[发明专利]一种基于CMI的低冗余短期负荷预测模型

权利要求书

1.一种基于CMI的低冗余短期负荷预测模型，其特征在于，包括以下步骤：(1)初始化候选特征集合H和原始特征集合F；

(2)CMI特征选择：计算并选取原始特征集合中与目标变量之间具有最大互信息的特征F_s，将F_s加入集合H，并将特征F_s从F中剔除；

(3)CMI特征选择：计算并选取集合F剩余特征中与目标变量之间具有最大条件互信息的特征F_i，将F_i加入集合H，并将特征F_i从F中剔除；

(4)生成候选特征序列：重复步骤(3)至F为空集，得到的特征集H即为按条件互信息值排序的候选特征集；

(5)对于候选特征集合H，采用序列前向搜索方法，以GRNN为预测器，预测误差作为判断标准，确定最优特征子集；

(6)根据得到的最优特征子集重新训练GRNN得到最优预测模型。

2.根据权利要求1所述的一种基于CMI的低冗余短期负荷预测模型，其特征是：在短期负荷预测中，设X为包含历史负荷、温度和日期特征的待选特征集合，负荷实测值为Y，Z为已选特征集合，X与Y边际密度函数分别为P(x)和P(y)，二者的联合概率密度函数为P(x,y)，X和Y之间的互信息为：

在已选特征Z已知的条件下，X中的待选特征与实测值Y的条件互信息为：

3.根据权利要求1所述的一种基于CMI的低冗余短期负荷预测模型，其特征是：所述GRNN是一种特殊的径向基神经网络，常用于函数逼近。

4.根据权利要求1或3所述的一种基于CMI的低冗余短期负荷预测模型，其特征是：所述GRNN包括输入层、模式层、求和层和输出层。

5.根据权利要求4所述的一种基于CMI的低冗余短期负荷预测模型，其特征是：所述输入层：获取m维输入向量X＝[x₁,x₂,...,x_m]^T，传递至模式层，其中输入层神经元个数等于输入向量的特征维数；

所述模式层共有n个神经元，n为输入向量样本数，传递函数如下：式中：P_i表示模式层第i个输出值；x_i表示第i个输入向量；σ表示全局参数；

所述求和层共有两类神经元进行运算：一类神经元接收模式层的输出结果P_i，对P_i线性求和，传递函数如下：另一类神经元一旦接收到P_i随即生成权值y_ij，y_ij表示模式层中第i个神经元到求和层第j个神经元的权重，其值等于第i个输出向量y_i中的第j个元素，传递函数如下：

所述输出层计算输出向量y_j如式(6)所示：

6.根据权利要求1所述的一种基于CMI的低冗余短期负荷预测模型，其特征是：所述步骤(6)包括：GRNN对特征子集进行验证，记录误差，比较预测误差及所对应的特征子集的特征数量，确定最优特征子集，重新训练GRNN得到最终的预测模型。