⑵
[0059] 式中，y (p)為歷史負(fù)荷數(shù)據(jù)的第p個(gè)特征量。
[0060] (23)計(jì)算關(guān)聯(lián)系數(shù)：
[0062] 式中，I1Qi)為參考序列y與比較序列X1在第h個(gè)特征量上的關(guān)聯(lián)系數(shù)，h = 1，2,......p ; P為分辨系數(shù)，通常取P = 0. 5。
[0063] (24)計(jì)算y和比較序列\(zhòng)的關(guān)聯(lián)度：
[0065] 式中，γ為y和比較序列X啲關(guān)聯(lián)度，其值表征了第i個(gè)非需求響應(yīng)因素與用電 負(fù)荷的相關(guān)性，i = 1，2,......，m。
[0066] (25)選擇與y的關(guān)聯(lián)度γ P 0. 9的比較序列所對(duì)應(yīng)的備選非需求響應(yīng)因素作為 基線預(yù)測(cè)模型中需要考慮的非需求響應(yīng)因素。
[0067] 步驟3):相似日的選擇：假設(shè)在非需求響應(yīng)因素挖掘環(huán)節(jié)共確定了 s個(gè)與負(fù)荷關(guān) 聯(lián)度較大的非需求響應(yīng)因素。本節(jié)通過(guò)計(jì)算各備選相似日與待預(yù)測(cè)日的非需求響應(yīng)因素的 關(guān)聯(lián)度，確定基線計(jì)算時(shí)可使用的相似日。
[0068] 構(gòu)建特征量矩陣：對(duì)于m個(gè)備選相似日，每個(gè)相似日有s個(gè)非需求響應(yīng)因素，選取 相同時(shí)間間隔的特征量形成比較序列（取P個(gè)特征量），則可構(gòu)成m個(gè)SXp的特征量矩陣：
[0070] 其中，Xli j (p)表征第i個(gè)備選相似日中第j個(gè)非需求響應(yīng)因素的第p個(gè)特征量。
[0071] 對(duì)于需求響應(yīng)日，同樣的方法可建立特征量矩陣A，其中X] (p)表示第j個(gè)非需求 響應(yīng)因素選取的第P個(gè)特征量。
[0073] 步驟4):計(jì)算關(guān)聯(lián)度：
[0074] 41)對(duì)于m個(gè)備選相似日，分別計(jì)算其各非需求響應(yīng)因素比較序列特征量與對(duì)應(yīng) 同行的需求響應(yīng)日各非需求響應(yīng)因素參照序列特征量的相關(guān)度，即計(jì)算特征量矩陣AjPA 相同行序列的相關(guān)度，計(jì)算方法步驟2)。
[0075] 則m個(gè)備選相似日分別得到s個(gè)關(guān)聯(lián)度，計(jì)為λ u (1彡i彡m，1彡j彡s)。
[0076] 42)計(jì)算備選相似日i (1彡i彡m)與需求響應(yīng)日的加權(quán)關(guān)聯(lián)度λ i:
[0079] 其中，Y1Q彡i彡s)為I. 2節(jié)得到的滿足γι> 0.9條件的第i個(gè)非需求響應(yīng) 因素與負(fù)荷的關(guān)聯(lián)度；λ h j為第i個(gè)備選相似日的第j個(gè)非需求響應(yīng)因素關(guān)聯(lián)度；λ i為第 i個(gè)備選相似日的加權(quán)關(guān)聯(lián)度；為第k個(gè)非需求響應(yīng)因素的加權(quán)系數(shù)。
[0080] 43)確定相似日：選取λ p 0.9(1彡i彡m)的備選相似日作為相似日。
[0081] 步驟5):基線預(yù)測(cè)：基于灰色關(guān)聯(lián)分析法得到的相似日，采用相似日加權(quán)法、多元 線性回歸法和RBF神經(jīng)網(wǎng)絡(luò)法分別對(duì)基線進(jìn)行計(jì)算，最后采用組合計(jì)算法，得到最終的基 線預(yù)測(cè)值。
[0082] 具體步驟如下：
[0083] 51)相似日加權(quán)法
[0084] 根據(jù)相似日負(fù)荷來(lái)預(yù)測(cè)需求響應(yīng)日的基線負(fù)荷Pbasl。(t):
[0087] 式中，Ps_k(t)為用戶第k個(gè)相似日的96點(diǎn)實(shí)際負(fù)荷，可由相似日的歷史統(tǒng)計(jì)數(shù) 據(jù)得到。t = 1，2,……96 ;m為提取的相似日天數(shù)；cok為第k個(gè)相似日的加權(quán)系數(shù)；λ ,為 2. 3節(jié)中滿足λ 0.9條件的第k個(gè)相似日的關(guān)聯(lián)度，k = 1，2,……m。
[0088] 52)線性回歸法
[0089] (1)建立多元線性回歸方程
[0090] y = bo+b^!+.......bmxm+ ε ε e N (0, δ 2) (11)
[0091] 其中，bQA，……，b"為回歸系數(shù)，ε為隨機(jī)誤差。
[0092] (2)未知參數(shù)估計(jì)
[0093] 將相似日歷史負(fù)荷數(shù)據(jù)代入上式得：
[0094] Y = XB+ ε (12)
[0095] 式中：
[0097] ρ = 96,為相似日每日所取負(fù)荷點(diǎn)數(shù)；m為提取的相似日天數(shù)。
[0098] (3)求未知參數(shù)
[0099] 用最小二乘法求未知參數(shù)……，13"的估計(jì)量，得到線性回歸方程為：
[0101] (4)計(jì)算基線負(fù)荷
[0102] 帶入相似日負(fù)荷數(shù)據(jù)計(jì)算需求響應(yīng)日的基線負(fù)荷PbasiJt):
[0103] CN 105117803 A 兄明干ι 7/10 頁(yè)
[0104] 式中，Ps_k(t)為第k個(gè)相似日的96點(diǎn)實(shí)際負(fù)荷，m為提取的相似日天數(shù)。
[0105] 53) RBF神經(jīng)網(wǎng)絡(luò)法
[0106] RBF神經(jīng)網(wǎng)絡(luò)法分為三層，分別是輸入層，隱含層和輸出層。其中，信號(hào)源節(jié)點(diǎn)直接 作為輸入層，并將信號(hào)傳遞給隱含層，隱含層由RBF函數(shù)求解問(wèn)題，輸出層將隱含層的非線 性函數(shù)進(jìn)行加權(quán)，得到最終結(jié)果。
[0107] (1)隱含層
[0108] 使用徑向非線性基函數(shù)作為隱含層的"基"，即隱含層節(jié)點(diǎn)k的高斯函數(shù)表達(dá)式 為：
[0110] 式中，k = 1，2,......M ;X = {x;i = 1，2,......η)}是 η 維輸入向量；Tki為節(jié)點(diǎn) k 的 中心Tk的第i個(gè)分量，δ k為節(jié)點(diǎn)k的Gauss分布寬度；M · I I表示歐式范數(shù)。
[0111] ⑵輸出層
[0112] 輸出層函數(shù)為：
[0114] 式中，k = 1，2,……M，為隱含層節(jié)點(diǎn)；wk為隱含層到輸出層的權(quán)值。
[0115] (3) RBF神經(jīng)網(wǎng)絡(luò)法計(jì)算步驟
[0116] 1)確定學(xué)習(xí)中心
[0117] 采用K-均值聚類算法將η維輸入向量聚合為M類，各聚類中心記為Tk，k = 1，2,......M〇
[0118] 2)確定方差Sk
[0119] 方差Sk(k=l，2,……M)計(jì)算公式為：
[0121] 式中，M為隱含層個(gè)數(shù)；(1_為所取中心之間的最大距離。
[0122] 3)計(jì)算學(xué)習(xí)權(quán)值Wk
[0123] 可以米用最小均方差算法完成權(quán)值的學(xué)習(xí)。
[0124] (4)基線計(jì)算
[0125] 對(duì)選定的η個(gè)相似日的96點(diǎn)負(fù)荷分別采用RBF神經(jīng)網(wǎng)絡(luò)法進(jìn)行計(jì)算，得到需求響 應(yīng)日各時(shí)間點(diǎn)的預(yù)測(cè)負(fù)荷。以時(shí)間點(diǎn)t為例，將η個(gè)相似日在時(shí)間點(diǎn)t的負(fù)荷構(gòu)成η維向 量X(X= Ix1Ii = 1，2,……η) })，輸進(jìn)輸入層，采用上述方法，經(jīng)過(guò)隱含層計(jì)算和輸出層加 權(quán)，得到需求響應(yīng)日對(duì)應(yīng)時(shí)間點(diǎn)t的基線負(fù)荷值Pbasl。(t)。
[0126] 步驟6):對(duì)步驟5)的結(jié)果采用組合計(jì)算模型進(jìn)行計(jì)算，得到最終的基線預(yù)測(cè)值。
[0127] 上文共采用了加權(quán)法、多元線性回歸法和RBF神經(jīng)網(wǎng)絡(luò)法等三種方法分別對(duì)基線 進(jìn)行計(jì)算。組合計(jì)算法可以將各個(gè)模型有機(jī)地組合在一起，綜合各個(gè)模型的優(yōu)點(diǎn)，提供更為 準(zhǔn)確的預(yù)測(cè)結(jié)果。
[0128] (1)組合計(jì)算模型
[0129] 上述進(jìn)行基線計(jì)算時(shí)，共采用了 m(m = 3)種計(jì)算方法，設(shè)某一時(shí)段的實(shí)際值為 yt(t = 1，2···，…9,6)其中利用第i種計(jì)算方法對(duì)t時(shí)段的預(yù)測(cè)值為flit(i = 1，2,…… m)，則相應(yīng)的計(jì)算誤差為eiit= y t_fiit，各種計(jì)算方法的權(quán)重為W = [W1, W2,…，wm]T，且滿足
則計(jì)算組合模型可表示為： .，
[0131] 組合計(jì)算模型對(duì)基線預(yù)測(cè)的絕對(duì)誤差為：
[0133] 組合計(jì)算模型的優(yōu)化問(wèn)題轉(zhuǎn)化為求下面的條件極值問(wèn)題：
[0135] (2)計(jì)算誤差的表征
[0136] 基線計(jì)算不同于負(fù)荷預(yù)測(cè)的一點(diǎn)是，負(fù)荷預(yù)測(cè)的真實(shí)值可以從歷史數(shù)據(jù)中獲取， 而基線計(jì)算的真實(shí)值無(wú)法獲取，即計(jì)算誤差無(wú)法直接表征。本專利采用學(xué)習(xí)法來(lái)計(jì)算基線 預(yù)測(cè)的誤差，即對(duì)選取的η個(gè)相似日，分別將一相似日負(fù)荷作為預(yù)測(cè)對(duì)象（參照量），其它 η-1個(gè)相似日負(fù)荷數(shù)據(jù)作為學(xué)習(xí)樣本，并采用上述加權(quán)法、多元線性回歸法和RBF神經(jīng)網(wǎng)絡(luò) 法分別對(duì)相似日負(fù)荷進(jìn)行預(yù)測(cè)，計(jì)算預(yù)測(cè)誤差。將采用方法i (i = 1，2,……m)預(yù)測(cè)第j (j =1,2,……η)日的t(t = 1，2,……96)時(shí)段負(fù)荷的預(yù)測(cè)誤差記為ei^t，其計(jì)算公式為：
[0137] θι, , t=