[發(fā)明專利]基于極限學(xué)習(xí)機(jī)與負(fù)荷密度指標(biāo)法的空間負(fù)荷預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010187522.2
• 申請(qǐng)日: 2020-03-17
• 公開(kāi)（公告）號(hào): CN111401638A
• 公開(kāi)（公告）日: 2020-07-10
• 發(fā)明（設(shè)計(jì)）人: 彭鵬;邵宇鷹;羅瀟;李堅(jiān);韓靜
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)上海市電力公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06K9/62;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 上海元好知識(shí)產(chǎn)權(quán)代理有限公司 31323
• 代理人: 徐雯瓊;章麗娟

1.一種基于極限學(xué)習(xí)機(jī)與負(fù)荷密度指標(biāo)法的空間負(fù)荷預(yù)測(cè)方法，其特征在于，該方法包含以下步驟：

根據(jù)用電類型將電力負(fù)荷進(jìn)行分類，并確定每類負(fù)荷的一個(gè)或多個(gè)影響因素；

根據(jù)每類負(fù)荷的影響因素，選取影響因素對(duì)應(yīng)的樣本數(shù)據(jù)作為訓(xùn)練樣本；

采用基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)算法的回歸模型建立空間負(fù)荷預(yù)測(cè)模型，將選取的所述訓(xùn)練樣本為回歸模型的輸入以訓(xùn)練回歸模型，負(fù)荷密度ρ_i為回歸模型的輸出，并利用粒子群優(yōu)化算法對(duì)極限學(xué)習(xí)機(jī)算法的回歸模型的變量參數(shù)進(jìn)行優(yōu)化；

將求出的各類負(fù)荷密度ρ_i乘以小區(qū)的面積S_i，得到每個(gè)小區(qū)的負(fù)荷值W_i，結(jié)合每個(gè)小區(qū)的同時(shí)系數(shù)求出待預(yù)測(cè)區(qū)的空間負(fù)荷預(yù)測(cè)結(jié)果。

2.如權(quán)利要求1所述的空間負(fù)荷預(yù)測(cè)方法，其特征在于，

還包含：利用FCM聚類算法，將每類負(fù)荷再細(xì)分為多個(gè)小類，求出每一小類的聚類中心矩陣；對(duì)于給定的待預(yù)測(cè)地的特性指標(biāo)，求出與各小類的聚類中心的歐式距離，選取歐式距離最小的一小類樣本作為所述訓(xùn)練樣本。

3.如權(quán)利要求2所述的空間負(fù)荷預(yù)測(cè)方法，其特征在于，

FCM聚類算法對(duì)給定的任一類負(fù)荷的N個(gè)樣本數(shù)據(jù)X＝{x₁,x₂,…,x_N}進(jìn)行聚類分析，得到N個(gè)負(fù)荷密度ρ_i；

根據(jù)負(fù)荷密度ρ_i將N個(gè)樣本數(shù)據(jù)細(xì)分為C個(gè)小類，將滿足預(yù)設(shè)條件的數(shù)據(jù)樣本歸為一小類，求出每一小類的聚類中心矩陣，V＝{v₁,v₂,…,v_c}是C個(gè)聚類中心；C的數(shù)值是預(yù)先設(shè)定，并設(shè)定迭代停止條件ε，同時(shí)初始化聚類中心V＝V⁽⁰⁾，設(shè)置迭代計(jì)數(shù)器t＝0，模糊權(quán)重指數(shù)m＝0；

計(jì)算模糊隸屬度矩陣U^(t)，u_ij是U^(t)中第i行第j列的元素，u_ij通過(guò)公式(1)得到：

式(1)中，u_ij為樣本x_i隸屬于第j類的模糊隸屬度，0≤u_ij≤1，d_ik表示樣本x_i到第k類聚類中心v_k的歐式距離；d_ij表示樣本x_i到第j類聚類中心v_j的歐式距離，d_ij通過(guò)公式(2)得到：

FCM聚類算法中的目標(biāo)函數(shù)為：

||V^(t)-V^(t+1)||＜ε (3)；

式(3)中，ε表示迭代停止條件；t表示迭代次數(shù)；V^(t)表示聚類中心矩陣，通過(guò)公式(4)得到：

式(4)中，則表示第t+1迭代第j列的元素；N表示樣本個(gè)數(shù)；表示第i個(gè)樣本在第t次迭代中屬于第j類樣本的隸屬度大小。

4.如權(quán)利要求1～3中任意一項(xiàng)所述的空間負(fù)荷預(yù)測(cè)方法，其特征在于，極限學(xué)習(xí)機(jī)算法的輸入層神經(jīng)元個(gè)數(shù)、隱含層神經(jīng)元個(gè)數(shù)以及輸出層神經(jīng)元個(gè)數(shù)預(yù)先設(shè)定；

極限學(xué)習(xí)機(jī)算法模型未知的參數(shù)變量是輸入層與隱含層之間的連接權(quán)重w和隱含層神經(jīng)元閾值b，激勵(lì)函數(shù)采用Sigmoid函數(shù)；

粒子群優(yōu)化算法通過(guò)粒子群的不斷迭代，找到極限學(xué)習(xí)機(jī)算法模型最優(yōu)的輸入層與隱含層之間的連接權(quán)重w和隱含層神經(jīng)元閾值b，使得極限學(xué)習(xí)機(jī)算法的回歸模型的目標(biāo)函數(shù)最小，用以滿足目標(biāo)預(yù)測(cè)精度要求且輸出空間預(yù)測(cè)模型的最優(yōu)參數(shù)。