[发明专利]基于层叠泛化训练策略的母线负荷预测方法

摘要

本发明公开了一种基于层叠泛化训练策略的母线负荷预测方法，其特征是针对母线负荷进行数据预处理，使用特征变量构建原始样本，构建一组极端学习机进行层叠泛化训练，训练完成后得到新的特征空间，该特征空间由这些极端学习机的输出和对应的真实值组成；然后对新的特征空间进行线性组合，将新特征空间中的输出序列作为观测，对应的输出权值作为状态，使用卡尔曼滤波对权值进行递推估计。本发明能有效改善模型的泛化能力，从而使得母线负荷的预测精度得到了较大的提高。

主权项

1.一种基于层叠泛化训练策略的母线负荷预测方法，其特征在于所述预测方法按如下步骤进行：步骤A、根据母线负荷的各种影响因素，选取母线负荷历史数据构造原始样本集D={(x_i,y_i),i=1,2,…,N}，其中x_i为第i个输入向量；y_i为第i个真实输出值；N为原始样本集中的样本总数；步骤B、构建由L个预测器构成的预测器集合f={M_l,l=1,2,…,L}，其中M_l为第l个预测器，L为预测器集合中的预测器数目；步骤C、利用所述原始样本集D采用层叠泛化训练方法按照如下步骤对L个预测器分别进行训练和测试，得到由L个预测值组成的新的样本空间D′：步骤C1、将所述原始样本集D随机分为K份互不相交、每份数量相差不大于10的样本集合{D_k,k=1,2,…,K}，其中D_k为第k份样本子集，给k赋初始值为1；步骤C2、随机抽取所述样本集合{D_k,k=1,2,…,K}中的一个子集D_m作为测试样本，其中m∈k；剩余样本D^(-k)=D-D_m作为训练样本，利用所述剩余样本D^(-k)对预测器集合f中的L个预测器分别进行训练，得到第k次的训练模型集合其中为第l个预测器的第k次训练模型；步骤C3、使用步骤C2中的测试样本D_m按如下过程对训练模型集合f^k中的L个训练模型进行测试：将测试样本D_m中每一个输入向量x_i代入到训练模型集合f^k中的训练模型中，分别得到含有L个预测值的向量y′_i=[y_il,l=1,2,…,L]^T，与所述原始样本集D={(x_i,y_i),i=1,2,…,N}中的真实输出值y_i组成的新样本{(y_i,y′_i)}，其中y_il为使用第l个训练模型对第i个样本进行预测得到的结果，并使k=k+1；步骤C4、重复步骤C2到步骤C3，直到抽取完所有样本集合{D_k,k=1,2,…,K}中的子集且不重复抽取所述子集作为测试样本，得到样本集合D_k中所有输入向量x_i对应的新样本，组成新的样本空间D′={(y_i,y′_i),i=1,2,…,N}；步骤D、对新的样本空间D′中的y′_i进行加权组合，即：y_i=a_i1y_i1+a_i2y_i2+…+a_ily_il，其中A_i=[a_i1,a_i2,…,a_il]为权值，将新的样本空间D′={(y_i,y′_i),i=1,2,…,N}中的输出y_i作为观测量，对应的权值A_i作为状态量，利用卡尔曼滤波算法对权值A_i进行递推估计，得到待预测时刻的权值序列；将待预测时刻的权值序列与母线负荷中待预测时刻的输入向量P={(x_N+1)}相乘获得母线负荷的预测值，其中x_N+1的组成结构与x_i相同。