[发明专利]基于聚类分析与支持向量机的工商业负荷预测方法和装置

权利要求书

1.一种基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，包括以下步骤：

步骤一、获取n个历史负荷数据；其中，n为大于1的整数；

步骤二、对所述n个历史负荷数据通过数据预处理、模糊C均值聚类和支持向量机模型数据预处理、模糊C均值聚类、训练支持向量机模型处理得到负荷预测结果；

步骤三、对所述负荷预测结果进行误差分析，以验证本发明负荷预测方法的有效性和准确性。

2.如权利要求1所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，步骤一的模糊C均值聚类方法是一种局部搜索模糊聚类算法，通过隶属度来确定每个历史负荷数据与聚类的隶属程度；聚类个数是预先设置的，聚类中心是随机选择的。

3.如权利要求2所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，所述模糊C均值聚类方法，具体步骤包括：

步骤1，设X表示所述n个p维的历史负荷数据，X_n表示第n个历史负荷数据，p表示每个历史负荷数据的特征指标数，待聚类的所述n个历史负荷数据的矩阵表示如下：

步骤2，聚类后将所述n个历史负荷数据分为c(2≤c≤n)个模糊类，每个模糊类的聚类中心的计算公式如下式所示：

聚类后，所述c个模糊类的聚类中心矩阵V表示如下：

V＝{v₁,v₂,Λv_c} (3)

其中，v_i表示第i个模糊类的聚类中心，v_i＝(v_i1,v_i2,Λv_ip)，i＝1,2,Λ,c；

步骤3，计算隶属度矩阵及目标函数值如下：

其中，

式(1)、(3)、(4)中，M、O、Λ分别表示省略号，

步骤4，迭代误差判断，若则迭代结束，否则l＝l+1，返回步骤2继续迭代；

步骤5，得到隶属度矩阵U，将历史负荷数据归入隶属度最大的模糊类中。

4.如权利要求1所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，步骤二中的支持向量机模型是一种监督式的机器学习方法，所述支持向量机模型用于使用非线性映射，把低维的输入数据映射到高维特征空间，并在高维特征空间中进行线性回归，然后引入损失函数来解决回归问题。

5.如权利要求1所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，使用如下的目标函数和约束等式来训练支持向量机模型：

其中，y_i为训练样本i的功率实测值，v_i为训练样本i的包括风速和风向输入值，ξ_i和ξ_i^*为松弛因子，ω和θ为待估计参数，ε为损失函数，β为惩罚因子，实现经验风险和置信范围的折中。

6.如权利要求1所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，步骤二中数据预处理包括异常数据的处理和数据归一化处理。

7.如权利要求6所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，所述异常数据的处理包括数据横向对比法、数据竖向对比方法、置换法、概率统计法或缺失数据的补充。

8.如权利要求6所述的基于聚类分析与支持向量机的工商业负荷预测方法，其特征在于，所述数据归一化处理是将历史负荷数据限制在0到1之间，使得各个历史负荷数据变得标准化，具体的公式如下：

其中，x为原始的历史负荷数据，x_min、x_max分别为所述n个历史负荷数据中的最大值和最小值，为归一化后输出的历史负荷数据。