[发明专利]一种基于动态数据挖掘的冷热电联供系统负荷预测方法

权利要求书

1.一种基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，所述方法包括以下步骤：

S1：从历史和实时数据集中获取微居民区冷热电负荷数据信息，以及气象信息：温度、湿度、风速、光照强度等相关数据信息，构建负荷数据矩阵；

S2：填补数据缺失值；若负荷数据缺失不严重，则采用滑动窗口平均法填补；若负荷数据集缺失严重，则采用基于马氏距离的k均值填充法填补缺失值；

S3：对负荷矩阵异常数据的离群程度进行监测；

S4：构建居民区冷热电负荷预测模型；

S5：采用Apriori算法分析负荷数据、气象参数、人员活动规律以及建筑物特征之间所存在的内在相关性和连动关系，并对强关联规则进行解读，寻找提高负荷预测精度的关键切入点。

2.根据权利要求1所述的基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，S1中负荷数据矩阵为：

其中，x_Hi1、x_Hi2、x_Hi3、x_Hi4、x_Hi5、x_Hi6、x_Hi7分别为电负荷、热负荷、冷负荷、温度、湿度、风度、光照强度。

3.根据权利要求1所述的基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，S2中滑动窗口平均法为：

在填补负荷缺失数据时，把一个窗口内的m个数据近似的看成平稳，这样他们的算术平均值等于一个常量，然后用这个常量填补缺失的负荷数据值；

滑动窗口平均法表达式为：

其中，n为数据个数，k∈n。

4.根据权利要求1所述的基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，S2中基于马氏距离的k均值填充法填补缺失值包括以下步骤：

S2.1：通过相关性分析，找到影响负荷数据缺失属性值的m个显著变量V＝{V₁,V₂,...,V_m}，降低数据集的维度；

S2.2：计算缺失数据X_i和完整数据集X_j之间的马氏距离，并通过信息熵生成邻近域的系数矩阵e_i，来量化表示最近领域中的数据与缺失数据的相似程度，相似度越高，对填补数据的影响越大；

S2.3：计算缺失数据X_i最近领域的加权平均值，并将该值作为缺失数据的预测值进行填补。

5.根据权利要求4所述的基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，S2.1中相关性分析中度量相关系数之间关系性强弱的定量指标为Pearson；相关系数ρ_XY的表达式为：

Cov(X_i,Y_i)＝E(X_iY_i)-E(X_i)E(Y_i)

X_i和Y_i分别表示不同的时间序列，X_i和Y_i为两类数据集，x,y分别为随机变量集X,Y中的值，x_i∈X，y_j∈Y，i∈n，j∈n，n为数据个数，X＝{x₁,x₂,x₃…,x_n}，Y＝{y₁,y₂,y₃…,y_n}。