[发明专利]基于层次聚类和神经网络的负荷预测输入特征筛选方法

说明书

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。

技术领域

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

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统的运行，尽量保持建筑系统供能量和建筑负荷的匹配，同时控制建筑设备在高效的状态下运行，提高系统的其经济性和可靠性。

目前负荷预测中较为准确和高效的方法主要是基于数据驱动的机器学习方法，这种方法相比其他基于物理建模以及基于灰箱的预测方法，建模简单同时准确性较高。然而，要想通过机器学习的方法得到准确的负荷预测结果需要大量的数据对模型进行训练，而过多的输入数据会导致模型运算时间长，模型过拟合造成的泛化能力差等问题。因此需要有效的数据特征筛选方法对输入模型的数据进行降维，同时这种方法需要在降低输入数据维度的同时尽量保证负荷预测的关键性数据特征完整，避免对负荷预测的准确性造成过大的影响。目前负荷预测的输入数据的处理方法主要是根据数据的统计性特征，如相关性分析等对数据进行特征筛选和降维。然而，统计性特征与负荷预测准确性的关系尚不明确，通过这种方法可能造成预测的关键特征被剔除而导致负荷预测的结果准确性下降。

因此如何在数据处理的过程中降低输入数据的维度，同时尽量保证机器学习的负荷预测中的关键性特征不被剔除，是目前迫切解决的技术问题

发明内容

为克服上述现有技术的不足，本发明提供了一种基于聚类分析和神经网络的负荷预测输入特征的筛选方法，所述方法对负荷预测的原始数据进行层次聚类分析；利用神经网络对同一类中不同参数的预测效果进行判断，剔除预测效果不好的参数，得到优化的负荷预测输入特征集。相比现有其他负荷预测输入数据处理方法，得到的特征集更适应基于机器学习的负荷预测方法，并且能较好的保证负荷预测的结果的准确性。

为实现上述目的，本发明的技术方案：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，包括以下步骤：

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；

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；

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。

进一步的，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。

进一步的，所述距离函数采用欧氏距离函数，对样本x_i＝(x_i1；x_i2；…；x_i3)和x_j＝(x_j1；x_j2；…；x_j3),距离函数dist(·,·)为：