[发明专利]一种基于CMI的低冗余短期负荷预测模型

说明书

本发明公开了一种基于CMI的低冗余短期负荷预测模型，涉及CMI负荷预测领域，其技术方案要点是：采用CMI对原始特征集合中待选特征进行特征排序，然后，采用GRNN作为预测器，序列前向搜索方法确定最优特征子集，最后，根据所得最优特征子集重新训练GRNN得到最优预测模型，挑选冗余性低的用户特征集，降低预测模型复杂度。

技术领域

本发明涉及CMI负荷预测领域，更具体地说，它涉及一种基于CMI的低冗余短期负荷预测模型。

背景技术

负荷预测是电力部门的重要工作内容之一，在电力系统规划、运行、调度中有着重要作用。准确的负荷预测结果能够保证电力系统的可靠、经济运行。

在负荷预测技术发展早期，负荷预测方法主要为传统预测法，一般包括自回归滑动平均法、回归分析法、卡尔曼滤波法和指数平滑法等，这些方法都是通过分析输入和输出之间的线性关系来建立预测模型并进行预测，在负荷保持稳定的前提下，这些方法能快速有效的得到预测结果；近年来，人工智能算法被大量应用于负荷预测领域，主要包括模糊逻辑法，专家系统法，人工神经网络，支持向量机法等，以上方法相较于传统的预测方法有了很大的提升、但难以兼顾到负荷数据与的其他外部因素的相关性，其中，最小二乘支持向量机LSSVM(CLeast Squares Support Veotor Machine)可通过求解二次规划问题得到全局最优解，建模时需确定多个参数，建模难度大，克服神经网络易陷入局部最优解的缺陷，除预测方法外，输入特征(变量)也影响着负荷预测的精度和效率，现有负荷预测特征选择一般采用Filter方法，以皮尔逊相关系数法(Pearson Correlation Coefficient PCC)、互信息(Mutual Information MI)等衡量特征重要度，结合特定预测器开展特征选择。

但是，伴随着智能电表的接入，用户数据海量增加，数据复杂程度不断加大，负荷的变化受各种因素的影响，传统预测方法无法有效分析日类型、用户类型等外界因素对预测结果的影响，当这些因素出现较大变化时，负荷也将随之变化，传统预测模型和单一的人工智能算法无法有效利用海量外部因素数据，传统预测法和单一的人工智能算法不能满足当今高精度负荷预测的要求，此外，Filter方法不能有效区别特征子集内的冗余性和相关性。

发明内容

本发明的目的是提供一种基于CMI的低冗余短期负荷预测模型，利用海量外部因素数据，挑选冗余性低的用户特征集，降低预测模型复杂度，提高短期负荷预测精度。

本发明的上述技术目的是通过以下技术方案得以实现的：一种基于CMI的低冗余短期负荷预测模型，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。

优选地，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：