(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 202210992445.7 (22)申请日 2022.08.18 (71)申请人 金陵科技学院 地址 211169 江苏省南京市江宁区弘景 大 道99号 (72)发明人 游坤　朱咸军　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. H02J 3/00(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 9/50(2006.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于云计算的电力负荷预测方法 (57)摘要 本发明公开了一种基于云计算的电力负荷 预测方法， 利用正交化最小二乘法OLS算法计算 中心向量， 通过设置阈值和精度参数保证计算结 果的准确性， 随后在Hadoop的云计算环境下， 将 k‑means聚类算法融入到MapReduce架构中， 以此 计算中心向量的修正值， 根据中心向量的修正值 求得扩展参数， 并根据等式保证结果的精度， 接 着利用中心向量和扩展参数求得径向基函数值， 并以此求得权重值， 最后将径向基函数值和权值 代入值RBF神经网络中计算预测结果。 本申请在 Hadoop环境下， 以OLS算法、 k ‑means聚类算法、 MapReduce架构和RBF神经网络为基础， 构建了一 种电力负荷预测的方法， 在保证了预测准确性的 前提下， 提高了运行速度。 权利要求书2页 说明书5页 附图1页 CN 115241873 A 2022.10.25 CN 115241873 A 1.一种基于云计算的电力负荷预测方法， 其特 征在于： 具体包括以下步骤： S1： 选取电力负荷数据； S2： 使用正交最小二乘法OLS求取径向基函数的中心向量， 同时设置阈值检测径向基函 数的中心向量， 若不满足阈值则调整隐含层神经 元数重新计算； S3： 在云计算环境中使用k ‑means算法， 结合MapReduce架构来调整径向基函数的中心 向量并计算扩展参数， 使用等式测算扩展参数， 满足则进行下一步， 不满足则重新选取输入 数据； S4： 计算权值并运行RBF神经网络； S5： 输出电力负荷数据预测值。 2.根据权利要求1所述的一种基于云计算的电力负荷预测方法， 其特征在于： 所述S2的 具体计算步骤如下： S2.1： 将实际的电力负荷数据作为样本数T， 设At为输入向量， Bt为期望向量， 两者都为 维数相同的向量， et为输入向量与输入向量的绝对误差， t的取值范围为1,2, …T， 可得公 式： S2.2： 将RBF神经网络的隐含层神经元数量设为H， 初始情况下一般为1， wh为权重矩阵， Oh(t)为回归算子， h的取值范围为1， 2， …H， 可得Bt的计算公式： S2.3： 将式(2)表示 为矩阵： B＝OWH+e           (3) S2.4： 使用正交三角QR分解方法， 将O表示 为矩阵Q和上三角矩阵R， 具体公式如下： B＝QRWH+e        (4) S2.5： 将RW表示 为qh， 根据正交最小二乘法， 得最小二乘解， 公式如下： S2.6： 选用施密特正交化方法进行计算 来减少误差， 确定值sh， 具体公式如下： S2.7： 设置阈值z， 选取满足公式(7)的输入向量作为中心向量ck， k的取值为小于T的整 数： 若没有满足条件的中心向量ck， 则调整Bt和H后重新计算。 3.根据权利要求1所述的一种基于云计算的电力负荷预测方法， 其特征在于： 所述S3的 具体计算步骤如下： S3.1： 将电力负荷数据样本集合和OLS确认的中心向量ck输入， 表示为ck(n)， n代表迭代权　利　要　求　书 1/2 页 2 CN 115241873 A 2次数； S3.2： 计算欧式距离D， At(n)表示在由At中随机抽取 的数据代表的第n次迭代的输入数 据， 如输入向量与某一中心向量的D值最小， 则将这一输入向量归入到这一聚类点集合Jk 中， 具体公式如下： D＝arg||At(n)‑ck(n)||        (8) S3.3： 获取新的聚类中心ck(n)'， 表示集合Jk中子集的数量， 计算公式如下： S3.4： 如满足式(10)， 则 ck(n)'为新的中心向量， 进入步骤S3.5， 不满足返回步骤S3.2， 重新随机抽取 数据： ck(n)′＝ck(n+1)'        (10) S3.5： 计算中心向量之间的距离Dc， X表示重 叠系数n/2， 系数S的计算公式如下 所示： Dc＝||ck(n)'‑ck||      (11) S＝DcX        (12)。 4.根据权利要求1所述的一种基于云计算的电力负荷预测方法， 其特征在于： 所述S3 中 的云计算环境 为Hadoop的云计算环境。 5.根据权利要求1所述的一种基于云计算的电力负荷预测方法， 其特征在于： 所述S4中 计算权值包括以下步骤： S4.1： 计算径向基函数， Ch'表示这一神经元下At对应的中心向量， 具体公式如下： S4.2： 计算权值 wth： wth＝(FTF)AtF     (14)。 6.根据权利要求1所述的一种基于云计算的电力负荷预测方法， 其特征在于： 所述S5 中 输出的电力负荷数据预测值即为RBF神经网络的输出值Y： 。权　利　要　求　书 2/2 页 3 CN 115241873 A 3