一種冷負(fù)荷預(yù)測的情景-聚類方法
【專利摘要】本發(fā)明涉及一種冷負(fù)荷預(yù)測的情景-聚類方法。包括如下步驟：1）生成情景聚類條件；2）基于先驗(yàn)知識的情景粗聚類；3）基于智能算法的自動情景細(xì)聚類；4）根據(jù)細(xì)聚類結(jié)果生成情景分類器；5）根據(jù)細(xì)聚類結(jié)果生成針對性的有監(jiān)督學(xué)習(xí)預(yù)測模型；6）利用分類器和針對性的預(yù)測模型進(jìn)行冷負(fù)荷預(yù)測。本發(fā)明利用情景聚類的方法對冷負(fù)荷相關(guān)歷史數(shù)據(jù)進(jìn)行處理，根據(jù)不同情景的特點(diǎn)優(yōu)化選擇有監(jiān)督學(xué)習(xí)預(yù)測算法，并減少了算法的訓(xùn)練樣本數(shù)，以此提高了預(yù)測的準(zhǔn)確度和精度，且減少了預(yù)測模型的訓(xùn)練時(shí)間和預(yù)測時(shí)間，達(dá)到細(xì)粒度預(yù)測的目標(biāo)。本發(fā)明的方法實(shí)現(xiàn)簡單，實(shí)用性高，泛化能力和推廣能力強(qiáng)。
【專利說明】一種冷負(fù)荷預(yù)測的情景-聚類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于數(shù)據(jù)挖掘、聚類分析的預(yù)測方法，具體涉及一種冷負(fù)荷預(yù)測的情景-聚類方法。
【背景技術(shù)】
[0002]目前的冷負(fù)荷預(yù)測主要是使用有監(jiān)督學(xué)習(xí)的預(yù)測方法，如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，這些方法都是基于統(tǒng)計(jì)回歸的理論。在實(shí)際工程中，通常都是選用一種有監(jiān)督學(xué)習(xí)的預(yù)測模型，如BP人工神經(jīng)網(wǎng)絡(luò)、RBF人工神經(jīng)網(wǎng)絡(luò)或者支持向量機(jī)，然后把所有收集到的冷負(fù)荷歷史數(shù)據(jù)集輸入到模型中，對模型進(jìn)行訓(xùn)練，最后把待預(yù)測數(shù)據(jù)輸入到模型中，即可進(jìn)行冷負(fù)荷的預(yù)測。
[0003]基于單個(gè)有監(jiān)督學(xué)習(xí)方法的冷負(fù)荷預(yù)測模型對于特定的冷負(fù)荷數(shù)據(jù)情況有較好的效果，但不是所有情況的都適用。例如，有些預(yù)測模型要求數(shù)據(jù)的平穩(wěn)性較高，有些預(yù)測模型可以適用于波動性較大的數(shù)據(jù)。因此，基于單個(gè)有監(jiān)督學(xué)習(xí)方法的冷負(fù)荷預(yù)測模型的實(shí)用性不高，推廣能力不強(qiáng)，無法適應(yīng)多種情況，這也導(dǎo)致了預(yù)測的準(zhǔn)確度和精度不高，訓(xùn)練模型的時(shí)間過長等問題。
[0004]情景分析的思想是把冷負(fù)荷的相關(guān)條件分別設(shè)置若干情景，并列出相應(yīng)的特點(diǎn)，通過分析不同情景的特點(diǎn)預(yù)測冷負(fù)荷。上海世博園區(qū)的冷負(fù)荷預(yù)測就是通過情景分析的方法實(shí)現(xiàn)的。但是現(xiàn)在使用的情景分析都是依據(jù)大量的歷史數(shù)據(jù)收集，然后通過個(gè)人的經(jīng)驗(yàn)得到情景劃分結(jié)果，這將導(dǎo)致情景劃分的不準(zhǔn)確，不利于接下來的冷負(fù)荷預(yù)測。
[0005]綜上所述，現(xiàn)有的有監(jiān)督學(xué)習(xí)冷負(fù)荷預(yù)測模型存在如下問題:①預(yù)測準(zhǔn)確度和精度不夠高；②單個(gè)有監(jiān)督學(xué)習(xí)冷負(fù)荷預(yù)測模型對數(shù)據(jù)有較高要求，模型對數(shù)據(jù)的不適應(yīng)將造成預(yù)測誤差的增大；③由于使用全部的歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練，因此模型訓(xùn)練和預(yù)測的時(shí)間會很長；④利用情景分析法能對冷負(fù)荷歷史數(shù)據(jù)進(jìn)行處理，但大部分是通過人為的經(jīng)驗(yàn)而得到的情景劃分，這將造成情景劃分的不準(zhǔn)確，因此有必要對現(xiàn)有的情景劃分聚類進(jìn)行進(jìn)一步的改進(jìn)，并使其與多種有監(jiān)督學(xué)習(xí)冷負(fù)荷預(yù)測模型相結(jié)合。

【發(fā)明內(nèi)容】

[0006]為了解決上述存在的問題與缺陷，本發(fā)明提供了一種能有效提高有監(jiān)督學(xué)習(xí)預(yù)測模型準(zhǔn)確度和精度，縮短訓(xùn)練與預(yù)測時(shí)間的基于情景-聚類的冷負(fù)荷預(yù)測的情景-聚類方法。本發(fā)明實(shí)現(xiàn)簡單，可用于一個(gè)房間、樓層、單個(gè)建筑物甚至是城市區(qū)域，實(shí)用性高，泛化能力和推廣能力強(qiáng)。
[0007]本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn):
本發(fā)明的冷負(fù)荷預(yù)測的情景-聚類方法，包括如下步驟:
D生成情景聚類條件；
2)基于先驗(yàn)知識的情景粗聚類；
3)基于智能算法的自動情景細(xì)聚類； 4)根據(jù)細(xì)聚類結(jié)果生成情景分類器；
5)根據(jù)細(xì)聚類結(jié)果生成針對性的有監(jiān)督學(xué)習(xí)預(yù)測模型；
6)利用分類器和針對性的預(yù)測模型進(jìn)行冷負(fù)荷預(yù)測。
[0008]上述步驟I)所述的生成情景聚類條件為利用冷負(fù)荷歷史數(shù)據(jù)集生成情景聚類條件。
[0009]上述情景聚類條件選取最高和最低溫度、最高和最低濕度、節(jié)假日情況、使用情況共6個(gè)屬性作為冷負(fù)荷的屬性。
[0010]上述步驟2)所述的基于先驗(yàn)知識的情景粗聚類為使用常識、先驗(yàn)知識、資料進(jìn)行情景粗聚類。
[0011]上述步驟3)所述的基于智能算法的自動情景細(xì)聚類為一個(gè)迭代尋優(yōu)的過程，包括智能算法自動情景聚類，情景聚類有效性指標(biāo)評估，通過對上述兩步的迭代，最終確定最佳情景聚類數(shù)和聚類結(jié)果。
[0012]上述的智能算法自動情景聚類為使用智能算法，在粗聚類的基礎(chǔ)上，自動地確定情景聚類數(shù)，把所有的冷負(fù)荷歷史數(shù)據(jù)都進(jìn)行聚類，確定相應(yīng)的聚類結(jié)果。
[0013]上述情景聚類有效性指標(biāo)評估為使用情景聚類相關(guān)的指標(biāo)判斷情景聚類數(shù)和聚類結(jié)果的有效性和最優(yōu)性。
[0014]上述步驟4)所述的根據(jù)細(xì)聚類結(jié)果生成情景分類器為根據(jù)細(xì)聚類結(jié)果確定的聚類中心數(shù)和聚類情況，設(shè)計(jì)情景分類器。
[0015]上述步驟5)所述的根據(jù)細(xì)聚類結(jié)果生成針對性的有監(jiān)督學(xué)習(xí)預(yù)測模型為根據(jù)細(xì)聚類結(jié)果確定的聚類情況，分析每一類的特性，并根據(jù)特征選取相應(yīng)的有監(jiān)督學(xué)習(xí)預(yù)測模型并訓(xùn)練。
[0016]上述步驟6)利用分類器和針對性的預(yù)測模型進(jìn)行冷負(fù)荷預(yù)測的方法是:首先把待預(yù)測數(shù)據(jù)輸入到情景分類器中，對數(shù)據(jù)進(jìn)行情景分析，然后再把數(shù)據(jù)輸入到情景對應(yīng)的已訓(xùn)練好的有監(jiān)督學(xué)習(xí)預(yù)測模型中，得出最后的冷負(fù)荷預(yù)測值。
[0017]與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)和效果在于構(gòu)造了情景聚類——有監(jiān)督學(xué)習(xí)預(yù)測模型，利用情景聚類對冷負(fù)荷相關(guān)歷史數(shù)據(jù)進(jìn)行情景聚類處理，并根據(jù)各個(gè)情景的特點(diǎn)選擇不同的有監(jiān)督學(xué)習(xí)預(yù)測模型并訓(xùn)練，實(shí)現(xiàn)對有監(jiān)督學(xué)習(xí)預(yù)測模型的優(yōu)化并最終實(shí)現(xiàn)冷負(fù)荷的預(yù)測。本發(fā)明所提供的技術(shù)方案的積極效果是:
I)提高預(yù)測的準(zhǔn)確性和精度:每種有監(jiān)督學(xué)習(xí)預(yù)測模型都有自己的適應(yīng)性，當(dāng)它們預(yù)測自己適合的數(shù)據(jù)情況時(shí)，它們將會得到準(zhǔn)確性較高的結(jié)果，但當(dāng)預(yù)測自己不適合的數(shù)據(jù)情況時(shí)，它們的預(yù)測誤差會很大，無法滿足工程需求。根據(jù)情景聚類的結(jié)果，優(yōu)化選擇預(yù)測模型，優(yōu)化選擇訓(xùn)練數(shù)據(jù)，使預(yù)測模型用于自己適應(yīng)的數(shù)據(jù)情況，提高了預(yù)測的準(zhǔn)確性和精度。
[0018]2)減少預(yù)測模型的訓(xùn)練和預(yù)測時(shí)間:對冷負(fù)荷歷史數(shù)據(jù)使用情景聚類分析后，把歷史數(shù)據(jù)聚類成了幾類，用每一類對應(yīng)的數(shù)據(jù)訓(xùn)練有監(jiān)督學(xué)習(xí)預(yù)測模型，這樣相對于以往的使用全部歷史數(shù)據(jù)進(jìn)行訓(xùn)練會減少訓(xùn)練時(shí)間，且能加快預(yù)測的速度。
[0019]3)魯棒性強(qiáng):情景聚類不針對特定的時(shí)間、地點(diǎn)等條件，而且僅需根據(jù)冷負(fù)荷的歷史數(shù)據(jù)，即可進(jìn)行情景聚類，具有很強(qiáng)的適應(yīng)性和魯棒性，因此可廣泛使用于某個(gè)房間、樓層、建筑物、區(qū)域等。[0020]本發(fā)明利用情景聚類的方法對冷負(fù)荷歷史數(shù)據(jù)進(jìn)行處理，提高了有監(jiān)督學(xué)習(xí)預(yù)測模型的預(yù)測準(zhǔn)確度和精度，減少了訓(xùn)練和預(yù)測的時(shí)間，實(shí)用性高，推廣能力強(qiáng)。
【專利附圖】

【附圖說明】
[0021]圖1是本發(fā)明一種冷負(fù)荷預(yù)測的情景-聚類方法的流程圖。
[0022]圖2是本發(fā)明基于智能算法自動情景細(xì)聚類的流程圖。
【具體實(shí)施方式】
[0023]為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對本發(fā)明實(shí)施方式進(jìn)一步的詳細(xì)描述:
圖1所示為本發(fā)明一種冷負(fù)荷預(yù)測的情景-聚類方法流程圖，包括如下步驟:
I)生成情景聚類條件。本發(fā)明利用冷負(fù)荷歷史數(shù)據(jù)集生成情景聚類條件。從大量的冷負(fù)荷歷史數(shù)據(jù)集中抽取其中能充分反映對應(yīng)時(shí)間冷負(fù)荷的屬性，且屬性的個(gè)數(shù)不宜太多，由此生成情景聚類條件。本發(fā)明選取最高和最低溫度、最高和最低濕度、節(jié)假日情況、使用情況共6個(gè)屬性作為冷負(fù)荷的屬性，即情景聚類條件。
[0024]2)基于先驗(yàn)知識的情景粗聚類。利用季節(jié)、月份、節(jié)假日等的信息，還有一些經(jīng)過長時(shí)間觀察、經(jīng)驗(yàn)等得到的信息，初步地進(jìn)行聚類分析，進(jìn)行情景粗聚類。
[0025]3)基于智能算法的自動情景細(xì)聚類。在情景粗聚類的基礎(chǔ)上，為情景進(jìn)行一個(gè)細(xì)聚類，達(dá)到細(xì)粒度預(yù)測的目標(biāo)。細(xì)聚類為一個(gè)迭代尋優(yōu)的過程，包括智能算法自動情景聚類，情景聚類有效性指標(biāo)評估，通過對上述兩步的迭代，最終確定最佳情景聚類數(shù)和聚類結(jié)果。
[0026]智能算法自動情景聚類是使用智能算法，在粗聚類的基礎(chǔ)上，自動確定情景聚類數(shù)，把所有的冷負(fù)荷歷史數(shù)據(jù)都進(jìn)行聚類。情景聚類有效性指標(biāo)評估為使用情景聚類相關(guān)的指標(biāo)評價(jià)情景聚類數(shù)的最佳性，增加情景聚類結(jié)果的有效性。
[0027]4)根據(jù)細(xì)聚類結(jié)果生成情景分類器。根據(jù)細(xì)聚類結(jié)果確定的聚類中心數(shù)和聚類情況，設(shè)計(jì)情景分類器，以便于對待預(yù)測數(shù)據(jù)進(jìn)行情景分類。
[0028]5)根據(jù)細(xì)聚類結(jié)果生成針對性的有監(jiān)督學(xué)習(xí)預(yù)測模型。根據(jù)細(xì)聚類結(jié)果確定的聚類情況，分析每一類的特性，并根據(jù)特性選取相應(yīng)的有監(jiān)督學(xué)習(xí)預(yù)測模型并將其訓(xùn)練。
[0029]6)利用分類器和針對性的預(yù)測模型進(jìn)行冷負(fù)荷預(yù)測。首先把待預(yù)測數(shù)據(jù)輸入到情景分類器中，對數(shù)據(jù)進(jìn)行情景分析，然后再把數(shù)據(jù)輸入到情景對應(yīng)的已訓(xùn)練好的有監(jiān)督學(xué)習(xí)預(yù)測模型中，得出最后的冷負(fù)荷預(yù)測值。
[0030]圖2所示為本發(fā)明基于智能算法自動情景細(xì)聚類的流程圖，包括如下步驟:
I)智能算法自動情景聚類。本發(fā)明使用智能算法(如K-means算法、AffinityPropagation算法)，在粗聚類結(jié)果的基礎(chǔ)上，智能地、自動地確定情景聚類數(shù)，并把所有的冷負(fù)荷歷史數(shù)據(jù)都進(jìn)行聚類。
[0031]2)情景聚類有效性評估。使用聚類相關(guān)的指標(biāo)(如Weighted Inter Intra指標(biāo)、In Group Proportion指標(biāo))評價(jià)由智能算法聚類得到的情景聚類數(shù)是否最佳,增加情景聚類結(jié)果的有效性。
[0032]3)根據(jù)評估結(jié)果判斷情景聚類結(jié)果是否滿足要求。若是，則進(jìn)行下一步生成情景分類器，否則將重新使用智能算法自動情景聚類，直到情景聚類有效性評估滿足要求為止。
[0033]本發(fā)明提供了一種基于情景聚類的冷負(fù)荷預(yù)測方法。借助于情景聚類方法對冷負(fù)荷歷史數(shù)據(jù)進(jìn)行優(yōu)化處理，對有監(jiān)督學(xué)習(xí)預(yù)測算法進(jìn)行優(yōu)化選擇，進(jìn)一步提高的預(yù)測的準(zhǔn)確度和精度，縮短了有監(jiān)督學(xué)習(xí)預(yù)測模型的訓(xùn)練和預(yù)測時(shí)間。
【權(quán)利要求】
1.一種冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于包括如下步驟: 1)生成情景聚類條件； 2)基于先驗(yàn)知識的情景粗聚類； 3)基于智能算法的自動情景細(xì)聚類； 4)根據(jù)細(xì)聚類結(jié)果生成情景分類器； 5)根據(jù)細(xì)聚類結(jié)果生成針對性的有監(jiān)督學(xué)習(xí)預(yù)測模型； 6)利用分類器和針對性的預(yù)測模型進(jìn)行冷負(fù)荷預(yù)測。
2.根據(jù)權(quán)利要求1所述的冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于上述步驟I)所述的生成情景聚類條件為利用冷負(fù)荷歷史數(shù)據(jù)集生成情景聚類條件。
3.根據(jù)權(quán)利要求2所述的冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于上述情景聚類條件選取最高和最低溫度、最高和最低濕度、節(jié)假日情況、使用情況共6個(gè)屬性作為冷負(fù)荷的屬性。
4.根據(jù)權(quán)利要求1所述的冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于上述步驟2)所述的基于先驗(yàn)知識的情景粗聚類為使用常識、先驗(yàn)知識、資料進(jìn)行情景粗聚類。
5.根據(jù)權(quán)利要求1所述的冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于上述步驟3)所述的基于智能算法的自動情景細(xì)聚類為一個(gè)迭代尋優(yōu)的過程，包括智能算法自動情景聚類，情景聚類有效性指標(biāo)評估，通過對上述兩步的迭代，最終確定最佳情景聚類數(shù)和聚類結(jié)果。
6.根據(jù)權(quán)利要求5所述的冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于上述的智能算法自動情景聚類為使用智能算法，在粗聚類的基礎(chǔ)上，自動地確定情景聚類數(shù)，把所有的冷負(fù)荷歷史數(shù)據(jù)都進(jìn)行聚類，確定相應(yīng)的聚類結(jié)果。
7.根據(jù)權(quán)利要求4所述的冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于上述情景聚類有效性指標(biāo)評估為使用情景聚類相關(guān)的指標(biāo)判斷情景聚類數(shù)和聚類結(jié)果的有效性和最優(yōu)性。
8.根據(jù)權(quán)利要求1所述的冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于上述步驟4)所述的根據(jù)細(xì)聚類結(jié)果生成情景分類器為根據(jù)細(xì)聚類結(jié)果確定的聚類中心數(shù)和聚類情況，設(shè)計(jì)情景分類器。
9.根據(jù)權(quán)利要求1所述的冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于上述步驟5)所述的根據(jù)細(xì)聚類結(jié)果生成針對性的有監(jiān)督學(xué)習(xí)預(yù)測模型為根據(jù)細(xì)聚類結(jié)果確定的聚類情況，分析每一類的特性，并根據(jù)特征選取相應(yīng)的有監(jiān)督學(xué)習(xí)預(yù)測模型并訓(xùn)練。
10.根據(jù)權(quán)利要求1所述的冷負(fù)荷預(yù)測的情景-聚類方法，其特征在于上述步驟6)利用分類器和針對性的預(yù)測模型進(jìn)行冷負(fù)荷預(yù)測的方法是:首先把待預(yù)測數(shù)據(jù)輸入到情景分類器中，對數(shù)據(jù)進(jìn)行情景分析，然后再把數(shù)據(jù)輸入到情景對應(yīng)的已訓(xùn)練好的有監(jiān)督學(xué)習(xí)預(yù)測模型中，得出最后的冷負(fù)荷預(yù)測值。
【文檔編號】G06F19/00GK103699771SQ201310445573
【公開日】2014年4月2日 申請日期:2013年9月27日 優(yōu)先權(quán)日:2013年9月27日
【發(fā)明者】文元美, 陳彥宇 申請人:廣東工業(yè)大學(xué)