[发明专利]自适应变权重组合负荷预测方法及装置

权利要求书

1.一种自适应变权重组合负荷预测方法，其特征在于，包括：

基于多种预测方法的日前负荷预测建模，得到多个单一日前负荷预测模型；

基于多个单一日前负荷预测模型建立日前负荷组合预测模型；

基于强化学习对所述日前负荷组合预测模型的权重进行更新；

基于强化学习对所述日前负荷组合预测模型的权重进行更新，具体包括：

将多种预测方法分别构建得到的单一日前负荷预测模型在日前负荷组合预测模型当中所占的权重系数及当前环境因素作为状态-动作对，并将该权重系数条件下组合预测误差的方差填入知识矩阵，通过离线学习形成完整可靠的知识矩阵；

所述离线学习的具体过程如下：

获取多个历史数据，所述历史数据包括日用电量的实际值与日用电量的预测值以及该日的环境参数；所述预测值是通过多种预先选取的单一预测模型预测得到；

确定以组合预测模型的组合权重为s、环境参数为a的基于强化学习的知识矩阵；

以组合预测误差的相反数作为回报值函数；

在所述知识矩阵内填入组合预测模型的组合预测误差的方差，完成离线学习；

判断知识矩阵是否满足收敛条件，如果是，则执行在线学习；

在线学习过程中，如果在线状态与知识矩阵中某一状态完全一致，可以直接查找知识矩阵获得组合权重；

如果在线状态与知识矩阵中任一状态都不完全一致，则通过相似日的方法，分别对比待预测日的日平均气温、最高气温、最低气温、实时电价与知识矩阵当中相应历史数据的相似度。

2.根据权利要求1所述的方法，其特征在于，所述单一日前负荷预测模型包括平均增长率预测模型、线性二次移动平均模型、三次指数平滑预测模型以及灰色系统理论预测模型。

3.根据权利要求1所述的方法，其特征在于，所述基于多个单一日前负荷预测模型建立日前负荷组合预测模型，具体包括：

设k个无偏预测值分别为设k种预测方法各自的预测误差分别为e₁,e₂,...,e_k，且服从零均值正态分布，各自的预测误差的方差为σ₁₁,σ₂₂,...,σ_kk可以用下式进行计算；

式中：n为历史数据数目；

由此，可给出组合权重w_i(i＝1,2,...,k)的估计式为：

则k个预测值的组合预测结果为：

组合预测误差的方差为：

设对某一预测对象y,利用k种预测方法得到k个模型的预测序列值组合预测结果为：

式中：为t时刻的组合预测值；w_i(t)为第i种预测方法在t时刻的权重。

4.根据权利要求1所述的方法，其特征在于，所述通过相似日的方法，具体包括：

若设待预测日的气象特征向量为x，x＝[t₁,T,t₂]，第j个相似的历史日的气象特征向量为x_j，x_j＝[t_1j,T_j,t_2j]，其中t₁，T，t₂分别表示待预测日的最高温度、平均温度和最低温度；同理可推知x_j中各个元素的含义；

利用灰色关联系数法，则待预测日和第j日第k个特征向量分量的关联系数为：

式中：ξ_i(k)为x_j(k)与待测日在第k个特征向量分量的关联系数，ρ∈[0,1]为分辨系数。

5.根据权利要求1所述的方法，其特征在于，所述强化学习采用Q学习，所述知识矩阵为Q矩阵。

6.一种自适应变权重组合负荷预测装置，其特征在于，包括：

第一建模模块，用于基于多种预测方法的日前负荷预测建模，得到多个单一日前负荷预测模型；

第二建模模块，用于基于多个单一日前负荷预测模型建立日前负荷组合预测模型；

权重更新模块，用于基于强化学习对所述日前负荷组合预测模型的权重进行更新；

所述权重更新模块，还用于将多种预测方法分别构建得到的单一日前负荷预测模型在日前负荷组合预测模型当中所占的权重系数及当前环境因素作为状态-动作对，并将该权重系数条件下组合预测误差的方差填入知识矩阵，通过离线学习形成完整可靠的知识矩阵；

所述离线学习的具体过程如下：

获取多个历史数据，所述历史数据包括日用电量的实际值与日用电量的预测值以及该日的环境参数；所述预测值是通过多种预先选取的单一预测模型预测得到；

确定以组合预测模型的组合权重为s、环境参数为a的基于强化学习的知识矩阵；

以组合预测误差的相反数作为回报值函数；

在所述知识矩阵内填入组合预测模型的组合预测误差的方差，完成离线学习；

判断知识矩阵是否满足收敛条件，如果是，则执行在线学习；

在线学习过程中，如果在线状态与知识矩阵中某一状态完全一致，可以直接查找知识矩阵获得组合权重；

如果在线状态与知识矩阵中任一状态都不完全一致，则通过相似日的方法，分别对比待预测日的日平均气温、最高气温、最低气温、实时电价与知识矩阵当中相应历史数据的相似度。