[发明专利]基于广义最大相关熵准则的核极限学习机售电量预测方法

权利要求书

1.基于广义最大相关熵准则的核极限学习机售电量预测方法，其特征在于，具体操作过程包括如下步骤：

步骤1、数据预处理

对历史日用电量数据中的异常数据进行修正，并对缺失数据进行补充；

步骤2、构建训练样本集

以历史日用电量以及所对应日最高温度作为模型的训练样本集，并利用皮尔逊相关系数选定模型输入，

皮尔逊相关系数计算公式如式(3)：

其中，x为训练样本集数据，包括历史用电量数据与温度数据，t为历史用电量数据；

步骤3、数据标准化

电量预测时主要用到的数据有历史日用电量数据和与之相对应的历史温度数据，为了减小因两种数据数量级相差较大对预测准确性造成的影响，对数据进行标准化处理，标准化公式如式(4)：

其中，x_i为数据真实值，x_min为该类数据的最小值，x_max为该类数据的最大值；

步骤4、针对历史日用电量数据的非线性特征，选用核极限学习机模型KELM对日用电量进行预测，针对售电量预测误差的非高斯特征，使用广义最大相关熵准则GMCC代替核极限学习机中均方误差准则MSE作为预测模型的代价函数；

步骤5、引入在线序列学习，使预测模型可以进行滚动预测；

步骤6、引入K-折交叉验证与网格寻优对基于广义最大相关熵的核极限学习机模型的关键参数σ、λ、α进行优化；

步骤7、用广义最大相关熵核极限学习机预测模型对售电量进行预测，得到预测结果，并选用MAPE指标对预测结果进行评价：

2.根据权利要求1所述的基于广义最大相关熵准则的核极限学习机售电量预测方法，其特征在于：步骤1的具体过程是：

对历史日用电量数据中的异常数据进行修正，并对缺失数据进行补充，当数据满足则视数据为异常数据，其中

此外，根据式(2)对历史用电量中的异常数据与缺失数据进行修正：

其中，t_i为历史用电量数据真实值，为数据修正值，为数据均值，δ为数据标准差，N为数据总量，ξ、ζ为权重系数，ε为阈值。