[發明專利]一種冷負荷預測的情景-聚類方法

有效

• 申請號: 201310445573.0
• 申請日: 2013-09-27
• 公開（公告）號: CN103699771A
• 公開（公告）日: 2014-04-02
• 發明（設計）人: 文元美;陳彥宇
• 申請（專利權）人: 廣東工業大學
• 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

技術領域

本發明涉及一種基于數據挖掘、聚類分析的預測方法，具體涉及一種冷負荷預測的情景-聚類方法。

背景技術

目前的冷負荷預測主要是使用有監督學習的預測方法，如人工神經網絡、支持向量機等，這些方法都是基于統計回歸的理論。在實際工程中，通常都是選用一種有監督學習的預測模型，如BP人工神經網絡、RBF人工神經網絡或者支持向量機，然后把所有收集到的冷負荷歷史數據集輸入到模型中，對模型進行訓練，最后把待預測數據輸入到模型中，即可進行冷負荷的預測。

基于單個有監督學習方法的冷負荷預測模型對于特定的冷負荷數據情況有較好的效果，但不是所有情況的都適用。例如，有些預測模型要求數據的平穩性較高，有些預測模型可以適用于波動性較大的數據。因此，基于單個有監督學習方法的冷負荷預測模型的實用性不高，推廣能力不強，無法適應多種情況，這也導致了預測的準確度和精度不高，訓練模型的時間過長等問題。

情景分析的思想是把冷負荷的相關條件分別設置若干情景，并列出相應的特點，通過分析不同情景的特點預測冷負荷。上海世博園區的冷負荷預測就是通過情景分析的方法實現的。但是現在使用的情景分析都是依據大量的歷史數據收集，然后通過個人的經驗得到情景劃分結果，這將導致情景劃分的不準確，不利于接下來的冷負荷預測。

綜上所述,現有的有監督學習冷負荷預測模型存在如下問題：①預測準確度和精度不夠高；②單個有監督學習冷負荷預測模型對數據有較高要求，模型對數據的不適應將造成預測誤差的增大；③由于使用全部的歷史數據對模型進行訓練，因此模型訓練和預測的時間會很長；④利用情景分析法能對冷負荷歷史數據進行處理，但大部分是通過人為的經驗而得到的情景劃分，這將造成情景劃分的不準確，因此有必要對現有的情景劃分聚類進行進一步的改進，并使其與多種有監督學習冷負荷預測模型相結合。

發明內容

為了解決上述存在的問題與缺陷，本發明提供了一種能有效提高有監督學習預測模型準確度和精度，縮短訓練與預測時間的基于情景-聚類的冷負荷預測的情景-聚類方法。本發明實現簡單，可用于一個房間、樓層、單個建筑物甚至是城市區域，實用性高，泛化能力和推廣能力強。

本發明通過以下技術方案實現：

本發明的冷負荷預測的情景-聚類方法，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）根據細聚類結果生成情景分類器；

5）根據細聚類結果生成針對性的有監督學習預測模型；

6）利用分類器和針對性的預測模型進行冷負荷預測。

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據集生成情景聚類條件。

上述情景聚類條件選取最高和最低溫度、最高和最低濕度、節假日情況、使用情況共6個屬性作為冷負荷的屬性。

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。

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和聚類結果。

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，把所有的冷負荷歷史數據都進行聚類，確定相應的聚類結果。

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和聚類結果的有效性和最優性。

上述步驟4）所述的根據細聚類結果生成情景分類器為根據細聚類結果確定的聚類中心數和聚類情況，設計情景分類器。

上述步驟5）所述的根據細聚類結果生成針對性的有監督學習預測模型為根據細聚類結果確定的聚類情況，分析每一類的特性，并根據特征選取相應的有監督學習預測模型并訓練。

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：首先把待預測數據輸入到情景分類器中，對數據進行情景分析，然后再把數據輸入到情景對應的已訓練好的有監督學習預測模型中，得出最后的冷負荷預測值。

與現有技術相比，本發明的優點和效果在于構造了情景聚類——有監督學習預測模型，利用情景聚類對冷負荷相關歷史數據進行情景聚類處理，并根據各個情景的特點選擇不同的有監督學習預測模型并訓練，實現對有監督學習預測模型的優化并最終實現冷負荷的預測。本發明所提供的技術方案的積極效果是：