[发明专利]面向大规模样本的CVR电力负荷快速预测方法

说明书

技术领域

本发明属于短期电力负荷预测技术领域，尤其涉及一种面向大规模样本的CVR电力负荷快速预测方法。

背景技术

短期电力负荷预测技术可以用于预测电力系统未来几小时至几天内的负荷变化趋势情况。它是保障整个电力系统安全运行和经济运行的最为重要的环节，同时也是制定发电计划和潮流计算的重要依据。目前基于知识自学习方法在电力负荷预测应用中多采用原始数据的一部分作为训练样本数据，以防止样本数据集过大造成训练时间过长的问题，但其所带来的缺陷是：只能进行局部预测，而且由于样本不完全导致精度降低，并且无法或很难解决特殊情况下的预测需求。例如，传统知识学习方法一般可以预测未来一天n点负荷值或未来一个月每天最大负荷值，而对于预测未来一个月中每天n点的负荷这样的问题，无论是样本选取和构造、训练、验证精度、预测都是非常复杂的。为了解决这些问题，需要构造大规模或超大规模样本集，然而传统方法对大规模样本下训练速度过于缓慢甚至瘫痪，这对于实时性要求较高的电力系统是致命的。

为此，本发明通过构造大规模样本集并结合CVR(CORE VECTORREGRESSION：核向量回归)预测算法解决上述问题，并通过一种基于迭代策略的滚动预测方法大大简化从样本生成到输出结果的中间过程，在大幅度降低时空开销的同时保证了预测精度。

对于机器学习在负荷预测领域应用而言，预测过程实际上是通过对已知的负荷数据进行统计分析，找出影响负荷变化的因素并生成训练样本，通过找出样本结构的输入与输出之间的映射关系进而推算出未知的负荷输出量，因此，负荷预测其实质就是一个回归迭代过程。

目前越来越多的机器学习方法开始逐渐引入到短期负荷预测领域，而核方法最为成功地解决了机器学习问题。其中，SVM(SUPPORT VECTORMANCHINE：支持向量机)及SVR(SUPPORT VECTOR REGRESSION：支持向量回归)尤为突出。许多核方法可以归结为QP(QuadraticProgramming：二次规划)问题。在SVR的训练过程中，若m表示训练样本集容量，则QP的时间复杂度为O(m³)，空间复杂度至少为O(m²)。因此，当负荷训练样本集规模较大，维数较高时，SVM(或SVR)的主要问题就在于难以克服大规模样本集训练的时空开销过大的问题。

为了降低时空复杂度，常用的方法是得到低阶近似核矩阵或通过矩阵分解。但在大规模样本集下，其结果仍不能满足效率要求。另外可以通过程序分块或矩阵高精度分解近似提高核方法。其中最为常用的SMO(SequentialMinimal Optimization：序贯最小化方法)将原QP分解为一系列尽可能小的QP，其中每一个只包含2个输入变量。采用类似思想的分解算法是使用大量局部SVM组合代替原SVM。此外，还可以简单地利用核矩阵的一个子阵进行替换来对SVM进行降维。

CVM(CORE VECTOR MACHINE：核向量机)是通过MEB(MinimumEnclosing Ball：最小内附球体)算法对SVM执行过程进行近似。观察数据表明SVM的实际执行过程同许多数值演算中所做的类似，通过MEB迭代策略近似得到最优解。在训练过程中，其训练停止判别准则取决于拉格朗日乘子和二元差。实验结果表明近似最优解在实际应用中已经可以满足要求。通过引入计算几何中的MEB近似算法，CVM的时间复杂度可以降到O(m)，而空间复杂度不依赖于m。

但是，CVM需要满足以下两个条件：

1)核函数k需满足k(x，x)是一个常数；  条件1

2)核方法的QP需要是形如下式的特殊式：

max-α′Kα:α≥0，α′1＝1        条件2

尤其是其中不能包含线性关系。其中核函数与SVR中的核函数类似。由此，由于SVR中存在的一个线性关系使其不能满足条件2。

在这种情况下，通过引入一种基于扩展CVM的算法CVR应用于短期负荷预测的训练与预测过程当中，其可以适应于更加广泛的QP形式，同时可以解除核条件约束，换句话说，无论是线性核还是非线性核，都可以利用CVR对数据样本进行训练。