基于灰色關(guān)聯(lián)度的多重bp神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法，本發(fā)明方法包括：一、基于灰色關(guān)聯(lián)度的負(fù)荷序列關(guān)聯(lián)性分析；二、基于最短距離法聚類確定多重BP神經(jīng)網(wǎng)絡(luò)的成員集；三、基于有效性指標(biāo)確定多重BP神經(jīng)網(wǎng)絡(luò)的重數(shù)；四、還引入了動量因子，并采用多次計算求平均值的方式，改善BP神經(jīng)網(wǎng)絡(luò)易陷入局部收斂的問題，提高其抗振蕩能力；五、將建立的多重BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對短期電力負(fù)荷進行預(yù)測。本發(fā)明方法改善了BP神經(jīng)網(wǎng)絡(luò)易陷入局部收斂的問題，提高了其抗振蕩能力，且多重BP神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，具有更好的預(yù)測效果。
【專利說明】
基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及電力系統(tǒng)短期負(fù)荷預(yù)測應(yīng)用的技術(shù)領(lǐng)域，特別設(shè)及一種基于灰色關(guān)聯(lián) 度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法。
【背景技術(shù)】
[0002] 電力負(fù)荷預(yù)測在保證電力系統(tǒng)規(guī)劃與可靠、經(jīng)濟運行方面具有十分重要的意義。 隨著現(xiàn)代技術(shù)的不斷進步和智能電網(wǎng)的深入，負(fù)荷預(yù)測理論和技術(shù)已有很大發(fā)展。多年來， 電力負(fù)荷預(yù)測方法和理論不斷涌現(xiàn)，時間序列法、模糊理論、回歸分析法、回歸支持向量機、 貝葉斯和神經(jīng)網(wǎng)絡(luò)等技術(shù)為電力負(fù)荷預(yù)測提供了很好的技術(shù)支撐。但現(xiàn)有算法仍存在一定 的局限性。時間序列法:對歷史數(shù)據(jù)準(zhǔn)確性較高，短期負(fù)荷預(yù)測時，對天氣因素不敏感，難W 解決因氣象因素引起的短期負(fù)荷預(yù)測精度不高的問題?；貧w分析法:從統(tǒng)計平均意義視角 定量地描述所觀察變量之間的數(shù)量關(guān)系，但受負(fù)荷數(shù)據(jù)量規(guī)模的限制較大?；貧w支持向量 機:該方法在具有很好的泛化能力，但會因?qū)土P系數(shù)C、損失函數(shù)的e和核函數(shù)的丫值參數(shù) 的尋優(yōu)而導(dǎo)致訓(xùn)練時間過分地冗長，尤其在訓(xùn)練樣本集規(guī)模較大時，體現(xiàn)得越突出。
[0003] 考慮到BP神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力、自學(xué)習(xí)能力和容錯能力，將其應(yīng) 用于負(fù)荷小數(shù)據(jù)集時，具有預(yù)測精度較高、訓(xùn)練速度快等優(yōu)點。然而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于 負(fù)荷預(yù)測時，仍存在一個關(guān)鍵問題，隨著負(fù)荷樣本數(shù)量的增加，網(wǎng)絡(luò)預(yù)測精度可能會下降， 即所謂的"過擬合"問題，且同時會導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練時收斂速度變慢。其原因在于歷史負(fù) 荷數(shù)據(jù)每一天的負(fù)荷都存在峰谷差，且波動較大，因此直接將全部負(fù)荷數(shù)據(jù)共用一個BP神 經(jīng)網(wǎng)絡(luò)。顯然，在訓(xùn)練時，網(wǎng)絡(luò)為強調(diào)整體的訓(xùn)練誤差，將會出現(xiàn)"過擬合"的問題，會導(dǎo)致后 期實際負(fù)荷預(yù)測時泛化能力較弱，且隨著訓(xùn)練樣本的增加，負(fù)荷預(yù)測速度也將明顯下降。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是提供一種基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷 預(yù)測方法，針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于負(fù)荷預(yù)測中因存在"過擬合"而導(dǎo)致泛化能力較弱的 問題，基于灰色關(guān)聯(lián)度和最短距離法，定義表征聚類優(yōu)劣的有效性指標(biāo)，W此確定預(yù)測模型 的合理重數(shù)。
[0005] 為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：
[0006] -種基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法，包括W下步驟:步驟一:采 用灰色關(guān)聯(lián)度方法對負(fù)荷序列的關(guān)聯(lián)性進行分析;步驟二:根據(jù)最短距離法聚類確定多重 BP神經(jīng)網(wǎng)絡(luò)的成員集;步驟根據(jù)有效性指標(biāo)確定多重BP神經(jīng)網(wǎng)絡(luò)的重數(shù);步驟四：根據(jù) 步驟一的分析結(jié)果和步驟二、S確定重數(shù)后的BP神經(jīng)網(wǎng)絡(luò)進行負(fù)荷預(yù)測。
[0007] 進一步的，還包括步驟五:對BP神經(jīng)網(wǎng)絡(luò)進行改進，即引入動量因子，采用多次計 算求平均值的方式對BP神經(jīng)網(wǎng)絡(luò)進行改進。
[0008] 進一步的，B巧申經(jīng)網(wǎng)絡(luò)由信號的正向傳遞和誤差的反向傳播兩部分組成，計算實 際輸出時按輸入到輸出的方向進行，而各層權(quán)值、闊值的修正過程則從輸出到輸入的方向 進行。
[0009] 進一步的，所述誤差的反向傳播包括：由輸出層開始逐層計算各層神經(jīng)元的輸出 誤差，再根據(jù)誤差梯度下降法調(diào)節(jié)各層的權(quán)值和闊值，使調(diào)節(jié)后網(wǎng)絡(luò)映射的最終輸出能接 近期望值。
[0010] 進一步的，所述步驟一具體包括：
[0011] 構(gòu)造序列矩陣，W歷史負(fù)荷數(shù)據(jù)縱向24點負(fù)荷序列為基礎(chǔ)，建立初始負(fù)荷序列矩 陣L= [Li，L2，…山]，其中m數(shù)值為24，N為歷史負(fù)荷數(shù)據(jù)的縱向維度，對應(yīng)負(fù)荷記錄天數(shù)，
[0012] 無量綱化，用初值法方法進行數(shù)據(jù)處理，得無量綱矩陣，記作!/=[!/1,1/2,…，L 'm]，L'i(k)=kA)/li(l)i = l，2，...，N;k=l，2，...，m;
[0013] 關(guān)聯(lián)系數(shù)計算，
'式中，P和q均為縱 向24點負(fù)荷序列的序號，S為分辨系數(shù)，k為縱向長度索引，Cpq化)為第k行P列負(fù)荷與q列負(fù) 荷的關(guān)聯(lián)系數(shù)；
[0014] 關(guān)聯(lián)度計算，Tpq為第P列負(fù)荷與q列負(fù)荷的關(guān)聯(lián)度，通過關(guān)聯(lián)度的計算負(fù)荷序列的 關(guān)聯(lián)系數(shù)矩陣
[0015] 進一步的，所述步驟二具體包括：
[0016] 采用歐式距離定量計算出表征負(fù)荷關(guān)聯(lián)矩陣序列彼此之間相似性的距離向量；
[0017] 采用最短距離法獲取包含聚類樹信息的矩陣；
[0018] 結(jié)合;
所確定的負(fù)荷序列的關(guān)聯(lián)系數(shù)矩陣，采用 最短距離法確定多重BP神經(jīng)網(wǎng)絡(luò)重數(shù)的譜系圖。
[0019] 進一步的，所述步驟=中的有效性指標(biāo)為
I:其中，Lp(i)、Lq(i)分別表示同一類中第i天p、q時 刻的負(fù)荷，Lr(i)、Lt(i)分別表示不同類中第i天r、t時刻的負(fù)荷，N為歷史負(fù)荷數(shù)據(jù)的縱向 維度，對應(yīng)負(fù)荷記錄天數(shù)。
[0020] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：提出基于灰色關(guān)聯(lián)度和最短距離法聚類 的多重BP神經(jīng)網(wǎng)絡(luò)的重數(shù)擇取的方法，W合并部分密切相關(guān)的負(fù)荷序列，適當(dāng)降低多重BP 神經(jīng)網(wǎng)絡(luò)的重數(shù)。同時，引入動量因子，并采用多次計算求平均值的方式，改善BP神經(jīng)網(wǎng)絡(luò) 易陷入局部收斂的問題，提高其抗振蕩能力。多重BP神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模 型，具有更好的預(yù)測效果。
【附圖說明】
[0021] 圖1是本發(fā)明所設(shè)及到的典型S層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。
[0022] 圖2是本發(fā)明中多重BP神經(jīng)網(wǎng)絡(luò)的成員集擇取譜系圖。
[0023] 圖3是本發(fā)明中多重BP神經(jīng)網(wǎng)絡(luò)模型負(fù)荷短期預(yù)測效果。
[0024] 圖4是本發(fā)明中6重BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測結(jié)果圖。
【具體實施方式】
[0025] 下面結(jié)合附圖和【具體實施方式】對本發(fā)明作進一步詳細(xì)的說明。
[00%] 1、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測原理解析
[0027] 1)BP神經(jīng)網(wǎng)絡(luò)基本模型
[0028] 在1986年，^郵1116比曰的和]\1成611曰11(1為首的科學(xué)家提出BP神經(jīng)網(wǎng)絡(luò)，其是一種能 學(xué)習(xí)和存儲大量的輸入-輸出模式映射關(guān)系，而無需事前掲示運種映射關(guān)系的數(shù)學(xué)方程的 多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成。圖1為一個典型的S層BP神經(jīng)網(wǎng)絡(luò)的 結(jié)構(gòu)圖，層與層之間采用全互連方式，同一層之間不存在相互連接，隱含層可W-層或多 層。圖1中，Xj表示輸入層第j個節(jié)點的輸入;WU表示隱含層第i個節(jié)點到輸入層第j個節(jié)點之 間的權(quán)值;為隱含層第i個節(jié)點的闊值；d)為隱含層的激勵函數(shù);Wki表示輸出層第k個節(jié)點 到隱含層第i個節(jié)點之間的權(quán)值;化為輸出層第k個節(jié)點的闊值;4為輸出層的激勵函數(shù);Ok表 示第k個節(jié)點的輸出。
[0029] 2)BP神經(jīng)網(wǎng)絡(luò)信號傳遞和誤差修正
[0030] 基本BP神經(jīng)網(wǎng)絡(luò)算法由信號的正向傳遞和誤差的反向傳播兩部分組成，即計算實 際輸出時按輸入到輸出的方向進行，而各層權(quán)值、闊值的修正過程則從輸出到輸入的方向 進行。根據(jù)圖1所示參數(shù)，對BP神經(jīng)網(wǎng)絡(luò)的輸出信號、各層權(quán)值和闊值進行計算與調(diào)整。
[0031] (1)輸入信號的前向傳播過程
[0032] 依據(jù)圖1中BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，可得知所關(guān)屯、的隱含層第i個節(jié)點的輸入neti與 輸出量Oi、輸出層第k個節(jié)點的輸入量netk與輸出量Ok分別為
[0033] 識
[0034] 傑
[00對 巧
[0036] (4)
[0037] (2)誤差信號的反向傳播過程
[0038] 誤差的反向傳播，即首先由輸出層開始逐層計算各層神經(jīng)元的輸出誤差，然后根 據(jù)誤差梯度下降法調(diào)節(jié)各層的權(quán)值和闊值，使調(diào)節(jié)后網(wǎng)絡(luò)映射的最終輸出能接近期望值。 依據(jù)誤差梯度下降法，可依次修正隱含層至輸出層權(quán)值修正量A wki、輸出層闊值修正量A Qk、輸入層至隱含層權(quán)值修正量A Wij和隱含層闊值修正量A 0姻式(5)-式(8)所示，式中，n 為學(xué)習(xí)速率，P為訓(xùn)練樣本總數(shù)。
[0039] (、）
[0040] (6)
[0041] (巧
[0042] 腳
[0043] 2、基于灰色關(guān)聯(lián)度的負(fù)荷序列關(guān)聯(lián)性分析
[0044] 關(guān)聯(lián)分析是灰色系統(tǒng)理論提出的一種分析系統(tǒng)中各因素關(guān)聯(lián)程度的方法，其基本 思想是根據(jù)曲線間相似程度來判斷關(guān)聯(lián)程度，計算步驟如下：
[0045] 1)構(gòu)造序列矩陣。W歷史負(fù)荷數(shù)據(jù)縱向24點負(fù)荷序列為基礎(chǔ)，建立初始負(fù)荷序列 矩陣L= [Li，L2，一Lm]，其中m數(shù)值為24，N為歷史負(fù)荷數(shù)據(jù)的縱向維度，對應(yīng)負(fù)荷記錄天數(shù)。
[0046] 納：
[0047] 2)無量綱化。為消除量綱的影響，用初值法方法進行數(shù)據(jù)處理。采用式（10)可得無 量綱矩陣，記作1/ = [1/ 1,1/ 2 ,…，1/ m]。
[004引 L'i(k)=以化）/以（1)1 = 1,2,... ,N;k = l ,2,... ,m (10)
[0049] 3)關(guān)聯(lián)系數(shù)計算。
[(K)加] (11)
[0051] 式中：P和q均為縱向24點負(fù)荷序列的序號；>9為分辨系數(shù)，其作用在于提高關(guān)聯(lián)系 數(shù)間的差異顯著性，一般取其值為〇.5;k為縱向長度索引；Cpq化)為第k行P列負(fù)荷與q列負(fù)荷 的關(guān)聯(lián)系數(shù)。
[0052] 4)關(guān)聯(lián)度計算。式（12)中丫 pq為第P列負(fù)荷與q列負(fù)荷的關(guān)聯(lián)度。通過關(guān)聯(lián)度的計算 負(fù)荷序列的關(guān)聯(lián)系數(shù)矩陣。
[0化3]
(12)
[0054] 3、基于最短距離法聚類確定多重BP神經(jīng)網(wǎng)絡(luò)的成員集
[0055] 聚類分析算法眾多，如K-Means、基于網(wǎng)格和密度的聚類算法、F聚類算法和最短距 離法等。其中，采用最短距離法進行聚類，相比其它算法簡便易操作。因此，選擇最短距離法 進行負(fù)荷序列聚類，并選擇適當(dāng)?shù)木垲惥嚯x量，W確定最終多重BP神經(jīng)網(wǎng)絡(luò)的重數(shù)。在進行 聚類時，先采用歐式距離定量計算出表征負(fù)荷關(guān)聯(lián)矩陣序列彼此之間相似性的距離向量， 其次采用最短距離法獲取包含聚類樹信息的矩陣。結(jié)合式（12)所確定的負(fù)荷序列的關(guān)聯(lián)系 數(shù)矩陣，采用最短距離法可確定多重BP神經(jīng)網(wǎng)絡(luò)重數(shù)的譜系圖。
[0056] 4、基于有效性指標(biāo)確定多重BP神經(jīng)網(wǎng)絡(luò)的重數(shù)
[0057] 為衡量聚類結(jié)果的優(yōu)劣，從聚類本質(zhì)定義表征聚類效果優(yōu)劣的有效性指標(biāo)。考慮 到較優(yōu)的聚類結(jié)果應(yīng)具有類內(nèi)部之間距離越小越好、類間距離越大越好的特點，定義如式 (13)所示的有效性指標(biāo)。
[0化引
（U)
[0059] 式中：Lp(i)、Lq(i)分別表示同一類中第i天p、q時刻的負(fù)荷;k(i)、Lt(i)分別表示 不同類中第i天r、t時刻的負(fù)荷;N含義同式(9)。
[0060] 下面通過具體實例對本發(fā)明方法及有益效果作更為詳細(xì)的說明。
[0061] 1、算例系統(tǒng)及數(shù)據(jù)處理
[0062] 本發(fā)明數(shù)據(jù)來源于某實際電網(wǎng)所采集的負(fù)荷數(shù)據(jù)和天氣數(shù)據(jù)，每個設(shè)備的采樣時 間間隔周期為化，天氣信息為干球溫度、露點溫度。實驗室數(shù)據(jù)量雖然沒有達(dá)到大數(shù)據(jù)的規(guī) 模，但可W用此實驗數(shù)據(jù)進行算法正確性實驗，為大數(shù)據(jù)環(huán)境下的負(fù)荷預(yù)測提供一種新的 方法。訓(xùn)練范圍為2014年1月舊至2014年3月31日的用電數(shù)據(jù)。預(yù)測日為2014年4月舊不同 時刻的電力負(fù)荷，如表1所示。對負(fù)荷數(shù)據(jù)的研究發(fā)現(xiàn)運些數(shù)據(jù)呈現(xiàn)一種延續(xù)性、周期性、相 關(guān)性的特點，根據(jù)運些特點和大量文獻(xiàn)的研究成果確定樣本屬性為日前兩周同時刻負(fù)荷、 日前一周同時刻負(fù)荷、日前兩天同時刻負(fù)荷、日前一天同時刻負(fù)荷、日前一天同時刻干球溫 度、日前一天同時刻露點溫度、預(yù)測當(dāng)天同時刻干球溫度和預(yù)測當(dāng)天同時刻露點溫度，預(yù)測 曰同時刻實際負(fù)荷，其樣本數(shù)據(jù)如表2所示。
[0063] 表1 2014年4月1日的實際負(fù)荷數(shù)據(jù)

'[0067]值得注意的是，B巧巾經(jīng)網(wǎng)絡(luò)對數(shù)值介于0與I之間的數(shù)比較敏感，因此，在將原始負(fù)' 荷序列輸入分布式BP神經(jīng)網(wǎng)絡(luò)模型前，需先對數(shù)據(jù)進行歸一化處理，訓(xùn)練結(jié)束后在進行反 歸一化處理，得到實際負(fù)荷預(yù)測值。
[0068] 2、實驗結(jié)果和分析
[0069] 本次實驗?zāi)康脑谟谧C實多重BP神經(jīng)網(wǎng)絡(luò)模型相比直接將所有歷史負(fù)荷數(shù)據(jù)共用 一個BP神經(jīng)網(wǎng)絡(luò)模型，具有更好的預(yù)測精度。結(jié)合式(13)得知建立6重的BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷 預(yù)測模型是相對合理的，對應(yīng)有效性指標(biāo)值最小，為0.1422。重數(shù)成員選擇依據(jù)可參照圖2， 即設(shè)置為6時，意味著創(chuàng)建6個BP負(fù)荷預(yù)測模型，將時刻編號為2-8、時刻編號為9、時刻編號 為1與20-24、時刻編號為10、時刻編號為11的負(fù)荷相關(guān)序列分別作為BP負(fù)荷預(yù)測模型1-5的 輸入、輸出量，剩余時刻的負(fù)荷相關(guān)序列作為BP負(fù)荷預(yù)測模型6的輸入、輸出量。
[0070] 圖3預(yù)測效果圖為多次運行求平均值的結(jié)果。可得知BP神經(jīng)網(wǎng)絡(luò)重數(shù)對負(fù)荷預(yù)測 精度的影響較大，建立6重BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷短期預(yù)測模型，相比所有歷史負(fù)荷相關(guān)序列共 用同一 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，具有更好的預(yù)測精度?；?重BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測效果如 圖4所示，平均絕對相對誤差為3.01%，均方根誤差為1.63%，滿足實際負(fù)荷預(yù)測精度的要 求。
【主權(quán)項】
1. 一種基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法，其特征在于，包括以下步驟： 步驟一:采用灰色關(guān)聯(lián)度方法對負(fù)荷序列的關(guān)聯(lián)性進行分析;步驟二:根據(jù)最短距離法聚類 確定多重BP神經(jīng)網(wǎng)絡(luò)的成員集;步驟三:根據(jù)有效性指標(biāo)確定多重BP神經(jīng)網(wǎng)絡(luò)的重數(shù);步驟 四：根據(jù)步驟一的分析結(jié)果和步驟二、三確定重數(shù)后的BP神經(jīng)網(wǎng)絡(luò)進行負(fù)荷預(yù)測。2. 如權(quán)利要求1所述的基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法，其特征在于， 還包括步驟五:對BP神經(jīng)網(wǎng)絡(luò)進行改進，即引入動量因子，采用多次計算求平均值的方式對 BP神經(jīng)網(wǎng)絡(luò)進行改進。3. 如權(quán)利要求1或2所述的基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法，其特征在 于，所述BP神經(jīng)網(wǎng)絡(luò)由信號的正向傳遞和誤差的反向傳播兩部分組成，計算實際輸出時按 輸入到輸出的方向進行，而各層權(quán)值、閾值的修正過程則從輸出到輸入的方向進行。4. 如權(quán)利要求3所述的基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法，其特征在于， 所述誤差的反向傳播包括：由輸出層開始逐層計算各層神經(jīng)元的輸出誤差，再根據(jù)誤差梯 度下降法調(diào)節(jié)各層的權(quán)值和閾值，使調(diào)節(jié)后網(wǎng)絡(luò)映射的最終輸出能接近期望值。5. 如權(quán)利要求1或2所述的基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法，其特征在 于，所述步驟一具體包括： 構(gòu)造序列矩陣，以歷史負(fù)荷數(shù)據(jù)縱向24點負(fù)荷序列為基礎(chǔ)，建立初始負(fù)荷序列矩陣L = [L1, L2,…Lm]，其中m數(shù)值為24，N為歷史負(fù)荷數(shù)據(jù)的縱向維度，對應(yīng)負(fù)荷記錄天數(shù)，無量綱化，用初值法方法進行數(shù)據(jù)處理，得無量綱矩陣，記作 (k)=Li(k)/Li(l)i = l，2，."，N;k=l，2，，m; 關(guān)聯(lián)系數(shù)計算式中，P和q均為縱向24點 負(fù)荷序列的序號，Θ為分辨系數(shù)，k為縱向長度索引，|Pq(k)為第k行p列負(fù)荷與q列負(fù)荷的關(guān)聯(lián) 系數(shù)； 關(guān)聯(lián)度計算，γΜ為第P列負(fù)荷與q列負(fù)荷的關(guān)聯(lián)度，通過關(guān)聯(lián)度的計算負(fù)荷序列的關(guān)聯(lián) 系數(shù)矩陣6. 如權(quán)利要求1或2所述的基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法，其特征在 于，所述步驟二具體包括： 采用歐式距離定量計算出表征負(fù)荷關(guān)聯(lián)矩陣序列彼此之間相似性的距離向量； 采用最短距離法獲取包含聚類樹信息的矩陣； 結(jié)1斤確定的負(fù)荷序列的關(guān)聯(lián)系數(shù)矩陣，采用最短 距離法確定多重BP神經(jīng)網(wǎng)絡(luò)重數(shù)的譜系圖。7. 如權(quán)利要求1或2所述的基于灰色關(guān)聯(lián)度的多重BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測方法，其特征在 于，所述步驟三中的有效性指標(biāo)，其中，Lp ( i)、 1^(:〇分別表示同一類中第：[天口、9時刻的負(fù)荷，1^(;〇、1^(;〇分別表示不同類中第;[天1'、1:時 刻的負(fù)荷，N為歷史負(fù)荷數(shù)據(jù)的縱向維度，對應(yīng)負(fù)荷記錄天數(shù)。
【文檔編號】G06Q50/06GK106022954SQ201610323293
【公開日】2016年10月12日
【申請日】2016年5月16日
【發(fā)明人】劉天琪, 蘇學(xué)能, 焦慧明, 何川
【申請人】四川大學(xué)