CN114819392B 一种基于用户聚类扩展数据的用电预测方法 （重庆邮电大学）_第1页
CN114819392B 一种基于用户聚类扩展数据的用电预测方法 （重庆邮电大学）_第2页
CN114819392B 一种基于用户聚类扩展数据的用电预测方法 （重庆邮电大学）_第3页
CN114819392B 一种基于用户聚类扩展数据的用电预测方法 （重庆邮电大学）_第4页
CN114819392B 一种基于用户聚类扩展数据的用电预测方法 （重庆邮电大学）_第5页
已阅读5页，还剩21页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于用户聚类扩展数据的用电预测方法本发明涉及一种基于用户聚类扩展数据的方法包括对用户用电时间序列特征利用EEMD对同类用户的IMF序列进行扩展；将扩展数据输入到卷积神经网络融合长短期记忆人工神经网络其同类用户的用电时间序列输入到训练后的网2S4：对所述用户IMF序列的聚类结果采用基于主成分分析的K-S6：将扩展后的IMF序列作为再次更新后的用户数据集输入到卷积神经网络融合长短S7：将用户在当前时段的IMF序列及其同类用户在当前时段的用电时间序列输入到训S21：根据网络模型需要的准确度和经验模态分解34来识别出时间序列的时差，K-means算法是一个很常用的聚类算法，而DTW(Dynamictime5过对EEMD分解结果使用两次K-Means聚类，第一次是用于获取用户的IMF序列的聚类结果，[0011]S2：利用经验模态分解法对所述用户用电时间序列进行分解，得到用户的IMF序[0015]S6：将扩展后的IMF序列作为再次更新后的用户数据集输入到卷积神经网络融合[0016]S7：将用户在当前时段的IMF序列及其同类用户在当前时段的用电时间序列输入6里的历史时间段指的是已经过去的时间段，且其对应的部分或者全部用电数据是已知的；是指当前实时的时间段，本发明需要利用当前时间段T的当前用户A的IMF序列结合当前时间段T的同类用户{N(A)}的用电时间序列，来预测出下一时间段T+1的当前用户A的用电数7[0038]S2：利用经验模态分解法对所述用户用电时间序列进行分解，得到用户的IMF序[0045]EEMD对原始数据x(t)中提取有限数量EM(empiricalmode)的IMFi(t)并得到的rI8某级IMF分量的聚类结果，可以表示为X础,X础即为第N个用户第M级IMF9[0079]其中，每个扩展后的IMF序列包含用户的IMF序列以及其同类用户的用电时间序[0080]S6：将扩展后的IMF序列作为再次更新后的用户数据集输入到卷积神经网络融合用户A在t时刻的IMF分量的聚类结果，是与目标用户A的同类C的第N个用户在t时刻的而不再需要对同类用户的新数据提取出IMF序列，只需要将同类用户的新数据结合当前用[0099]由于一般EEMD预测模型不考虑多特征的问题；且应用的神经明实施例中的网络模型由Conv1D和MaxPooling1D作为CNN的部分，能够有效提取特征图中的连续数据和非连续数据之间潜在关系形成特征向量；Conv1D结构输入(N,Cin,L)和输出输入时间序列的长度，kerner_size是卷积核大小，Cin是输入通道数；关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论