CN115271161B 一种多能负荷短期预测方法 （华南理工大学）

据每类负荷曲线簇的历史特征数据进行组合模较于传统模型在计算效率与具体性能上均有高2基于模糊优化曲线形态分析算法，对每类负荷曲线簇分别进行特征识别基于统计频率分布，计算判别得到每类负荷曲线簇的总体特征分布集基于机器学习算法分类建立组合负荷预测模型，依据每类负荷曲所述基于机器学习算法分类建立组合负荷预测模型，依据每类负荷经由两阶段形式的模糊优化负荷特征识别提取后，输出的统所述组合预测模型采用NARX神经网络模型，NARX神经网络模型的输入一基于模糊优化阈值的曲线形态分析算法完成对某一类负荷曲线簇中全体负荷曲线各征；记该类负荷曲线簇在负荷特征识别提取过程中产生的所有不重复的m个负荷特征编号荷曲线簇的各负荷特征统计频率由公式(19)计算然后，由公式(20)判断该负荷特征是否适合作为该类负I,；最终，经过模糊优化阈值的曲线形态分析算法初次特征提3为完成用电负荷预测工作，需要重构预测特日负荷曲线的特征点的情况下，直观的用电负荷曲线逆向重构方法主要是分段线性插值对电负荷序列数据、热负荷序列数据、冷负荷序列数据之间的非n维变量的联合分布函数由为n个变量的边缘分布函数与表征变量之间的复杂相关特由式(4)和式(5)见，通过对Copula分布函数C(·)进行求导，得到Copula密度函数c通过对Copula分布函数与Copula密度函数的求取，能够描述多元随机变4随机变量的关联特性；假设边缘分布函数为u＝F(x)和v＝G(y)的二阶随机变量(X,Y)的为5.如权利要求3或4所述的多能负荷短期预测方M5ii步骤2：设定曲线形态分析算法的阈值，并选出步骤1式(12)中，阈值隶属度Sat(ε)由两部分相加组成，看作为某一阈值下的指定相似曲线6极限情况下的曲线特征只包括原始曲线的首末端点，记连接原为Y0，则相似曲线簇中识别提取得到曲线特通过公式(18)计算相似曲线簇中识别提取得到曲线特征与原始曲线的平均压缩比率Z应用概率转移链模型，首先需要确定所研究系统的状态空间ij反复依据公式(21)可以计算得出概率转移链的n步状态转移概率矩阵，如公式(22)以7由概率转移矩阵预测第r+1步的状态时，首先寻出概率转移矩阵的第r行的状态sr的最89[0021]针对综合能源系统多能负荷短期预测模型普遍存在的负荷曲线特征点处预测精同时指向负荷特征的预测模型能够合理地解决预测结果中负荷特征处预测精度较低的问式模糊优化负荷特征识别组合模型相较于传统模型在计算效率与具体性能上均有高效的荷预测工作中的特征选取以及降维的复杂度问题，而且使得负荷提取得到的特征更加明了由输出层至输入层的反馈连接，从而形成循环型神经网络。NARX神经网络结构如图2所[0041]应用概率转移链模型解决部分负荷预测相关因素信息未知情况下的待预测日的[0050]n维变量的联合分布函数可以由为n个变量的边缘分布函数与表征变量之间的复杂相关特性的Copula函数的组合表达进行构建。假定存在某一组n维变量x＝[x1,x2,…,映原始曲线的形状特征。第二部分的Z(ε)为曲线特征点数量对原始曲线点数量的百分比[0080]由于曲线特征的时间维度相比于原始曲线有所减小，不再是一一对应映射的关设曲线原始序列与特征序列为X、Y，则其序列长度分别为LX、LY。定义规整路径w＝[w1,[0082]则原始序列X和特征序列Y之间的规整路径累积距离Fw(X,Y)可由式(14)进行计直线为Y0，则相似曲线簇中识别提取得到曲线特征与原始曲线的平均匹配[0093]通过公式(18)计算相似曲线簇中识别提取得到曲线特征与原始曲线的平均压缩[0097]比例系数a、b的设置关系到对平均匹配度D(ε)以及平均压缩比率Z(ε)的重视程[0099]基于模糊优化阈值的曲线形态分析算法完成对某一类负荷曲线簇中全体负荷曲体特征。记该类负荷曲线簇在负荷特征识别提取过程中产生的所有不重复的m个负荷特征[0107]反复依据公式(21)可以计算得出概率转移链的n步状态转移概率矩阵，如公式[0112](1)运用模糊聚类分析方法进行历史负荷曲线聚类，从而依据聚类结果分别进行[0113](2)在同类负荷曲线具有相似负荷特征的基础上，基于自适应调整阈值的模糊优[0114](3)应用概率转移链模型解决部分负荷预测相关因素信息未知情况下的待预测日[0115]