[发明专利]基于层次聚类和神经网络的负荷预测输入特征筛选方法

权利要求书

1.基于层次聚类和神经网络的负荷预测输入特征筛选方法，其特征在于，包括以下步骤：

1)对负荷预测的原始数据进行层次聚类分析，得到负荷预测输入数据的有层次的嵌套聚类树；

2)根据层次聚类中的簇间距离确定建筑负荷预测输入参数聚类簇个数；

3)利用神经网络对每一类的数据中不同参数的预测效果进行判断，剔除预测较差的参数，得到优化的负荷预测输入特征集。

2.根据权利1所述的基于层次聚类和神经网络的负荷预测输入特征筛选方法，其特征在于，所述层次聚类采用“自底向上”的聚合策略，将数据集中每一个样本看作一个初始聚类簇，每一步聚合将距离最近的两个聚类簇进行合并，不断重复直到聚合为一个聚类簇。

3.根据权利2所述的基于层次聚类和神经网络的负荷预测输入特征筛选方法，其特征在于，所述距离函数采用欧氏距离函数，表达式如下：

对样本x_i＝(x_i1；x_i2；…；x_i3)和x_j＝(x_j1；x_j2；…；x_j3),距离函数dist(·,·)为：

4.根据权利2所述的基于层次聚类和神经网络的负荷预测输入特征筛选方法，其特征在于，所述簇间距离采用平均距离进行计算，表达式如下：

对于给定聚类簇C_i和C_j，簇间距离为：

5.根据权利1所述的基于层次聚类和神经网络的负荷预测输入特征筛选方法，其特征在于，利用聚类过程中每次聚合所采用的簇间距离之间的大小关系作为选取最终聚类簇个数的依据；根据簇间距离小形成的聚类簇的相似性大，类间距离大形成的类的相似性小的原则：若该次聚合所采用的簇间距离的增加值明显比之前聚合时的簇间距离大，则将该次聚合前的聚类簇数即为最终所分聚类的聚类簇数。

6.根据权利1所述的基于层次聚类和神经网络的负荷预测输入特征筛选方法，其特征在于，所述优化的负荷预测输入数据集的构成方法为，剔除每一聚类簇中预测效果最不好的神经网络模型对应的参数，所构成的数据集即为最终的优化的负荷预测输入特征集。

7.根据权利1所述的基于层次聚类和神经网络的负荷预测输入特征筛选方法，其特征在于，所述预测效果判断步骤为：

(1)针对每一聚类簇内的不同参数建立测试集，测试集内包含该参数所在聚类簇外的其他聚类簇的全部参数，不包含该聚类簇内除该参数外的其他参数；

(2)对每一个测试集针对同一个预测目标建立结构相同的神经网络模型；

(3)将神经网络的预测结果作为评价对应参数的预测效果的依据；

(4)利用均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(R²)和均方根误差变异系数(CV-RMSE)作为对不同参数的预测效果的评价指标，计算方法定义如下：

其中：F_i——实际测量值；

F_i′——模型预测值。