(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210838071.3 (22)申请日 2022.07.17 (71)申请人 云南电网有限责任公司信息中心 地址 650034 云南省昆明市拓东路73号 (72)发明人 孙梦觉　保富　李珗　邓安明　 杨洋　 (74)专利代理 机构 昆明明润知识产权代理事务 所(普通合伙) 53215 专利代理师 王鹏飞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)H02J 3/00(2006.01) (54)发明名称 一种基于电网用户数据集和神经网络的负 荷估算优化方法 (57)摘要 本发明涉及一种基于电网用户数据集和神 经网络的负荷估算优化方法， 属于用户数据挖掘 和分析技术领域。 本发明首先在特征层面上， 多 对层的循环神经网络提取不同维度的数据特征 并训练响应， 然后在算法层面上， 通过分类器模 型依照数据的维度特征分类并融合循环神经网 络神经网络的特征响应， 再对输出响应的数据集 构建组合预测模型， 从而提高预测的可靠性。 通 过对UCI回归分析数据集实验结果表明， 与传统 的算法相比， 本发明对存在 多维度特征的时间序 列数据的回归分析过程中， 能显著提高模型预测 准确率。 权利要求书3页 说明书11页 附图2页 CN 115310675 A 2022.11.08 CN 115310675 A 1.一种基于电网用户数据集和 神经网络的负荷估算优化方法， 其特 征在于： Step1： 获取电网用户数据集， 依照电网用户数据集内的信息维度， 将用户数据信息进 行二维抽象， 得到抽象后的特征结果， 再根据欧拉公式的长度定义， 确 定K‑means聚类算法 输入的判据， 然后通过自适应函数计算各次添加数据的权重值， 建立训练后的初始 聚类边 界； Step2： 添加新的数据样本对应的特征点xi， 再通过step1中的K ‑means聚类算法来对新 添加的特征点xi进行判断， 判断新 添加数据样本的特征点xi是否在K‑means聚类 算法得到的 初始聚类区间中； 若在， 则将其添加到对应的聚类区间中， 若不在， 则需要确定新的聚类边 界； 同时确定新添加的数据样本属于何种类别， 得到最优化聚类的输出 结果； Step3： 对在初始聚类边界中， 添加的所有特征点xi， 重复step2的过程得到新的聚类结 果， 把聚类结果样本集合抽象为样本集合Φ， 再从聚类后的样本集合Φ中遴选出满足式子 的特征点， 并对不满足的特 征点样本进行筛除； Step4： 循环执行step2和step3， 直到剩余的所有数据特征点划分完毕， 确定每一个样 本其对应的聚类区间， 通过计算每一个聚类区间中的聚类中心， 令每个聚类区间的聚类中 心的样本特征点， 对神经网络输入层的权重矩阵进行映射， 从而使得最优化的聚类输出结 果中的聚类中心信息特征， 相对应于神经网络输入层的神经元权重矩阵， 得到最优化输入 层权重矩阵； Step5： 利用得到的最优化输入层权重矩阵， 构建循环神经网络， 通过对上述过程中的 电网用户数据集中的用户数据进行回归分析， 得到 了短期电网用户负载的预测结果； Step6： 首先对于使用到的循环神经网络数量假设为N， 然后对得到的用户数据预测结 果集合抽象为Rm， 网络输出即类标号集合抽象为Rn， 其次通过计算电网用户数据预测样本的 泛化误差E， 依据泛化误差的计算结果对N个循环神经网络的回归分析结果进 行网络复杂度 的优化调整， 得到最终的优化方案 。 2.根据权利要求1所述的基于电网用户数据集和神经网络的负荷估算优化方法， 其特 征在于， 所述Step1具体为： Step1.1： 首先通过电网用户数据集中的数据， 确定数据中的特征维度和目标维度， 以 此抽象构建二维数据， 再根据K ‑means方法进行初始聚类运 算； Step1.2： 对step1.1中聚类的结果通过抽象定义为集合T， T＝{V,S}， 集合T中S和V参数 表示维度特 征， 集合T中的特 征关系通过欧拉公式的长度定义 为： 式中， vi和sk之间的距离则表示两个特征之间的关系， 以此构建特征信息集合， 从而把 集合中的特 征关系映射到需要求取的权 重系数自适应函数中去。 3.根据权利要求2所述的基于电网用户数据集和神经网络的负荷估算优化方法， 其特 征在于， 所述Step1.1中K ‑means聚类算法具体为： Step1.1.1： 随机在N个电网用户数据集的样本中抽取 K个作为初始的质心； Step1.1.2： 开始遍历除开质心外的所有样本点， 将其分配至距离它们最近的质心， 每 一个质心以及被分配至其下的样本点视为 一个簇；权　利　要　求　书 1/3 页 2 CN 115310675 A 2Step1.1.3： 对于每一个簇， 重新计算簇内所有样本点的平均值， 取 结果为新的质心； Step1.1.4： 比对旧的质心与新的质心是否再发生变化， 若发生变化， 按照新的质心从 步骤二开始重复， 若没发生变化， 聚类完成。 4.根据权利要求1所述的基于电网用户数据集和神经网络的负荷估算优化方法， 其特 征在于， 所述Step3具体为： Step3.1： 通过重复Step2的过程中K ‑means聚类算法的计算和训练， 得到最终的聚类结 果之后， 把K ‑means算法训练样本响应后的集合抽象为Φ＝{(xi,yi),1≤i≤c}， 其 中c为样 本的类别数， xi为第i类的样本特 征点， yi为其输出的参数， τi为第i类样本的特 征点总数； 其中正数ri为样本特征点xi到异类样本的欧式距 离， 然后定义一个以xi为中心ri为半径 的区域； Step3.2： 根据 步骤Step2更新后的样本特征集合Φ中最优样本特征点后确定神经网络 模型中输出层神经 元的个数， 其中神经 元数学模型表示 为： y＝f[Φ(x1,x2,...,xn)‑θ ] 其中， Φ(x1,x2,...,xn)为输入的数据集合， θ为阈值， f(*)为神经元的激励函数， 通过 神经网络中神经 元的运算规则： 得到对应低维数据的超平面方程 为： 其中， wi为输出层神经元的权 值， 而 表示为样本 集中第i个数据点离超平面的距 离， 当该点 位于此超平面数据类内则输出为0， 否则为1； Step3.3： 对于样本数据的遴 选方程以及神经网络神经 元的表达式为： 5.根据权利要求1所述的基于电网用户数据集和神经网络的负荷估算优化方法， 其特 征在于， 所述Step5中的循环神经网络由网络输入层和前向输入层序列数据的记忆网络组 成， 首先在输入层中， 假设N个样本集合{(xi,yi)|x∈Rm,y∈Rn,i＝1,2,...,N}为离散时间 序列， Rm表示输入层有m个神经 元， Rn表示输出层有n个神经 元。 6.根据权利要求1所述的基于电网用户数据集和神经网络的负荷估算优化方法， 其特 征在于， 所述Step6具体为： Step6.1： 假 设Rm为这N个循环换神经网络的总输出数据 样本的集合， 则为了计算输 出的 预测数据的泛化误差， 对f:Rm→Rn进行近似， 其中Rn为网络输出即类标号集合， 假设N个样 本 的期望输出为D＝[d1,d2,...,dN]， 其中dj为第j个样本的期望输出， 第i个神经网络的实际 输出为fi＝[fi1,fi2,...,fiN]， 其中fij表示第i个神经网络在第j个样本上的实际输 出， 于是权　利　要　求　书 2/3 页 3 CN 115310675 A 3