[发明专利]一种能源需求条件密度预测方法

摘要

一种能源需求条件密度预测方法。其包括建立支持向量分位数回归模型；建立能源需求的支持向量加权分位数回归模型；模型参数估计；条件密度预测等步骤。本发明结合了支持向量机非线性处理能力与分位数回归对条件分布特征完整描述能力两个方面的优势，建立了能源需求预测的支持向量分位数回归模型，一方面通过支持向量机将低维空间中能源系统中非线性结构映射到高维空间，转换为线性结构，简化建模复杂性；另一方面，通过分位数回归刻画能源需求整个条件分布的变动规律，提供更多有用信息；使用非参数核密度估计技术，建立了能源需求预测的条件密度预测方法，实现能源需求整个条件分布特征的完整预测。

主权项

一种能源需求条件密度预测方法，所述的能源需求条件密度预测方法包括按顺序执行的下列步骤：步骤1)建立支持向量分位数回归模型：基于支持向量机与分位数回归模型，建立能源需求的支持向量分位数回归模型如下：在软化的ε带型支持向量回归模型中，其中ε＝0，将惩罚函数部分用分位数回归来替代，即可得到能源需求的支持向量分位数回归模型；步骤2)建立能源需求的支持向量加权分位数回归模型：在支持向量回归模型中，将其惩罚函数部分用加权分位数回归来替代，得到能源需求的支持向量加权分位数回归模型；步骤3)模型参数估计：基于拉格朗日对偶方法以及KKT互补条件，解决能源需求的支持向量分位数回归模型和支持向量加权分位数回归模型中凸二次规划问题求解难题，间接求出模型参数估计的最优解，得到一组稀疏性的解，即获得能源需求的支持向量加权分位数回归模型的参数估计；步骤4)条件密度预测：在支持向量加权分位数回归模型参数估计基础上，得到响应变量条件分位数预测，然后在条件分位数预测的基础上，使用微商运算与倒数运算实现能源需求的条件密度预测；其特征在于：步骤1)中，所述的支持向量分位数回归模型为：minωτ,bτ,ξt,ξt*12||ωτ||2+CΣt=1T(τξt+(1-τ)ξt*)---(1)]]>