[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

说明书

本发明方法公开了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：对历史日用电量的异常数据进行修正、构建训练样本集，利用皮尔逊相关系数选定模型输入、选用核极限学习机模型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作为预测模型的代价函数、引入在线序列学习使模型可以进行滚动预测、引入K‑折交叉验证与网格寻优对广义最大相关熵核极限学习机模型的关键参数σ、λ、α进行优化、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。本售电量预测方法与现有的方法相比，在离群值大且非高斯的情况下也具有好的性能，能更好的对非高斯非线性数据进行预测，预测效果更好。

技术领域

本发明属于电力系统电量预测技术领域，涉及一种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。

技术背景

电量预测是在分析历史数据与影响因素的前提下，对未来一段时间内的电能消耗量的预报。当下的电力市场中，无论是发电侧还是售电侧，电量预测都是一项非常重要的工作。尤其是对于售电公司而言，由于偏差考核机制的颁布，售电量预测的准确性直接影响偏差评估，而且偏差越大，处罚越高，然而售电量因受随机因素影响较大难以准确预测，因此对高精度售电量预测算法研究具有重要的实际工程价值与理论意义。

目前售电量预测大多是针对小客户而非大区域，随机性强，受突变因素影响大，易产生离群值，预测误差大多服从非高斯分布。针对售电量预测，一些学者提出了许多预测模型，大致分为两类：传统预测模型与机器学习预测模型。传统预测模型包括自回归滑动平均模型、时间序列法等。传统方法的理论基础主要是线性模型，因为售电量受随机因素影响大，非线性强，传统方法无法描述售电量数据的非线性和随机性。机器学习预测模型如支持向量机回归、人工神经网络等可以很好的处理各种影响因素和非线性数据，并在售电量预测中得到了广泛的应用。传统机器学习算法的代价函数是基于均方误差准则，其仅考虑误差分布的二阶矩，对预测误差服从高斯分布的数据可以进行有效预测，在预测平稳序列时才有较高精度，但其对非线性非高斯的售电量预测时就难以满足实际工程中售电交易对售电量预测精度的需求。

发明内容

本发明的目的是提出一种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，解决了现有技术对售电量预测精度不高，难以满足售电交易对售电量预测精度要求的问题。

本发明采用的技术方案是，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，按照以下步骤实施：

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；