[发明专利]一种综合能源系统多元负荷超短期预测方法

权利要求书

1.一种综合能源系统多元负荷预测方法，其特征在于，包括以下步骤：

步骤S1，建立典型综合能源系统用能结构模型；

步骤S2，定义综合能源系统多元负荷相关性评价指标；

步骤S3，建立综合能源系统日内超短期负荷预测输入数据集；

步骤S4，提出采用核主成分分析法对输入数据集进行降维解耦的处理方法；

步骤S5，采用交叉寻优得广义回归神经网络的最优带宽参数；

步骤S6，采用广义回归神经网络对数据进行预测处理；

步骤S7，广义回归网络预测输出结果数据集。

2.根据权利要求1所述的预测方法，其特征在于，所述多元负荷包括电负荷、热负荷与冷负荷。

3.根据权利要求1所述的预测方法，其特征在于，所述步骤S2包括：对电负荷、热负荷、冷负荷、温度、湿度之间的非线性相关进行分析；非线性定量采用Spearman秩相关系数来进行描述。

4.根据权利要求1所述的预测方法，其特征在于，所述步骤S3包括：假设对第d天的t时刻电、热、冷负荷进行预测，则输入数据矩阵如下：

其中，为电负荷历史数据，为热负荷历史数据，为冷负荷历史数据，T_d,M_d为温度、湿度历史数据。

式中，为第i天第j时刻的电负荷值；为d-3天t-1时刻、d-3天t时刻、d-3天t+1时刻、d-2天t-1时刻、d-2天t时刻、d-2天t+1时刻、d-1天t-1时刻、d-1天t时刻、d-1天t+1时刻、d天t-3时刻、d天t-2时刻、d天t-1时刻负荷值组成，共12维；由历史热负荷值、历史冷负荷值组成，各12维；T_d由d-3天、d-2天、d-1天、d天的最大气温值、最小气温值、平均气温值组成，共12维。同样有M_d由d-3天、d-2天、d-1天、d天的最大相对湿度值、最小相对湿度值、平均相对湿度值组成，共12维。

5.根据权利要求1所述的预测方法，其特征在于，所述步骤S4包括：采用KPCA核主成分分析法对输入矩阵进行降维解耦。为保证所选取的主成分能够很好的代替原始输入矩阵，选择累计贡献率大于95％的成分构成新的输入数据集。

6.根据权利要求1所述的预测方法，其特征在于，所述步骤S5包括：通过交叉寻优重复实验对广义回归神经网络模型的隐含层带宽参数σ进行一维寻优，交叉寻优的步骤如下：

(1)假定一个带宽参数σ；

(2)从输入样本集中选一个子集作为测试集，其余样本作为训练集；

(3)用训练出的网络对测试集做测试，得绝对误差y(x_i)；

(4)重复步骤2与步骤3，直到所有样本都作为测试后，定义误差函数：

将此函数作为衡量带宽参数σ的标准，进行寻优求解；确定KPCA-GRNN模型的最优带宽参数。

7.根据权利要求1所述的预测方法，其特征在于，所述步骤S6包括：采用GRNN网络学习，GRNN神经网络包括输入层、隐含层、求和层、与输出层；所述输入层与隐含层神经元个数相同，输入层只接受数据集的输入，传递函数为简单的线性函数，传给隐含层后经过径向基函数进行如下处理：

式中，σ和GRNN网络带宽参数；

第三层求和层与隐含层神经元个数也相同。求和层有两种传递函数，用来对隐含层的输出进行处理。一是分母单元求和函数S_D，计算各神经元的代数和，即求和权值为1，如下：

二是分子单元求和函数S_Nj，计算各神经元的期望和，即求和的权值为第i个样本中的第j个元素y_ij，如下：

第四层输出层将加和层的分子、分母单元相除，传递函数如下：

输出层神经元个数与输出数据的维度相同。