[发明专利]一种基于改进神经网络的短期非居民负荷预测方法及系统

权利要求书

1.一种基于改进神经网络的短期非居民负荷预测方法及系统，其特征在于，包括如下步骤：

S1：对原始数据集进行缺失值和异常值检测、填充，并对数据进行归一化处理；

S2：对原始负荷数据集中特征进行相关性分析；

S3：对原始负荷序列进行小波变换；

S4：改进小波神经网络的神经元激活函数与参数更新方式；

S5：实现短期非居民负荷区间预测，建立短期负荷预测系统。

2.根据权利要求1所述的一种基于改进神经网络的短期非居民负荷预测方法及系统，其特征在于，步骤S1、S2中，考虑到数据收集过程中出现不良操作或者设备异常，使得原始数据中存在缺失值和异常值，需要对原始数据集进行缺失值和异常值检测、填充，并对数据进行归一化处理，随后对原始负荷数据集中特征进行相关性分析，具体实施步骤为：

(1)采用随机森林算法对原始数据集进行缺失值填充；对于一个m行n列的数据集(n表示特征个数，m表示特征序列长度)，其中特征i含缺失值，将缺失值所在行其他特征数据作为预测输入数据，缺失值作为待预测对象，其他n-1个特征不含缺失值所在行的数据作为训练集x_train，i中未缺失数据作为y_train，随后对模型进行训练并对缺失值进行回归预测；

(2)利用箱线图对异常数据进行检测并采用随机森林算法填充；首先，用箱线图原理对原始数据进行异常值检测，随后将异常值视为缺失值，最后采用随机森林算法对缺失值填充；箱线图判断为异常值的条件为：

式中，x_a表示异常值；Q₁、Q₃分别表示箱线图的上四分位数和下四分位数；IQR表示四分位间距，即IQR＝Q₁-Q₃；

(3)数据归一化处理；原始数据集中各时序数据量纲不同、数值差别较大，若直接用于模型训练，会使模型学习非线性特征的能力变弱，需要对数据进行归一化处理至[0,1]区间；采用最大最小标准化对数据进行归一化，计算公式为：

式中：x_i(k)为特征i的第k个样本的原始值，x_i,max、x_i,min分别为特征i中最小值和最大值，x_i′(k)为归一化值；

(4)对原始负荷数据集中特征进行相关性分析；皮尔逊相关系数在欧几里得距离上做了改进，提供了对于变量取值范围不同情况下的处理方法，是一种有效的判断向量相似度的方式；

对于两个序列X和Y的皮尔逊相关性系数计算公式为：

式中：n为序列长度，x_i和y_i分别为序列X和Y的第i个变量，和分别为序列X和Y的平均值。

3.根据权利要求1所述的一种基于改进神经网络的短期非居民负荷预测方法及系统，其特征在于，所述步骤S3中，对原始负荷序列进行小波变换；考虑到负荷的波动性较大，利用小波分析将负荷序列变换为不同平滑的子序列，然后按照各自尺度进行研究，小波变换系数计算公式为：

式中，W(·)为小波函数；v_t表示t时刻的负荷值；T表示序列长度；是关于分辨率等级R和位置S的系数，该系数由观测数的T/2R决定，其中T需被2R整除；

随后采用父小波提取序列低频部分、母小波提取序列高频部分，并选择正交函数作为小波函数，可得到粗糙集{A₁,A₂,…,A_R*}和精确集{D₁,D₂,…,D_R*}，两个集合通过下列公式求得：

式中，分别为父、母小波函数各自的对应系数，由公式(4)计算求得；ψ_RS(t)分别表示父小波函数和母小波函数，计算公式为：

最终，负荷序列可以变换为：v_t＝D₁+…+D_R*+A_R*。