[发明专利]基于增量式超限向量回归机集成网络的实时电力负荷预测方法

摘要

本发明公开了一种基于增量式超限向量回归机集成网络的实时电力负荷预测方法，包含在线学习和在线负荷预测阶段。在线学习阶段包括以下步骤：实时采集第1批次电力负荷数据和影响因素数据并归一化；初始化II‑ESVR模型；实时采集第k+1(k≥1)批次电力负荷和影响因素数据，归一化并进行增量学习训练。在线负荷预测阶段包括以下步骤：实时采集一批相关影响因素的数据，归一化并作为模型的输入；基于学习阶段的II‑ESVR模型及参数，实时计算预测结果。本发明通过增量式超限向量回归机集成网络的实时电力负荷预测方法，解决数据多样性造成的不稳定问题，该方法具有“快、稳、准”的特点，能够满足电力负荷预测未来发展的需求。

主权项

1.基于增量式超限向量回归机集成网络的实时电力负荷预测方法，其特征在于，包括在线学习阶段和在线负荷预测阶段；在线学习阶段包括下列步骤：步骤一、实时采集第T＝1批次电力负荷数据和影响负荷的相关因素的数据A₁；电力负荷采集数据包含电力负荷监测数据和影响电力负荷的相关因素监测数据，其中N₁表示第一批次的数据样本数；N₁≥L，L为IESVR子模型隐层节点数；表示电力负荷，单位：kw·h；表示影响电力负荷的相关因素；步骤二、对采集的数据A1各因素分别进行归一化；步骤三、将在线序列学习的思想引入超限向量回归机ESVR，构建包含P个增量式超限向量回归机IESVR子模型的集成网络模型II‑ESVR；每个IESVR子模型具有相同结构，特征映射函数均采用sigmoid函数，参数为特征映射函数sigmoid函数中的随机偏置项，且IESVR子模型输出定义：参数b为IESVR子模型的隐含层偏置项；步骤四、利用采集的数据A1分别对II‑ESVR中每个IESVR子模型进行独立初始化，具体方法为：1)在(0，1)之间随机选取输入层权值w参数；2)生成IESVR的隐含层特征映射矩阵Φ(A1)：3)其中w_i为第i个隐含节点的权值，表示A₁中的第j个样本；其中，N₁表示第一批次的数据样本数；L为IESVR子模型隐层节点数；定义W₁＝[β₁,β₂,…,β_L,b]，H₁＝[Φ(A₁)e]，I由N₁个单位向量e构成，和4)求解最优化IESVR子模型的参数W1，最优化的方法如下式所示：s.t.Φ(A1)*β+be‑Y1＝ξ其中ξ为模型训练误差，β为隐含层的权值，C为惩罚系数，b为偏置，e为单位向量，惩罚系数建议为C＝220，N表示数据样本数；步骤五、采集第T＝k+1(k≥1)批次数据Ak+1并进行数据归一化；步骤六、以采集数据Ak+1的相关影响因素数据作为II‑ESVR的输入，将与之对应的电力负荷数据作为II‑ESVR的输出，进行II‑ESVR网络的增量学习模型训练，具体方法为：1)计算新采集样本数据的隐含层特征映射矩阵Φ(Ak+1)：2)定义H_k+1＝[Φ(A_k+1)e]并令e代表单位向量；3)计算Ωk+1＝Ωk+HTk+1Hk+1和Λk+1＝HTk+1(Yk+1‑Hk+1Wk)；4)更新权值输出矩阵Wk+1＝Wk+Ωk+1‑1Λk+1；步骤七、若无新批次数据到达，则等待；若有新批次数据到达，则k＝k+1，返回步骤五，实现在线式增量学习；在线负荷预测阶段包括下列步骤：步骤一、实时采集一个批次影响负荷的相关因素的数据B并进行数据归一化；采集数据包含影响电力负荷的相关因素监测数据，其中N≥1表示数据样本数，x_i表示影响电力负荷的相关因素，步骤二、基于训练后的II‑ESVR模型，以采集数据B的相关影响因素数据作为II‑ESVR的输入，分别计算集成网络II‑ESVR中的P个IESVR模型输出对单个IESVR模型输出计算方法如下：1)计算预测样本数据的隐含层特征映射矩阵Φ(B)：2)定义H＝[Φ(B)e]，e代表单位向量；3)计算其中W为经过训练后IESVR模型的最新权值输出矩阵；为电力负荷采集数据对应的预测结果，对每一组影响因素采集数据x_i∈[1,N]，均有与其对应的预测结果y_i∈[1,N]，实现了批量输入数据的实时预测；步骤三、计算集成网络II‑ESVR短期负荷预测结果