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
【技术领域】：
[0001] 本发明涉及电力负荷预测技术领域，具体涉及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。
【背景技术】：
[0002] 现有的电力负荷预测系统大多属于批量离线式预测系统，主要采用的方法是系统 采集一定时间内的历史数据，通过对静态的历史数据进行建模来预测电力负荷的产生规 律。这种批量离线式预测方法需要系统能够存储海量的历史负荷数据，将对系统的计算开 销和存储空间产生巨大压力。
[0003] 随着电力市场的发展，电力负荷预测对电力系统调度、用电计划、规划起着至关重 要的作用，电力负荷预测的重要性日益显现，并且对负荷预测精度的要求越来越高。然而随 着电力历史负荷数据呈爆发式增长，如何有效处理海量数据并进行实时预测，已成为当前 负荷预测系统的首要任务。
[0004] 近年来，随着人工智能技术的发展，专家学者针对电力负荷预测开发了多种智 能预测算法。基于神经网络（NN)、支持向量回归机（SVR)、超限学习机 [1] (ELM: Extreme Learning Machine)、超限向量回归机[2] (ESVR :Extreme Support Vector Regression)等 人工智能理论的现代负荷预测模型被广泛采用，并取得一定的成就。然而这些算法大部分 都是基于批量离线处理模式，即假设在训练之前所有训练负荷数据都是一次可以获取，如 果历史数据丢失，将对整个预测系统产生巨大影响。然而实际电力负荷应用中，训练数据通 常不可能一次全部得到，而是随着时间的变化，以数据流的形式不断更新。面对不断更新的 数据，批量离线处理模式为了取得更精准预测，需要抛弃以前学习的结果，对现有数据进行 重新训练和学习，大大增加了对系统的时间和空间需求。随着数据规模的不断增加，最终将 导致学习速度赶不上数据更新速度。因此寻求一个"快、稳、准"的负荷预测方法始终是电 力专家学者不断探索的目标。
[0005] 本发明所解决的技术问题在于处理大规模电力系统负荷数据时，在现有超限向量 回归机方法的基础之上，结合增量学习和集成学习思想，提出一种基于增量式超限向量回 归机Incremental ESVR(IESVR)的实时电力负荷预测模型，通过进一步构建集成网络模型 Integrated Incremental ESVR(II-ESVR)来解决电力负荷数据多样性造成单个IESVR模型 不稳定的问题。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。
【发明内容】
：
[0006] 本发明的主要目的是提出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，在处理大规模电力负荷数据时，采用基于在线序列的实时学习方法，减少对 历史数据的重复建模，降低负荷预测对系统的时间和空间的需求，同时能够进行实时、精准 电力负荷预测。
[0007] 为了实现上述目的，本发明提供如下技术方案，包含在线学习阶段和在线负荷预 测阶段。
[0008] 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的在线学习阶段 技术方案如下：
[0009] 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;
[0010] 步骤二、对采集的数据A1各因素分别进行归一化；
[0011] 步骤三、将在线序列学习的思想引入ESVR (Extreme Support Vector Regression)，构建包含P个IESVR(Incremental ESVR)子模型的集成网络模型 II-ESVR(Integrated Incremental 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，SP
，参数石为 特征映射函数sigmoid函数中的随机偏置项，且各€ (0,1); IESVR子模型输出定义为：
，参数b为IESVR子模型的隐含层偏置项；
[0012] 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：
[0013] 1在（0，1)之间随机选取输入层权值w参数；
[0014] 2生成IESVR隐含层特征映射矩阵Φ (A1):
[0015]
[0016] 其中W1为第i个隐含节点的权值，写表示A1中的第j个样本；
[0017] 3 定义 W1= [ β 1 β 2 …β L b]，H1= [Φ (A !) e]，
（I 由 N1 个单位向量e构成），
[0018] 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：
[0019]
[0020] s. t. Φ (A1) * β+be-Yi= ξ
[0021] 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 = 22°;
[0022] 步骤五、采集第T = k+1 (k彡1)批次数据Ak+1并进行数据归一化；
[0023] 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：
[0024] 1计算新采集样本数据的隐含层特征映射矩阵Φ (Ak+1):
[0025]
[0026] 2定义Hk+1= [Φ (Ak+1) e]并令
，e代表单位向量；
[0027] 3 计算 Qk+1= Ω k+HTk+1Hk+# Λ k+1= HTk+1(Yk+1_Hk+1Wk);
[0028] 4 更新权值输出矩阵 Wk+1 = W k+ Ω k+11 Λ k+1;
[0029] 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。
[0030] 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的在线负荷预测 阶段方案如下：
[0031] 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；
[0032] 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3^e[1P]，对单个 IESVR模型输出梦计算方法如下：
[0033] 1计算预测样本数据的隐含层特征映射矩阵Φ (B):
[0034]
;
[0035] 2定义H = [Φ⑶e]，e代表单位向量；
[0036] 3计算於
[0037]
[0038] 其中W为经过训练后IESVR模型的最新权值输出矩阵；f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xlE[1 N]，均有与 其对应的预测结果yi E N]，实现了批量输入数据的实时预测；
[0039] 步骤三、计算集成网络II-ESVR短期负荷预测结果
[0040] 与现有的技术相比，本发明具有以下有益效果：
[0041] 1面对电力系统日益增长的海量电力负荷数据，将在线序列学习的思想引入 ESVR，提出了基于在线序列学习的IESVR增量实时学习模型，无需存储海量历史数据和进 行重复建模，降低了对系统的时间和空间上的消耗；
[0042] 2针对电力负荷数据的多样性，通过步骤三构建具有P个IESVR子模型的集成网络 框架II-ESVR，采用多模型建模，各模型优势互补共同进行决策，增强预测方法的稳定性，同 时有效的提高了预测精度。
[0043] 本发明提出的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具 有"快、稳、准"的特点，充分符合了未来电力预测系统的发展趋势，因此本发明在实际电力 负荷预测中将具有广泛的应用前景。
【附图说明】：
[0044] 图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在线学习方 法流程图；
[0045] 图2 IESVR模型的网络结构图；
[0046] 图3 II-ESVR模型的网络结构图；
[0047] 图4基于II-ESVR模型的英格兰地区2008年1月份电力负荷预测结果图；
[0048] 图5基于II-ESVR模型的英格兰地区2008年6月份电力负荷预测结果图；
[0049] 图6基于II-ESVR模型的英格兰地区2008年9月份电力负荷预测结果图；
[0050] 图7基于II-ESVR模型的英格兰地区2008年12月份电力负荷预测结果图；
[0051] 图8基于II-ESVR模型的英格兰地区2008年6月份电力负荷预测误差对比图。
【具体实施方式】
[0052] 为了更好的说明本发明的目的、具体步骤以及特点，下面结合附图对本发明作进 一步详细的说明：
[0053] 本发明提出的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 法技术方案，包含在线学习阶段和在线负荷预测阶段。
[0054] 上述技术方案中，本发明提出的基于增量式超限向量回归机集成网络的实时电力 负荷预测方法在线学习方法流程图如图1所示；
[0055] 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的在线学习阶段 技术方案如下：
[0056] 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;
[0057] 步骤二、对采集的数据A1各因素分别进行归一化；
[0058