[发明专利]一种基于数据挖掘的负荷预测方法

权利要求书

1.一种基于数据挖掘的负荷预测方法，其特征在于：利用配电网大数据存储与计算的基于Hadoop的Spark计算平台，利用Hadoop集群对火电大数据进行分布式存储，并结合Spark计算框架对火电大数据进行数据挖掘，从而建立各个监测点的负荷模型；具体包括以下步骤：

步骤1:预处理：准备各个测量点的训练数据和初始数据，并对数据进行归一化预处理；

步骤2:确定对应测量点的神经网络的拓扑机构；

步骤3:根据神经网络的拓扑结构，确定粒子的维数D，即

D＝q×(n+m+1)+m (1)

式(1)中，n,q和m分别为输入层、隐含层和输出层节点数；

步骤4:设置随机产生Ni个粒子的初始位置X_l(0)和初始速度V_l(0)，具体如公式(2)、(3)

X_l(0)＝rand(Ni，D) (2)

V_l(0)＝rand(Ni，D) (3)

步骤5：定义各个粒子的适应值目标函数f(X_l)为：

式(4)中，Ni为粒子数，m为输出层神经元数，N为训练样本个数；t^p和z^p分别表示第p个样本的期望输出和实际输出，可由式(5)求得；

步骤6:根据式(4)计算每个粒子的适应值；

步骤7:确定k代每一个粒子所经过的最好适应值位置pbest以及群体所有粒子所经历过的最好适应值位置gbest；具体为：

步骤8:利用公式(6)和(7)更新各粒子的速度和位置：

V_ij(k+1)＝ωV_ij(k)+c₁r₁[P_ij(k)-X_ij(k)]+c₂r₂[Pg_j(k)-X_ij(k)] (6)

X_ij(k+1)＝X_ij+V_ij(k+1)，i＝1,2........，N；j＝1,2.......，D (7)

式(6)、(7)中，ω为惯性权因子；c1、c2为正的加速常数，取值为0-2之间；r1和r2为0-1之间的随机数；

步骤9：如果迭代次数大于最大迭代次数或目标函数达到设定的期望值，结束迭代；否则返回步骤6；

步骤10：根据步骤9输出最好适应值位置gbest，即得到最优的权值w_ji，w_kj(W₁，W₂，W₃)和闽值b_1j，b_2k；

步骤11：利用步骤10中优化算法求得权值和闽值的神经网络对测试样本进行预测，得到结果。

2.根据权利要求1所述的一种基于数据挖掘的负荷预测方法，其特征在于：步骤7中获取每一个粒子所经过的最好适应值位置pbest以及群体所有粒子所经历过的最好适应值位置gbest，具体为：

粒子i的个体最佳位置为：

群体所有粒子经历过的全局最佳位置gbest为：

P_g∈{[P₁(k)，P₂(k)，…，P_D(k)]|f(P_g)＝min(f(P₁(k)，P₂(k)，…，P_D(k))} (9)。

3.根据权利要求1所述的一种基于数据挖掘的负荷预测方法，其特征在于：步骤8中惯性权因子ω的值由最大值ω_max、线性减小到最小值，其具体为公式(10)：

式(10)中ω_max和ω_max分别为ω的最大值和最小值，iter为当前迭代次数，Iter_max为最大迭代次数。