一种基于CMI的低冗余短期负荷预测模型制造技术

本发明专利技术公开了一种基于CMI的低冗余短期负荷预测模型，涉及CMI负荷预测领域，其技术方案要点是：采用CMI对原始特征集合中待选特征进行特征排序，然后，采用GRNN作为预测器，序列前向搜索方法确定最优特征子集，最后，根据所得最优特征子集重新训练GRNN得到最优预测模型，挑选冗余性低的用户特征集，降低预测模型复杂度。度。度。

【技术实现步骤摘要】
一种基于CMI的低冗余短期负荷预测模型


[0001]本专利技术涉及CMI负荷预测领域，更具体地说，它涉及一种基于CMI的低冗余短期负荷预测模型。

技术介绍

[0002]负荷预测是电力部门的重要工作内容之一，在电力系统规划、运行、调度中有着重要作用。准确的负荷预测结果能够保证电力系统的可靠、经济运行。
[0003]在负荷预测技术发展早期，负荷预测方法主要为传统预测法，一般包括自回归滑动平均法、回归分析法、卡尔曼滤波法和指数平滑法等，这些方法都是通过分析输入和输出之间的线性关系来建立预测模型并进行预测，在负荷保持稳定的前提下，这些方法能快速有效的得到预测结果；近年来，人工智能算法被大量应用于负荷预测领域，主要包括模糊逻辑法，专家系统法，人工神经网络，支持向量机法等，以上方法相较于传统的预测方法有了很大的提升、但难以兼顾到负荷数据与的其他外部因素的相关性，其中，最小二乘支持向量机LSSVM(CLeast Squares Support Veotor Machine)可通过求解二次规划问题得到全局最优解，建模时需确定多个参数，建模难度大，克服神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CMI的低冗余短期负荷预测模型，其特征在于，包括以下步骤：(1)初始化候选特征集合H和原始特征集合F；(2)CMI特征选择：计算并选取原始特征集合中与目标变量之间具有最大互信息的特征F
s
，将F
s
加入集合H，并将特征F
s
从F中剔除；(3)CMI特征选择：计算并选取集合F剩余特征中与目标变量之间具有最大条件互信息的特征F
i
，将F
i
加入集合H，并将特征F
i
从F中剔除；(4)生成候选特征序列：重复步骤(3)至F为空集，得到的特征集H即为按条件互信息值排序的候选特征集；(5)对于候选特征集合H，采用序列前向搜索方法，以GRNN为预测器，预测误差作为判断标准，确定最优特征子集；(6)根据得到的最优特征子集重新训练GRNN得到最优预测模型。2.根据权利要求1所述的一种基于CMI的低冗余短期负荷预测模型，其特征是：在短期负荷预测中，设X为包含历史负荷、温度和日期特征的待选特征集合，负荷实测值为Y，Z为已选特征集合，X与Y边际密度函数分别为P(x)和P(y)，二者的联合概率密度函数为P(x,y)，X和Y之间的互信息为：在已选特征Z已知的条件下，X中的待选特征与实测值Y的条件互信息为：3.根据权利要求1所述的一种基于CMI的低冗余短期负荷预测模型，其特征是：所述GRNN是一种特殊的径向基神经网络，常用于函数逼近。4.根据权利要求...

【专利技术属性】
技术研发人员：王新迪，卞海红，赵岫，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：