[发明专利]一种在线自适应OSELM-GARCH模型的电量预测方法

权利要求书

1.一种在线自适应OSELM-GARCH模型的电量预测方法，其特征在于，包括以下步骤：

S1：将经过数据清洗后的电量数据进行STL时间序列加法分解，并分别对各分量进行模型搭建，以此实现整体预测框架的初始化；

S2：对新加入的一组实时电量数据进行时间序列分解，利用ELM在线更新算法对趋势项模型的参数进行更新，再利用梯度下降思想计算获取当前模型的随机参数的最优值并保存；

S3：基于白噪声检验判定初始GARCH模型对新数据的泛化水平，根据模型的适应性决定是否重新训练GARCH模型；

S4：合并分项结果得到整体预测框架；评价预测性能，并按照一定周期更新整体预测框架。

2.根据权利要求1所述的一种在线自适应OSELM-GARCH模型的电量预测方法，其特征在于，S1包括以下子步骤：

S101：根据SCADA系统采集到的区域历史用电数据情况，以及用电量的影响因素，对缺失数据进行补全、异常点检测以及修正处理，使数据保持时间序列上的连续性和完整性；

S102：利用时间序列分解法STL提取用电量数据的周期项、趋势项和剩余项，得到三个子序列分别作为分项模型的训练标签；

S103：根据步骤S102得到周期项子序列的周期，利用持续性周期模型拟合周期项子序列；

S104：以用电量的影响因素和趋势项作为输入，利用ELM模型拟合趋势项子序列；

S105：以剩余项子序列作为输入，利用GARCH模型拟合，得到初始剩余项的分项模型。

3.根据权利要求2所述的一种在线自适应OSELM-GARCH模型的电量预测方法，其特征在于，S2包括以下子步骤：

S201：分解实时在线数据，对于趋势子序列，采用最小二乘法对初始的ELM算法的隐藏层参数进行递推更新；

S202：获取当前趋势分项模型的预测误差，基于梯度下降思想迭代计算获取当前ELM模型的最优随机初始参数。

4.根据权利要求3所述的一种在线自适应OSELM-GARCH模型的电量预测方法，其特征在于，S3包括以下子步骤：

S301：采用当前的GARCH模型对实时数据的剩余项序列进行预测并得到残差序列；

S302：对残差序列进行白噪声检验，判断初始GARCH模型对新数据的泛化水平；若预测参数不属于白噪声，则基于新数据的时序规律展开GARCH模型的自适应更新过程；反之则无需做更新。

5.根据权利要求4所述的一种在线自适应OSELM-GARCH模型的电量预测方法，其特征在于，S4包括以下子步骤：

S401：将得到的各分项模型用于预测，预测结果根据S102的分解模式合并为整体预测结果，采用相应的模型评价指标衡量模型的整体预测性能；

S402：经过一个既定的更新时间间隔后，采集新一批实时在线数据重复S2步骤迭代更新整体预测框架，使其能够不断适应新的数据，捕捉用电模式的动态变化。