] 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.g为特 征映射函数sigmoid函数中的随机偏置项，且S e (6:0,1); IESVR子模型输出定义为：
参数b为IESVR子模型的隐含层偏置项；
[0059] 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：
[0060] 1在（0，1)之间随机选取输入层权值W参数；
[0061] 2生成IESVR隐含层特征映射矩阵Φ (A1):
[0062]
[0063] 其中W1为第i个隐含节点的权值，琴表示A1中的第j个样本； CN 105160441 A b/11 贝
[0064] 3 定义 W1= [ β I β 2 …β L b]，H1= [Φ (A !) e]，
（I 由 N1 个单位向量e构成），
[0065] 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：
[0066]
[0067] S. t. Φ (A1) * β +be-Yi= ξ
[0068] 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°;
[0069] 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；
[0070] 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：
[0071] 1计算新采集样本数据的隐含层特征映射矩阵Φ (Ak+1):
[0072]
[0073] 2定义Hk+1= [Φ (Ak+1) e]并令
^ e代表单位向量；
[0074] 3 计算 Qk+1= Ω k+HTk+UP Λ k+1= HTk+1(Yk+1_Hk+1Wk);
[0075] 4 更新权值输出矩阵 Wk+1 = W k+ Ω k+11 Λ k+1;
[0076] 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。
[0077] 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 阶段技术方案如下：
[0078] 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；
[0079] 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模型输出充啡巧，对单个 IESVR模型输出f计算方法如下：
[0080] 1计算预测样本数据的隐含层特征映射矩阵Φ (B):
[0081]
[0082] 2定义H = [Φ⑶e]，e代表单位向量；
[0083] 3 计算％
[0084]
[0085] 其中W为经过训练后IESVR模型的最新权值输出矩阵；I为电力负荷采集数据
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；
[0086] 步骤三、计算集成网络II-ESVR短期负荷预测结果
.
[0087] 上述技术方案中，在线学习阶段步骤一的电力负荷采集数据
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&表示第一批次的 数据样本数（建议N1S L，L为IESVR子模型隐层节点数，建议值为800)，y表示电力负 荷（单位：kwh)，X表示影响电力负荷的相关因素，包括大气温度t(单位：°C)、日期 d(l < d < 7, d e Z，表不周一~周日7天）、时间h( OUC 2_3_，Z:，:表不一天内的 24时）、节假日Η(工作日表示为0,节假日、周末表示为1)以及风速V (单位：km/h)。
[0088] 上述技术方案中，学习阶段步骤二将电力负荷采集数据进行归一化处理，其中各 因素的归一化公式如下：
[0089] 电力负荷： ，这里y_、y_分别代表历史最高和最低电力负荷；
[0090] 大气温度： 这里t_、t_分别代表历史最高和最低温度；
[0091] 日期： ·这里dmax、dmin分别代表周日（d max= 7)和周一（dmin= 1);
[0092] 时间： 这里hmx、1^分别代表23时（h mx= 23)和零时（h議= 〇);
[0093] 风速：
1这里vmax、V min分别代表历史最高和最低风速。
[0094] 上述技术方案中，学习阶段步骤三构建的包含P个IESVR子模型的II-ESVR集 成网络，IESVR结构如图2所示，II-ESVR网络结构图如图3所示；其中，IESVR子模型数 量建议为P = 5 ;每个IESVR子模型具有相同结构，特征映射函数均采用sigmoid函数，即
,参数g为特征映射函数sigmoid函数中的随机 偏置项，且I e (；0,!〇; IESVR子模型输出定义为：
.参数b为IESVR 子模型的隐含层偏置项（b = 1);隐含层的节点数L建议为800个。
[0095] 上述技术方案中，学习阶段步骤四中对II-ESVR网络中每个IESVR子模型进行独 立初始化，具体方法为：
[0096] 1在（0，1)之间随机选取输入层权值w参数；
[0097] 2生成IESVR隐含层特征映射矩阵Φ (A1):
[0098]
[0099] 其中W1为第i个隐含节点的权值，％表示A1中的第j个样本；
[0100] 3 定义 W1= [ β 1 β 2 …β L b]，H1= [Φ (A i) e]，
（I 由 N1 个单位向量e构成），
[0101] 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：
[0102]
[0103] s. t. Φ (A1) * β+be-Yi= ξ
[0104] 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°;
[0105] 最优化模型可通过如下方法求解：
[0106] 将上述条件极值函数转换为拉格朗日函数，得到：
[0107]
[0108] 其中Liesvr为拉格朗日函数，λ为拉格朗日乘子。将得到的拉格朗日函数结合KKT 优化限制条件得到：
[0109]
[0110] 根据上述约束条件求解IESVR子模型最优参数W1=W1= Ω i 1A1，完成单个IESVR 子模型的独立初始化。
[0111] 上述技术方案中，在线学习阶段步骤五中的电力负荷采集数据4+1 =
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N k+1表 示第k+Ι批次的数据样本数（Nk+1彡1，N k+1 e Z)，y表示电力负荷（单位：kw · h)，X表示影 响电力负荷的相关因素，包括大气温度t (单位：tC )、日期d(l < d < 7, d e Z，表示周一~ 周日7天）、时间h(0 < h < 23，』€ Z<，表不一天内的24时）、节假日H(工作日表不为0， 节假日、周末表示为1)以及风速V (单位：km/h)。
[0112] 上述技术方案中，学习阶段步骤五将电力负荷采集数据进行数据归一化处理，其 中各因素的归一化公式如下：
[0113] 电力负荷： 这里7_、7_分别代表初始化时采用的历史最高和最 低电力负荷；
[0114] 大气温度： 这里t_、t_分别代表初始化时采用的历史最高和最 低温度；
[0115] 日期： 这里dmax、dmin分别代表周日（d max= 7)和周一（dmin= 1);
[0116] 时间： 这里hmx、^分别代表23时（h mx= 23)和零时（h議= 〇);
[0117] 风速：
这里^_、￥_分别代表初始化时采用的历史最高和最低风 速。
[0118] 上述技术方案中，在线学习阶段步骤六中对IESVR子模型进行在线序列学习的具 体方法为：
[0119] 1计算新采集样本数据的隐含层特征映射矩阵Φ (Ak+1):
[0120]
[0121] 2定义Hk+1= [Φ (Ak+1) e]并4
，e代表单位向量；
[0122] 3 计算 Qk+1= Ω k+HTk+1Hk+# Λ k+1= HTk+1(Yk+1_Hk+1Wk);
[0123] 4 更新权值输出矩阵 Wk+1 = W k+ Ω k+11 Λ k+1。
[0124] 上述技术方案中，在线负荷预测阶段步骤一中采集数据S = Ixi 包含影响电 力负荷的相关因素监测数据，其中N(N多1)表示数据样本数，X表示影响电力负荷的相关 因素，包括大气温度t (单位：tC )、日期d(l彡d彡7, d e Z，表示周一~周日7天）、时间 h (:0彡H2 3,々€ Z,表示一天内的24时）、