[發(fā)明專利]基于差異化建模的校園用電量預(yù)測建模方法

在審

• 申請?zhí)枺?/td>: 201811296952.7
• 申請日: 2018-11-01
• 公開（公告）號: CN109508820A
• 公開（公告）日: 2019-03-22
• 發(fā)明（設(shè)計）人: 楊冰芳;李海英;張巍;田穎;申偉偉
• 申請（專利權(quán)）人: 上海理工大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 上海天協(xié)和誠知識產(chǎn)權(quán)代理事務(wù)所 31216
• 代理人: 沈國良

1.一種基于差異化建模的校園用電量預(yù)測建模方法，其特征在于本方法包括如下步驟：

步驟一、獲取待測校園所在地的天氣狀況，通過校歷獲取是否節(jié)假日，通過校園電網(wǎng)獲取歷史用電量作為原始數(shù)據(jù)集；

步驟二、采用因子分析法將天氣狀況量化，以便搭建模型時作為參數(shù)使用；

步驟三、原始數(shù)據(jù)集存在由于設(shè)備記錄或者用電行為突然變更而導(dǎo)致的不良數(shù)據(jù)，采用基于FCM聚類算法和分化距離方法對原始數(shù)據(jù)集進(jìn)行不良數(shù)據(jù)辨識，篩除孤立數(shù)據(jù)和不良數(shù)據(jù)，確定訓(xùn)練集數(shù)據(jù)庫；

步驟四、為減少噪聲數(shù)據(jù)的干擾，選擇更加有利的建模點(diǎn)，再次采用FCM聚類算法對訓(xùn)練集進(jìn)行分類，產(chǎn)生子訓(xùn)練集；

步驟五、利用Lazy Learning算法，在子訓(xùn)練集中通過k-vnn計算訓(xùn)練集中數(shù)據(jù)點(diǎn)與待預(yù)測點(diǎn)之間的歐式距離，選取距離最近的k個數(shù)據(jù)點(diǎn)作為建模點(diǎn)，通過回歸模型擬合k個建模點(diǎn)，對校園用電量建立預(yù)測建模，預(yù)測待預(yù)測點(diǎn)的用電量。

2.根據(jù)權(quán)利要求1所述的基于差異化建模的校園用電量預(yù)測建模方法，其特征在于：所述FCM聚類算法對數(shù)據(jù)庫數(shù)據(jù)進(jìn)行處理，根據(jù)天氣狀況、是否節(jié)假日、最高溫度、最低溫度四個特征，獲得用電量分類；分化距離方法對經(jīng)FCM聚類算法得到的用電量分類計算，分別計算各類別中任意兩個數(shù)據(jù)點(diǎn)x_i和x_j之間的實(shí)際歐式距離D(i,j)和最大距離distance_max，選取一個[0,1]內(nèi)的數(shù)值作為分化度μ，對全部D(i,j)進(jìn)行分化計算，即放大數(shù)據(jù)對象之間的距離，得到處理后x_i和x_j之間的分化距離為r(i,j)，其數(shù)學(xué)表達(dá)式為：

比較D(i,j)與distance_max的比值并與μ比較，若比值小于μ，則縮小比值使得分化距離小于實(shí)際距離；反之，放大分化距離；比值和μ的差值與分化距離呈斜率增大的反比趨勢，即差值越大，其分化距離越小；差值越小，其分化距離越大；通過分化處理，聚類中關(guān)聯(lián)性大的數(shù)據(jù)更加緊密，同時分離具有差異性的數(shù)據(jù)，使得離群點(diǎn)距離正常值更遠(yuǎn)，達(dá)到兩極分化的目的。

3.根據(jù)權(quán)利要求1或2所述的基于差異化建模的校園用電量預(yù)測建模方法，其特征在于：所述不良數(shù)據(jù)辨識假設(shè)經(jīng)FCM聚類算法處理的數(shù)據(jù)集質(zhì)心到所有數(shù)據(jù)點(diǎn)距離的平均距離為A_distance，定義R代表數(shù)據(jù)對象周圍范圍的大小，即平均距離占最大距離的比值經(jīng)過分化度處理后的數(shù)值，

則

對象周圍的鄰居密度即該對象R范圍內(nèi)其他數(shù)據(jù)點(diǎn)的個數(shù)，當(dāng)鄰居點(diǎn)個數(shù)小于設(shè)定數(shù)目K_num,則認(rèn)為是離群數(shù)據(jù)，即不良數(shù)據(jù)點(diǎn)。

4.根據(jù)權(quán)利要求3所述的基于差異化建模的校園用電量預(yù)測建模方法，其特征在于：根據(jù)式(1)和式(2)，比較r(i,j)和R的關(guān)系，判斷對象鄰居點(diǎn)的個數(shù)，其算法步驟如下：

1)輸入聚類所得數(shù)據(jù)集，分化度μ，最少鄰居數(shù)K_num；

2)計算聚類各類別中質(zhì)心及A_distance；

3)計算數(shù)據(jù)集距離R₁和數(shù)據(jù)對象x_i的分化距離r₁(i,j)。

R₁＝μ·A_distance (3)

4)比較r₁(i,j)與R₁的關(guān)系，若r₁(i,j)＜R₁，則x_i的鄰居點(diǎn)數(shù)目K加1，一旦K>Knum，中斷該數(shù)據(jù)對象進(jìn)入下一個數(shù)據(jù)對象的K計算，否則遍歷所有鄰居點(diǎn)數(shù)目；

5)不滿足K>Knum的數(shù)據(jù)對象作為不良數(shù)據(jù)剔除。