測的情景-聚類方法，其特征在于上述情景聚類條件選取最高和最低溫度、最高和最低濕度、節(jié)假日情況、使用情況共6個屬性作為冷負荷的屬性。

4.根據(jù)權(quán)利要求1所述的冷負荷預測的情景-聚類方法，其特征在于上述步驟2）所述的基于先驗知識的情景粗聚類為使用常識、先驗知識、資料進行情景粗聚類。

5.根據(jù)權(quán)利要求1所述的冷負荷預測的情景-聚類方法，其特征在于上述步驟3）所述的基于智能算法的自動情景細聚類為一個迭代尋優(yōu)的過程，包括智能算法自動情景聚類，情景聚類有效性指標評估，通過對上述兩步的迭代，最終確定最佳情景聚類數(shù)和聚類結(jié)果。

6.根據(jù)權(quán)利要求5所述的冷負荷預測的情景-聚類方法，其特征在于上述的智能算法自動情景聚類為使用智能算法，在粗聚類的基礎上，自動地確定情景聚類數(shù)，把所有的冷負荷歷史數(shù)據(jù)都進行聚類，確定相應的聚類結(jié)果。

7.根據(jù)權(quán)利要求4所述的冷負荷預測的情景-聚類方法，其特征在于上述情景聚類有效性指標評估為使用情景聚類相關的指標判斷情景聚類數(shù)和聚類結(jié)果的有效性和最優(yōu)性。

8.根據(jù)權(quán)利要求1所述的冷負荷預測的情景-聚類方法，其特征在于上述步驟4）所述的根據(jù)細聚類結(jié)果生成情景分類器為根據(jù)細聚類結(jié)果確定的聚類中心數(shù)和聚類情況，設計情景分類器。

9.根據(jù)權(quán)利要求1所述的冷負荷預測的情景-聚類方法，其特征在于上述步驟5）所述的根據(jù)細聚類結(jié)果生成針對性的有監(jiān)督學習預測模型為根據(jù)細聚類結(jié)果確定的聚類情況，分析每一類的特性，并根據(jù)特征選取相應的有監(jiān)督學習預測模型并訓練。

10.根據(jù)權(quán)利要求1所述的冷負荷預測的情景-聚類方法，其特征在于上述步驟6）利用分類器和針對性的預測模型進行冷負荷預測的方法是：首先把待預測數(shù)據(jù)輸入到情景分類器中，對數(shù)據(jù)進行情景分析，然后再把數(shù)據(jù)輸入到情景對應的已訓練好的有監(jiān)督學習預測模型中，得出最后的冷負荷預測值。