基于层次聚类和神经网络的负荷预测输入特征筛选方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110135623A(43)申请公布日2019.08.16(21)申请号201910294713.6(22)申请日2019.04.12(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人丁研宿皓王翘楚张震勤(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人程小艳(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06N3/02(2006.01)权利要求书2页说明书5页附图4页(54)发明名称基于层次聚类和神经网络的负荷预测输入特征筛选方法(57)摘要本发明公开了一种基于层次聚类和神经网络的负荷预测输入特征筛选方法，该方法利用层次聚类分析将包括负荷预测的原始数据集进行聚类，将数据集根据其特征分为不同的类，对每一类中的特征进行分析，利用神经网络对每一类中的不同特征的预测效果进行分析，最终剔除预测效果较差的特征，得到最终优化的建筑负荷预测的输入特征集。本发明可以对冗杂的负荷预测输入数据集进行筛选，降低负荷预测的复杂性，提高负荷预测的计算速度，同时保留数据集中的有效特征，保证负荷预测的准确性。CN110135623ACN110135623A权利要求书1/2页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xi＝(xi1；xi2；…；xi3)和xj＝(xj1；xj2；…；xj3),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Ci和Cj，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：2CN110135623A权利要求书2/2页其中：Fi——实际测量值；Fi′——模型预测值。3CN110135623A说明书1/5页基于层次聚类和神经网络的负荷预测输入特征筛选方法技术领域[0001]本发明属于负荷预测域，具体涉及一种基于层次聚类和神经网络的负荷预测输入特征筛选方法及参数预测效果判断方法。背景技术[0002]负荷预测通常包括电力负荷预测以及建筑中的冷热负荷预测，主要是指根据系统的特征及相关参数和一些影响负荷的相关因素，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。负荷预测无论是在电力系统的经济性调控还是在建筑系统的优化控制方面都有重要的作用。针对电力系统，准确的负荷预测可以经济合理的安排电网内部发电机组的启停，保持电网运行的安全稳定性，有效的降低发电成本，提高经济效益和社会效益。对于建筑系统，准确的建筑冷热负荷预测，可以指导建筑内暖通空调系