[发明专利]一种基于相似日选取的短期负荷预测方法

权利要求书

1.一种基于相似日选取的短期负荷预测方法，包括以下步骤：步骤1：影响因素归一化；步骤2：相似日选择算法；步骤3：确定数据集；步骤4：符合数据预处理；步骤5：建立横向、纵向符合矩阵；步骤6：横向、纵向GRNN预测；步骤7：确定每个采样点横向、纵向预测值权重；步骤8：通过双向组合预测。

2.如权利要求1所述的方法，其特征在于：步骤2中，通过灰色关联分析法挑选相似日，然后根据关联度大小，挑选出测试日、训练集标签日和训练日。

3.如权利要求1或2所述的方法，其特征在于：在步骤7中，采用最小方差法确定每个采样点横向、纵向预测值权重。

4.如权利要求1或2所述的方法，其特征在于：相似日的确定方法为：设影响因素有m种，历史天气记录有n天，样本气象数据序列为子序列。则第i天的影响因素序列表示为:X_i＝(x_1i,x_2i,...,x_mi)，然后挑选测试日、训练集标签和训练日，n的取值不同，分别为26、31和30；m＝1,2…5；i＝1,2…n，选取标签日与待预测日的影响因素序列为母序列，表示为:X₀＝(x₁₀,x₂₀,...,x_m0)，将子序列和母序列中的每个元素都除以各自向量中的第一个数据进行初值化处理，设初值化处理后的向量为X′_i和X'₀，

设第i个子序列的第k个影响因素与母序列的第k个影响因素的关联系数为:

其中k＝1,2…m,i＝1,2…n,|x′_0(k)-x′_i(k)|为子序列与母序列影响因素初值化后的绝对差值，ρ为分辨系数，取值区间为(0,1)。

5.如权利要求3所述的方法，其特征在于：所述ρ＝0.5。

6.如权利要求1或2或5所述的方法，其特征在于：神经网络GRNN是一种特殊的径向基神经网络，用于函数逼近，其中输入层：获取m维输入向量X＝[x₁,x₂,...,x_m]^T，传递至模式层，其中输入层神经元个数等于输入向量的特征维数；模式层：模式层共有n个神经元，n为输入向量样本数，传递函数如下：

式中：P_i表示模式层第i个输出值；x_i表示第i个输入向量；σ表示全局参数；求和层：

求和层共有两类神经元进行运算：一类神经元接收模式层的输出结果P_i，对P_i线性求和，传递函数如下：

另一类神经元一旦接收到P_i随即生成权值y_ij，y_ij表示模式层中第i个神经元到求和层第j个神经元的权重，其值等于第i个输出向量y_i中的第j个元素。传递函数如下：

输出层：计算输出向量y_j如下式所示：