[发明专利]一种基于数据挖掘技术的负荷预测方法

权利要求书

1.一种基于数据挖掘技术的负荷预测方法，其特征在于，该方法包含以下步骤：

(1)获取馈线数据并进行预处理；

(2)使用数据挖掘技术中的聚类方法分析各类馈线的负荷特征，对获得的每类馈线负荷进行分析；

(3)根据各馈线簇的负荷水平和负荷曲线形状定性每类馈线负荷所属行业用电特性；

(4)构建影响因素集合；

(5)运用相关性分析和关联规则分析对影响负荷特性的诸多因素与每类馈线负荷进行分析，挖掘出馈线负荷特性与其影响因子间的关联特性；

(6)使用RBF神经网络对各馈线簇进行预测，根据各馈线簇在待预测时间的负荷预测值，得到系统在待预测时间的总用电负荷预测值，完成基于数据挖掘技术的负荷预测；

所述步骤(5)具体包括以下步骤：

51)在构建影响因素集合后，采用皮尔逊相关系数分析法判断每个影响因素与聚类后的馈线负荷数据的相关性；

52)采用灰色关联分析法对强相关因素进行关联规则分析；

53)获得关联性较强的因素，与聚类后的各类馈线负荷作为输入训练神经网络；

所述步骤51)具体包括以下内容：

1)以聚类后的馈线负荷数据为参考序列X₀，各个影响因素序列为比较序列X_i；

2)无量纲化处理：通过归一化处理将各数据处理为同一量纲下的数据；

3)计算相关性，皮尔逊相关系数计算公式如下：

通过皮尔逊相关系数计算得出各影响因素与馈线数据的相关性强度，然后保留强相关以上的影响因素；

所述步骤52)具体包括以下内容：

1)选取参考序列，即为馈线数据，比较序列，即为相关性分析筛选后的强相关性因素；

2)数据变换：对数据进行处理变换，保证灰色关联分析在同一量纲下进行；

3)计算关联度：采用典型灰色关联模型的邓氏模型，关联度计算公式如下：

其中：ξ(X₀(k),X_i(k))称为参考序列与比较序列的关联系数

所述步骤(6)中：RBF神经网络算法流程主要包括以下步骤：

1)网络初始化，随机选取h个训练样本作为聚类中心c_i；

2)使用K-Means算法将输入的训练样本集合聚类；

3)重新调整聚类中心，直到新的聚类中心不再发生变化；

4)求解方差

式中c_max为选取中心的最大距离；

5)计算隐藏层和输出层的权值

6)输出

将馈线负荷历史数据与影响因素作为输入集合训练神经网络，得到各馈线簇的预测值；各馈线簇的预测值之和即为整个馈线负荷的总用电负荷预测值。

2.根据权利要求1所述的一种基于数据挖掘技术的负荷预测方法，其特征在于，所述步骤(2)具体包括以下步骤：

21)初始化聚类中心：随机选取C个聚类中心；

22)计算质心：不断迭代计算隶属度μ_ij和簇中心c_j的过程，直到他们达到最优；

其中隶属度

将每一个样本数据x_i指派到最近的聚类中心，形成C个簇，目标函数如下：

其中：m为聚类的簇数；c为事先指定的聚类中心个数；x_i为第i个样本；C_j是j簇的中心；μ_ij为样本x_i相对于第j簇聚类中心的隶属度；

23)通过迭代方法不断修正聚类中心，直到满足预先设置的目标函数精度，即当停止迭代，否则返回步骤2)；

24)对分类好的馈线数据进行无量纲归一化，根据其负荷曲线能够分析出其用电特征。

3.根据权利要求1所述的一种基于数据挖掘技术的负荷预测方法，其特征在于，所述步骤(4)中馈线负荷的影响因素集合中包括经济发展类指标、社会居民发展类指标和气候类指标，所述经济发展类指标包括GDP、第一产业生产总值、第二产业生产总值、第三产业生产总值、规模以上工业生产总值，所述社会居民发展类指标包括地区总人数、人均国内生产总值、居民消费价格指数、城镇化率。

4.根据权利要求1所述的一种基于数据挖掘技术的负荷预测方法，其特征在于，所述步骤(6)中：

RBF神经网络的数据流向为：训练样本-RBF隐藏层-权重矩阵-输出层，输入层到输出层为非线性映射，隐藏层的激活函数为径向基RBF函数；

假设隐含层节点个数为s，第p个训练样本x_p从隐含层的第i个节点的输出为：

其中，i＝1,2,…,s，c_i为第i个基函数的中心值，与输入向量同维数；x_p-c_i为核函数中心，σ为函数的宽度参数；||x_p-c_i||²为x_p和c_i的距离。