买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于模糊C均值聚类的TVF‑EMD‑MCQRNN负荷概率预测方法，包括：1对电力负荷及其影响因子进行预处理后按设定时间间隔进行分组；2对分组后的数据集划分训练集和测试集，使用模糊C均值聚类法分别对每组训练集和测试集进行聚类；3利用各类型训练集和测试集样本数据对TVF‑EMD‑MCQRNN模型进行训练和测试，得到各类型样本数据在不同分位点下的一系列条件分位数；4对各类型样本数据在相同分位点下的条件分位数分别进行求和得到各类型预测结果，从而实现概率密度预测。本发明能提高负荷预测的准确性，从而为电力系统的运行规划提供更全面、更有效的负荷信息。

主权项：1.一种基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法，其特征在于：包括以下步骤：步骤1.获取电力负荷数据及其影响因子并进行预处理，从而得到预处理后的数据集Dataset＝{[Gmt,Pt]|t＝1,2,...,T；m＝1,2,...,M}，包括：预处理后的电力负荷{Pt|t＝1,2,...,T}和电力负荷的M个影响因子{Gmt|m＝1,2,...,M；t＝1,2,...,T}，其中，Pt和Gmt分别为第t个时刻点的电力负荷及相应第t个时刻点的第m个影响因子；T表示时刻点的个数，M表示电力负荷影响因子的种类数；步骤2.设定时间间隔为s个时刻点，对所述预处理后的数据集Dataset进行分组，从而得到I组样本数据，且I满足[Ts]，其中，第i组样本数据表示为Dataseti＝[G′mi,P′i]，G′mi＝Gms×i-1+1,Gms×i-1+2,…,Gms×iT为第i组样本数据的第m个影响因子，Gms×i表示在第s×i个时刻点的第m个影响因子，P′i＝Ps×i-1+1,Ps×i-1+2,…,Ps×iT为第i组样本数据的电力负荷；Ps×i表示在第s×i个时刻点的电力负荷，i＝1,2,...,I；步骤3.对I组样本数据{Dataseti|i＝1,2,...,I}划分为训练集Train＝{Dataseti|i＝1,2,...,p}和测试集Test＝{Dataseti|i＝p+1,p+2,...,I}，则训练集Train中含有p组样本数据，测试集Test中含有I-P组样本数据；使用模糊C均值聚类法分别对训练集Train和测试集Test进行聚类得到K类样本数据，包括：K类训练集样本{Traink|k＝1,2,...,K}和K类测试集样本{Testk|k＝1,2,...,K}；表示第k类的训练集，Ak为训练集Train的p组样本数据中属于第k类训练集的样本数据的序号集合，表示第k类样本数据中第i组的第m个影响因子，Pki表示第k类样本数据中第i组的电力负荷，为第k类的测试集；Bk为测试集Test的I-P组样本数据中属于第k类测试集的样本数据的序号集合；步骤4.利用K类训练集样本{Traink|k＝1,2,...,K}和K类测试集样本{Testk|k＝1,2,...,K}分别对TVF-EMD-MCQRNN模型进行训练和测试：步骤4.1.对第k类的训练集Traink和第k类的测试集Testk中的电力负荷{Pki|i∈Ak∪Bk}进行TVF-EMD分解获得N个本征模态分量其中，表示对第k类的训练集Traink和第k类的测试集Testk进行TVF-EMD分解得到的第n个本征模态分量的第i组数据；则将第k类的训练集Traink和测试集Testk分别更新为和步骤4.2.将更新后的第k类训练集Train′k中第n个负荷本征模态分量作为第k类训练集Traink的响应变量，第k类训练集Traink剩余的M个负荷影响因子及N-1个负荷分量的组合作为第k类训练集Traink的解释变量，从而构建N个包含有M+N-1个解释变量和一个响应变量的数据集，记作其中，表示更新后的第k类训练集Train′k中构建的第n个数据集的第i组解释变量；且是更新后的第k类训练集Train′k中构建的第n个数据集的第i组的第α个解释变量，是更新后的第k类训练集Train′k中构建的第n个数据集的第i组响应变量；同理对更新后的第k类测试集Test′k也构建出N个包括M+N-1个解释变量和一个响应变量的数据集，记作其中，是更新后的第k类测试集Test′k中构建的第n个数据集的第i组解释变量，是更新后的第k类测试集Test′k中构建的第n个数据集的第i组响应变量；步骤4.3将第α个解释变量分为两组解释变量：和其中，Q为第α个解释变量中具有单调递增关系的解释变量的序号集合，L为解释变量中无单调约束的解释变量的序号集合，从而利用更新后的第k类训练集Train′k中构建的第n个数据集对如式1所示单调复合分位数回归神经网络MCQRNN预测模型进行训练，从而得到训练后的MCQRNN预测模型； 式1中，h1·表示隐含层的激活函数，h2·表示输出层的激活函数；代表第z个分位点，且z＝1,2,…,Z，Z为分位点的数量；J为隐含层节点的个数，b′和b分别是隐含层和输出层的截距项，权向量Uk,nτz表示更新后的第k类训练集Train′k中的第n个数据集在第z个分位点τz下的连接输入层和隐含层的权向量集合，并有： 式2中，表示更新后的第k类训练集Train′k中的第n个数据集在第q个输入层节点与第j个隐含层节点之间的权重，表示更新后的第k类训练集Train′k中的第n个数据集在第l个输入层节点与第j个隐含层节点之间的权重，并有： 式3中，Vk,nτz表示更新后的第k类训练集Train′k中的第n个数据集在第z个分位点τz下的连接隐含层与输出层之间的权向量集合，其中，表示更新后的第k类训练集Train′k中的第n个数据集在第j个隐含层节点与输出层之间的权重；通过式4对式1进行优化求解，从而得到权重参数集合Uk,nτz和Vk,nτz的估计值和 式4中，R为更新后的第k类训练集Train′k中序号集合Ak的序号数量，ρτz·是损耗函数；步骤4.4.将更新后的第k类测试集Test′k中构建的N个数据集中的第i组解释变量输入所述训练后的MCQRNN预测模型中，从而得到更新后的K类测试集中N个数据集分别在Z个分位点下的条件分位数其中，表示更新后的第k类测试集Test′k中构建的第n个数据集在第z个分位点τz下的条件分位数预测结果；和分别表示权向量集合Uk,nτz和Vk,nτz的估计值；步骤5.利用式5将更新后的第k类测试集Test′k中在相同分位点下的条件分位数预测结果相加，从而得到第i组样本数据Dataseti在第z个分位点下的条件分位数最终预测结果进而得到第i组样本数据Dataseti在Z个分位点下的条件分位数最终预测结果 步骤6.将Z个分位点下的条件分位数最终预测结果作为Epanechnikov核函数的输入变量；利用式6计算更新后的第k类测试集Test′k中任意一点r的电力负荷概率密度预测结果 式8中，光滑参数d为带宽，C·为Epanechnikov核函数。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法