[發明專利]基于自適應特征權重的智慧城市電力負荷估計方法

有效

• 申請號: 202011236197.0
• 申請日: 2020-11-09
• 公開（公告）號: CN112308327B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 周洪成
• 申請（專利權）人: 金陵科技學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/0637;G06Q10/0639;G06Q50/06;G06N3/0475
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.基于自適應特征權重的智慧城市電力負荷估計方法，具體步驟如下，其特征在于：

步驟1，獲取實驗標定數據：收集被測區域GDP，人口總數，氣溫均值，對外貿易出口額，對外貿易進口額，平均降水量的時序數據，把不同時序數據當作電力負荷估計的特征，組成特征數據矩陣；

步驟1中的特征數據矩陣表示為：

;

其中，G_i表示地區i?時刻的GDP值，P_i表示該地區i時刻的人口總數，T_i表示該地區i時刻的氣溫均值，O_i表示該地區i時刻的對外貿易出口額，I_i表示該地區i時刻的對外貿易進口額，R_i表示該地區i時刻的平均降水量，同時為每組特征數據矩陣貼上標簽E_i，E_i表示該地區i時刻的電力負荷值;

步驟2，自適應特征權重標定：計算各個特征對于電力負荷估計的重要性權重，通過Sigmoid激活函數對重要性權重進行歸一化操作生成特征權重，并對特征重新標定；

步驟2中自適應特征權值的計算過程表示為：

將特征數據矩陣D?和電力負荷值?組合成訓練數據集?；

步驟2.1初始化特征重要性權重??為特征個數；

步驟2.2在訓練集中隨機選出一個電力負荷值E;

步驟2.3在訓練集中找出k個和E最近鄰的特征;

步驟2.4在訓練集中找出?k個和E不同類的最近鄰特征;

步驟2.5計算特征重要性權重：

;

式中?表示第C類特征的概率；表示E?所屬的電力負荷值類別；m是樣本個數；表示樣本R₁?和樣本?R₂在特征A上的差：

;

重復步驟2.2至步驟2.5可得每個特征的重要性權重;

通過Sigmoid激活函數對進行歸一化操作生成的權重;

;

將特征和權重相乘獲得特征加權后的特征輸出;

;

步驟3，訓練回聲狀態網絡：將重新標定的特征數據當作回聲狀態網絡的輸入，對應的電力負荷作為網絡的輸出，訓練回聲狀態網絡模型；

步驟3中訓練回聲狀態網絡具體描述為：

將重新標定過的特征數據替換原來的特征數據D，得到新的訓練樣本;

步驟3.1初始化網路，將訓練樣本通過輸入連接權值矩陣?進入儲備池，經過反饋連接權值?進入儲備池，并根據下式的順序采集系統狀態和輸出狀態：

;

其中，是初始值為0的系統參數，為儲備池節點的激勵函數，為儲備池輸出單元的激勵函數，W表示儲備池內部神經元的連接權值矩陣，?表示輸出值矩陣；

步驟3.2計算輸出值矩陣：

;

其中，K是輸入層的神經元個數，N?是儲備池神經元的個數，L是輸出層神經元個數，表示正則化因子，?表示歐式距離；

步驟4，估計未知電力負荷：對于未知電力負荷的特征數據矩陣，按步驟2獲取特征權重重新標定的特征數據，并送入已訓練的回聲狀態網絡中，獲得未知電力負荷值；

步驟4中估計未知電力負荷具體描述為：

對于未知電力負荷值的估計，按照步驟1和步驟2提取重新標定后的特征，送入已訓練完成的回聲狀態網絡中，計算網絡的電力負荷估計值;

;

其中，?是的第j個值；

步驟5，將訓練獲得的回聲狀態網絡模型嵌入處理器中，并實際應用。