[发明专利]基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法

权利要求书

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＝{[G_m(t),P(t)]|t＝1,2,..., T ′；m＝1,2,...,M}，包括：预处理后的电力负荷{P(t)|t＝1,2,..., T ′}和电力负荷的M个影响因子{G_m(t)|m＝1,2,...,M；t＝1,2,...,T ′}，其中，P(t)和G_m(t)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[T′/s]，其中，第i组样本数据表示为Dataset_i＝[G′_m(i),P′(i)]，G′_m(i)＝(G_m(s×(i-1)+1),G_m(s×(i-1)+2),…,G_m(s×i))^T为第i组样本数据的第m个影响因子，G_m(s×i)表示在第s×i个时刻点的第m个影响因子，P′(i)＝(P(s×(i-1)+1),P(s×(i-1)+2),...,P(s×i))^T为第i组样本数据的电力负荷；P(s×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{Dataset_i|i＝1,2,...,I}划分为训练集Train＝{Dataset_i|i＝1,2,...,p}和测试集Test＝{Dataset_i|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{Train_k|k＝1,2,...,K}和K类测试集样本{Test_k|k＝1,2,...,K}；表示第k类的训练集，A_k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，P^k(i)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；B_k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{Train_k|k＝1,2,...,K}和K类测试集样本{Test_k|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Train_k和第k类的测试集Test_k中的电力负荷{P^k(i)|i∈A_k∪B_k} 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Train_k和第k类的测试集Test_k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Train_k和测试集Test_k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Train′_k的响应变量，第k类训练集Train′_k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Train′_k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U^k,n(τ_z)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τ_z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，V^k,n(τ_z)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τ_z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U^k,n(τ_z)和V^k,n(τ_z)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A_k的序号数量，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τ_z下的条件分位数预测结果；和分别表示权向量集合U^k,n(τ_z)和V^k,n(τ_z)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Dataset_i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Dataset_i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。