[發明專利]基于模糊C均值聚類的TVF-EMD-MCQRNN負荷概率預測方法

有效

• 申請號: 202011021199.8
• 申請日: 2020-09-25
• 公開（公告）號: CN112183846B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 何耀耀;張婉瑩;王云;肖經凌;周京京
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于模糊C均值聚類的TVF-EMD-MCQRNN負荷概率預測方法，其特征在于：包括以下步驟：

步驟1.獲取電力負荷數據及其影響因子并進行預處理，從而得到預處理后的數據集Dataset＝{[G_m(t),P(t)]|t＝1,2,..., T ′；m＝1,2,...,M}，包括：預處理后的電力負荷{P(t)|t＝1,2,..., T ′}和電力負荷的M個影響因子{G_m(t)|m＝1,2,...,M；t＝1,2,...,T ′}，其中，P(t)和G_m(t)分別為第t個時刻點的電力負荷及相應第t個時刻點的第m個影響因子；T′表示時刻點的個數，M表示電力負荷影響因子的種類數；

步驟2.設定時間間隔為s個時刻點，對所述預處理后的數據集Dataset進行分組，從而得到I組樣本數據，且I滿足[T′/s]，其中，第i組樣本數據表示為Dataset_i＝[G′_m(i),P′(i)]，G′_m(i)＝(G_m(s×(i-1)+1),G_m(s×(i-1)+2),…,G_m(s×i))^T為第i組樣本數據的第m個影響因子，G_m(s×i)表示在第s×i個時刻點的第m個影響因子，P′(i)＝(P(s×(i-1)+1),P(s×(i-1)+2),...,P(s×i))^T為第i組樣本數據的電力負荷；P(s×i)表示在第s×i個時刻點的電力負荷，i＝1,2,...,I；

步驟3.對I組樣本數據{Dataset_i|i＝1,2,...,I}劃分為訓練集Train＝{Dataset_i|i＝1,2,...,p}和測試集Test＝{Dataset_i|i＝p+1,p+2,...,I}，則訓練集Train中含有p組樣本數據，測試集Test中含有I-P組樣本數據；

使用模糊C均值聚類法分別對訓練集Train和測試集Test進行聚類得到K類樣本數據，包括：K類訓練集樣本{Train_k|k＝1,2,...,K}和K類測試集樣本{Test_k|k＝1,2,...,K}；表示第k類的訓練集，A_k為訓練集Train的p組樣本數據中屬于第k類訓練集的樣本數據的序號集合，表示第k類樣本數據中第i組的第m個影響因子，P^k(i)表示第k類樣本數據中第i組的電力負荷，為第k類的測試集；B_k為測試集Test的I-P組樣本數據中屬于第k類測試集的樣本數據的序號集合；

步驟4.利用K類訓練集樣本{Train_k|k＝1,2,...,K}和K類測試集樣本{Test_k|k＝1,2,...,K}分別對TVF-EMD-MCQRNN模型進行訓練和測試：

步驟4.1.對第k類的訓練集Train_k和第k類的測試集Test_k中的電力負荷{P^k(i)|i∈A_k∪B_k} 進行TVF-EMD分解獲得N個本征模態分量其中，表示對第k類的訓練集Train_k和第k類的測試集Test_k進行TVF-EMD分解得到的第n個本征模態分量的第i組數據；則將第k類的訓練集Train_k和測試集Test_k分別更新為和

步驟4.2.將更新后的第k類訓練集Train′_k中第n個負荷本征模態分量作為第k類訓練集Train′_k的響應變量，第k類訓練集Train′_k剩余的M個負荷影響因子及N-1個負荷分量的組合作為第k類訓練集Train′_k的解釋變量，從而構建N個包含有M+N-1個解釋變量和一個響應變量的數據集，記作其中，表示更新后的第k類訓練集Train′_k中構建的第n個數據集的第i組解釋變量；且是更新后的第k類訓練集Train′_k中構建的第n個數據集的第i組的第α個解釋變量，是更新后的第k類訓練集Train′_k中構建的第n個數據集的第i組響應變量；

同理對更新后的第k類測試集Test′_k也構建出N個包括M+N-1個解釋變量和一個響應變量的數據集，記作其中，是更新后的第k類測試集Test′_k中構建的第n個數據集的第i組解釋變量，是更新后的第k類測試集Test′_k中構建的第n個數據集的第i組響應變量；

步驟4.3將第α個解釋變量分為兩組解釋變量：和其中，Q為第α個解釋變量中具有單調遞增關系的解釋變量的序號集合，L為解釋變量中無單調約束的解釋變量的序號集合，從而利用更新后的第k類訓練集Train′_k中構建的第n個數據集對如式(1)所示單調復合分位數回歸神經網絡MCQRNN預測模型進行訓練，從而得到訓練后的MCQRNN預測模型；

式(1)中，h₁(·)表示隱含層的激活函數，h₂(·)表示輸出層的激活函數；代表第z個分位點，且z＝1,2,…,Z，Z為分位點的數量；J為隱含層節點的個數，b′和b分別是隱含層和輸出層的截距項，權向量U^k,n(τ_z)表示更新后的第k類訓練集Train′_k中的第n個數據集在第z個分位點τ_z下的連接輸入層和隱含層的權向量集合，并有：

式(2)中，表示更新后的第k類訓練集Train′_k中的第n個數據集在第q個輸入層節點與第j個隱含層節點之間的權重，表示更新后的第k類訓練集Train′_k中的第n個數據集在第l個輸入層節點與第j個隱含層節點之間的權重，并有：

式(3)中，V^k,n(τ_z)表示更新后的第k類訓練集Train′_k中的第n個數據集在第z個分位點τ_z下的連接隱含層與輸出層之間的權向量集合，其中，表示更新后的第k類訓練集Train′_k中的第n個數據集在第j個隱含層節點與輸出層之間的權重；

通過式(4)對式(1)進行優化求解，從而得到權重參數集合U^k,n(τ_z)和V^k,n(τ_z)的估計值和

式(4)中，R為更新后的第k類訓練集Train′_k中序號集合A_k的序號數量，是損耗函數；

步驟4.4.將更新后的第k類測試集Test′_k中構建的N個數據集中的第i組解釋變量輸入所述訓練后的MCQRNN預測模型中，從而得到更新后的K類測試集中N個數據集分別在Z個分位點下的條件分位數其中，表示更新后的第k類測試集Test′_k中構建的第n個數據集在第z個分位點τ_z下的條件分位數預測結果；和分別表示權向量集合U^k,n(τ_z)和V^k,n(τ_z)的估計值；

步驟5.利用式(5)將更新后的第k類測試集Test′_k中在相同分位點下的條件分位數預測結果相加，從而得到第i組樣本數據Dataset_i在第z個分位點下的條件分位數最終預測結果進而得到第i組樣本數據Dataset_i在Z個分位點下的條件分位數最終預測結果

步驟6.將Z個分位點下的條件分位數最終預測結果作為Epanechnikov核函數的輸入變量；利用式(6)計算更新后的第k類測試集Test′_k中任意一點r的電力負荷概率密度預測結果

式(8)中，光滑參數d為帶寬，C(·)為Epanechnikov核函數。