本发明涉及电力系统负荷预测技术领域，尤其是涉及一种自适应变权重组合负荷预测方法及装置。
背景技术：
随着电力系统规模的不断扩大，电网的结构和运行方式变得越来越复杂。有效地提高和保证电力系统的安全可靠性、供电质量以及运行的经济性已成为电力系统发展的一个重要目标，负荷预测的重要性越来越突出。如何实现准确可靠的日前负荷预测，已经成为一个普遍性的难题。
在配售电分离市场条件下，传统供电公司、发电公司以及社会资产企业等均可申请和投资成立售电公司，开展售电业务、附加增值服务以及社会普遍服务，但同时售电公司作为新的市场主体，需要不断探索和适应新的市场机制和运营模式，并独自承担由于供给侧和需求侧波动带来的市场风险，其中面向售电侧的高精度负荷预测技术显得更为重要。随着电力市场化运作的深入推进，各类交易品种日渐丰富，电力用户可直接参与市场交易，市场由原来的发电侧单边市场改为发电侧、用电侧联动的双边市场。
售电公司在参与售电市场竞价交易的过程当中，首先应当根据年度、季度或月度完成相应时间尺度内的用电量交易，然后根据该购电时间尺度内的已用电量和次日的预测用电量分析已购电量是否能够满足次日用电量需求的预测值，确定是否再次参与短期的竞价交易。由于短期竞价交易的购电电价往往高于中长期交易的购电电价，如果预测量高于需求量，将产生额外的购电成本并造成购电量的浪费；如果购电量少于预测量，将不能满足用户需求，造成用户停电，对用户产生的经济赔偿也会产生较大的经济成本，所以日前用电量预测值的精确度将直接影响售电公司的经济效益。长期以来，国内外学者对负荷预测进行广泛而深入的研究，对于某一预测问题，提出了多种预测方法，由于单一预测方法进行负荷预测存在预测不准确等问题，组合预测方法便随之产生。
目前，现有的组合预测方法大多数采用固定权重值的方式，但由于历史样本的限制往往难以准确反映用电量在未来一段时间内的变化趋势，在极大程度上限制了组合预测的精确度，难以实时修正预测结果。即便是少数采用可变权重的组合预测方法，计算过程复杂且容易陷入局部最优。
综上，现有的组合预测方法存在精确度低的技术问题。
技术实现要素：
有鉴于此，本发明的目的在于提供一种自适应变权重组合负荷预测方法及装置，以缓解现有技术中组合预测方法存在精确度低的技术问题。
第一方面，本发明实施例提供了一种自适应变权重组合负荷预测方法，包括：
基于多种预测方法的日前负荷预测建模，得到多个单一日前负荷预测模型；
基于多个单一日前负荷预测模型建立日前负荷组合预测模型；
基于强化学习对所述日前负荷组合预测模型的权重进行更新。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述单一日前负荷预测模型包括平均增长率预测模型、线性二次移动平均模型、三次指数平滑预测模型以及灰色系统理论预测模型。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，设k个无偏预测值分别为
式中：n为历史数据数目；
由此，可给出组合权重wi(i＝1,2,...,k)的估计式为：
则k个预测值的组合预测结果为：
组合预测误差的方差为：
设对某一预测对象y,利用k种预测方法得到k个模型的预测序列值
式中：
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，基于强化学习对所述日前负荷组合预测模型的权重进行更新，具体包括：
将多种预测方法分别构建得到的单一日前负荷预测模型在日前负荷组合预测模型当中所占的权重系数及当前环境因素作为状态-动作对，并将该权重系数条件下组合预测误差的方差填入知识矩阵，通过离线学习形成完整可靠的知识矩阵。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述离线学习的具体过程如下：
获取多个历史数据，所述历史数据包括日用电量的实际值与日用电量的预测值以及该日的环境参数；所述预测值是通过多种预先选取的单一预测模型预测得到；
确定以组合预测模型的组合权重为s、环境参数为a的基于强化学习的知识矩阵；
以组合预测误差的相反数作为回报值函数；
在所述知识矩阵内填入组合预测模型的组合预测误差的方差，完成离线学习。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，还包括：
判断知识矩阵是否满足收敛条件，如果是，则执行在线学习。
结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，还包括：
在线学习过程中，如果在线状态与知识矩阵中某一状态完全一致，可以直接查找知识矩阵获得组合权重；
如果在线状态与知识矩阵中任一状态都不完全一致，则通过相似日的方法，分别对比待预测日的日平均气温、最高气温、最低气温、实时电价与知识矩阵当中相应历史数据的相似度。
结合第一方面的第六种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，其中，还包括：
若设待预测日的气象特征向量为x，x＝[t1,t,t2]，第j个相似的历史日的气象特征向量为xj，xj＝[t1j,tj,t2j]，其中t1，t，t2分别表示待预测日的最高温度、平均温度和最低温度；同理可推知xj中各个元素的含义；
利用灰色关联系数法，则待预测日和第j日第k个特征向量分量的关联系数为：
式中：ξi(k)为xj(k)与待测日在第k个特征向量分量的关联系数，ρ∈[0,1]为分辨系数。
结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述强化学习采用q学习，所述知识矩阵为q矩阵。
第二方面，本发明实施例还提供了一种自适应变权重组合负荷预测装置，第一建模模块，用于基于多种预测方法的日前负荷预测建模，得到多个单一日前负荷预测模型；
第二建模模块，用于基于多个单一日前负荷预测模型建立日前负荷组合预测模型；
权重更新模块，用于基于强化学习对所述日前负荷组合预测模型的权重进行更新。
本发明实施例带来了以下有益效果：
本发明实施例提供了一种自适应变权重组合负荷预测方法及装置中，其中，该自适应变权重组合负荷预测方法包括：基于多种预测方法的日前负荷预测建模，得到多个单一日前负荷预测模型；基于多个单一日前负荷预测模型建立日前负荷组合预测模型；基于强化学习对所述日前负荷组合预测模型的权重进行更新。
本发明提供的技术方案通过分析研究国外电力市场发展运营情况，展开论述面向售电侧的负荷预测技术，提出一种基于平均增长率法、线性二次移动平均模型、三次指数平滑预测、灰色系统理论和强化学习的可变权重方差-协方差日前负荷组合预测方法，具有精确度高、数据需求简单、灵活性强、自适应性等特点，可以较为精确地解决售电公司管辖区域及电力大用户的日前负荷预测问题，能够缓解现有技术中组合预测方法存在精确度低的技术问题。此外，由于本发明实施例的技术方案是一种基于平均增长率法、线性二次移动平均模型、三次指数平滑预测和灰色系统理论的可变权重日前负荷组合预测方法，同时引入强化学习进行组合权重的自适应调整，最终得到较为可靠的权重系数。同时，该权重系数在保证加权后和值为1的条件下，可以根据历史数据不断进行修正，实现变权组合预测。目前此方法国内外尚未见报道。
传统的组合预测方法大多数采用固定权重值的方式，但由于历史样本的限制往往难以准确反映用电量在未来一段时间内的变化趋势，在极大程度上限制了组合预测的精确度，难以实时修正预测结果。即便是少数采用可变权重的组合预测方法，其权重的调整方法一般采用智能算法，计算过程复杂且容易陷入局部最优。相对于现有技术，本发明实施例通过强化学习实现组合权重的自适应更新能够缩短运算时间，实现实时的权重调整，大大提高组合预测的精度。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种自适应变权重组合负荷预测方法的流程图；
图2为本发明实施例提供的一种自适应变权重组合负荷预测装置的结构示意图；
图3为本发明实施例提供的基于q学习的组合权重更新的流程图；
图4为本发明实施例提供的自适应变权重预测的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有的组合预测方法大多数采用固定权重值的方式，但由于历史样本的限制往往难以准确反映用电量在未来一段时间内的变化趋势，在极大程度上限制了组合预测的精确度，难以实时修正预测结果。即便是少数采用可变权重的组合预测方法，计算过程复杂且容易陷入局部最优。即现有的组合预测方法存在精确度低的技术问题。基于此，本发明实施例提供的一种自适应变权重组合负荷预测方法及装置通过强化学习实现组合权重的自适应更新能够缩短运算时间，实现实时的权重调整，大大提高组合预测的精度。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种自适应变权重组合负荷预测方法进行详细介绍。
本发明实施例提供的技术方案属于面向售电侧的日前负荷预测技术，需要用户或售电公司提供连续多日用电量的历史数据及待预测日的环境温度预测值(包括日平均气温、日最高气温和日最低气温)、售电公司参与交易的实时电价等数据参与日前用电量预测和组合权重的实时修正。同时在算法的离线学习过程当中还需要包括日用电量的实际值、该日环境温度(包括日平均气温、日最高气温和日最低气温)、售电公司参与交易的实时电价等数据在内的大量历史数据用于强化学习。具体而言是一种基于平均增长率法、线性二次移动平均模型、三次指数平滑预测、灰色系统理论和强化学习的可变权重方差-协方差日前负荷组合预测方法。
本发明实施例围绕售电公司管辖区域和典型电力大用户的日前负荷预测，利用上述四种基础模型所提供的预测结果，通过学习历史数据进行方差、协方差的对比和量化，以q学习为理论基础，最终形成强化学习知识矩阵，实现组合预测权重系数的自适应更新，在保留较精确预测结果的同时最大程度上削减误差较大值对最终预测结果的影响，得到精确度高、自适应性强的负荷预测技术，为售电公司参与日前电量交易提供可靠性指导。简而言之，本发明实施例仅需用户提供过去连续几天的历史用电量数据及当前温度、电价等客观因素数据，根据日前电力交易运营支撑技术研究的实际需求，完成售电公司经营区域负荷预测和电力大用户的负荷预测。经过实践验证，本发明的组合预测误差可以缩小至10％以内。
实施例一：
一种自适应变权重组合负荷预测方法，参考图1，该方法包括：
s102、基于多种预测方法的日前负荷预测建模，得到多个单一日前负荷预测模型。
其中，单一日前负荷预测模型包括平均增长率预测模型、线性二次移动平均模型、三次指数平滑预测模型以及灰色系统理论预测模型。
本发明实施例选取以下四种预测方法作为组合预测的基础，主要是考虑到该方法简单易行，历史数据容易获取，且具有预测精度较高的优势。经过实际用电量数据验证，采用该四种预测方法单独进行预测的误差可以控制在20％以内。
(1)平均增长率预测模型
平均增长率法亦称比例系数增长法，是根据历史规律和未来国民经济发展规划，估算出今后的用电量的平均增长率，在一定的时期内采用同一增长率来测算，通常采用分阶段的不同增长率来测算。
从第n日至第m日(n<m)电量的平均增长率k为：
式中：第m日的电量值为amkwh，第n日的电量值为ankwh。
如果此后至l日(1>m)的电量增长速度可以取为此平均增长率，则第l日的电量值为：
al＝am(1+k)l-m(4)
基于上述的平均增长率法建立得到平均增长率预测模型。
(2)线性二次移动平均模型
对于足够光滑的函数来说，可用多项式函数去逼进。因而对一般数据序列，原则上可用适当的多项式模型拟合，进而作出预测。电力负荷与时间的函数可表达为如下多项式形式：
y＝α0+α1t+α2t2+α3t3+…(5)
式中：α0、α1、α2、α3…为多项式系数。
多项式趋势中线性二次移动平均模型更符合电力负荷的增长趋势，其预测公式如下：
式中：mt(1)为t日用电量数据的一次平均模型；mt(2)为t日用电量数据的二次平均模型；n为移动平均的数据个数；yt为过去连续t日用电量数据。
式中：
(3)三次指数平滑预测模型
指数平滑法是负荷预测中常用的一种方法，它兼容了移动平均法和全期平均法的优点。指数平滑法是采用最近时点t的观测值和预测值乘以权重来计算下一个点的观测值，是一种计算时序数据的加权移动平均的方法，指数平滑法计算公式为：
yt+1＝yt+α(ft-yt)＝αft+(1-α)yt(10)
式中：yt+1为下一时刻的预测值；yt为当前的实际值；ft为当前的预测值；α为平滑系数。
指数平滑法使用加权平均的原理，使用时可以适当加大新数据的权重系数，减小旧数据的权重系数，体现这个过程具有时变性，反映新数据对于以后负荷的影响大小，使用平滑的方法可以消除负荷序列中的波动。
以三次指数平滑预测法进行日前用电量预测为例，输入数据为过去连续t日(以t＝5为例)日用电量数据xt，待预测数据个数t。根据下式的计算结果，输出数据为待预测t日用电量数据y1～yt。
式中：st‘为用电量关于时间t的一次平滑值，其中
yt＝at+btt+ctt2(12)
式中：yt为待预测第t日用电量数据。
at＝3s′t-3s″t+s″′t(13)
基于上述的三次指数平滑预测法构建得到三次指数平滑预测模型。
(4)灰色系统理论预测模型
灰色系统理论预测模型基于灰色系统理论构建得到，灰色系统理论预测模型首先将原始数据加以处理生成灰色系统，常用的生成方式是一次累加生成。
式中：y(1)＝{y(1)(1),y(1)(2),…,y(1)(n)}——过去连续n日(以n＝5为例)日用电量累加生成序列；y(0)＝{y(0)(1),y(0)(2),…,y(0)(n)}——过去连续n日(以n＝5为例)日用电量原始序列。
建立gm(1,1)微分方程：
式中：参数列
式中：
式中：
式中：
式中：
考虑到单一预测方法的随机误差较大，本发明实施例以组合预测的思路为基础，采用平均增长率法、线性二次移动平均模型、三次指数平滑预测和灰色系统理论等多种方法提供预测结果支持：平均增长率法有利于反应负荷的线性增长趋势；线性二次移动平均模型采用移动平均的思路，有利于消除历史数据的毛刺；三次指数平滑预测最终给出二次型预测曲线，有利于描述负荷增长率攀升的情况；灰色系统理论作为一种等维新息模型，实现了负荷的滚动预测。
s104：基于多个单一日前负荷预测模型建立日前负荷组合预测模型。
设k个无偏预测值分别为
式中：n为历史数据数目(例如n＝5)。
由此，可给出组合权重wi(i＝1,2,...,k)的估计式为：
其中，j与i的含义一致。
则k个预测值的组合预测结果为：
组合预测误差的方差为：
设对某一预测对象y,利用k种预测方法得到k个模型的预测序列值
式中：
如果对于i＝1,2,…..,k，t＝1,2,…..,n+l,限定wi(1)＝wi(2)＝......＝wi(n+l)，即各种预测方法在不同时刻的权重相同，则称上面的组合预测为不变权重组合预测。
由于各种预测方法的特点不同，随着时间的推移，其预测效果也在发生变化。比如有的预测方法只在短期趋势预测上精度高，而有的预测方法在长期趋势预测上有优势，所以不变权重组合预测模型有时候不能很好地反映实际情况，从而利用强化学习(如q学习)对变权重组合预测模型的研究是必要和有意义的。
s106、基于强化学习对所述日前负荷组合预测模型的权重进行更新。
这里采用强化学习的主要目的是根据预测误差修改当前采用四种预测方法的组合权重，提高方差较小的预测方法的权重系数，减小方差较大的预测方法的权重系数，滚动调整组合权重，并实现自适应动态调整。
本发明实施例所采用的是强化学习当中的q学习，其主要思想是agent(控制器或智能体)通过对可迭代计算的状态(state)-动作(action)对的直接优化评价来评估学习的值函数q(s,a)，在线寻求最优策略使得期望折扣报酬的总和最大，从而找到最优行动策略。该算法简单、收敛速度快、易于使用，主要步骤如下：
定义q值：
式中，e表示期望，t表示概率分布。
q值的评估：
式中，p表示取贪婪动作的概率。
需要指出的是上述公式(35)、(36)均为q学习的基本理论，在此不再赘述。
式中：q(s,a)为状态s下执行动作a的q值函数；q(s’,a)为状态s’下执行动作a的q值函数；s为状态集合；a为动作集合；s为当前状态；s’为下一时刻的状态；r(s,s',a)为状态s在控制动作a发生后转移到状态s’后给出的立即强化信号，即回报函数值；γ为折扣因子，决定了未来回报函数对当前动作的影响。
q学习算法利用迭代计算的方法求取最优q值函数的估计值，设qk代表最优值函数q*的第k次迭代值，将控制器或智能体通过本次试探学习获得的经验作为[sk,a,r,sk+1]的样本，更新q值迭代公式如下：
式中：α为学习因子，0<α<1，用于指明要给改善的更新部分多少信任度，较大的α值会加快q学习算法的收敛速度，较小的α值能够保证控制器的搜索空间足够大，从而提高q学习收敛的稳定性。
本发明实施例将多种预测方法在组合预测当中所占的权重系数及当前环境因素作为状态-动作对，将该权重系数条件下的方差填入知识矩阵(q矩阵)，通过离线学习形成完整可靠的q矩阵，在线优化过程中可以根据当前条件下的日平均气温、最高气温、最低气温、实时电价等客观因素选择相似日，在q矩阵当中查找得到权重系数的最佳组合。根据多种预测方法的方差和协方差，组合预测可以通过对大量历史数据进行学习从而通过更新q矩阵不断更新各个预测方法所占的权重值来实现自适应的变权重组合预测。
具体而言，本发明实施例以预测误差的相反数作为回报值函数(r)，在已经得到四种基本预测方法的预测结果的基础上，需要提供大量的历史用电量数据及相应待预测时间段内的温度、电价等客观因素，根据q学习的基本理论，将四种预测方法的组合权重值和当前环境因素分别作为知识矩阵的两个维度，在矩阵内填入预测误差，完成离线学习过程。
需要指出的是，所述离线学习的具体过程如下：
a获取多个历史数据，所述历史数据包括日用电量的实际值与日用电量的预测值以及该日的环境参数；所述预测值是通过多种预先选取的单一预测模型预测得到；
b确定以组合预测模型的组合权重为s、环境参数为a的基于强化学习的知识矩阵；
c以组合预测误差的相反数作为回报值函数；
d在所述知识矩阵内填入组合预测模型的组合预测误差的方差，完成离线学习。
进一步的，还包括：
e判断知识矩阵是否满足收敛条件，如果是，则执行在线学习。
这里的收敛条件是不唯一的，具体可以根据需求设置。
在本实施例中，收敛条件可以为：
连续1000次迭代，满足下式：
其中，m、n分别是q矩阵的行和列。
在线学习过程中如果在线状态与知识矩阵中某一状态完全一致，可以直接查找知识矩阵获得组合权重；如果在线状态与知识矩阵中任一状态都不完全一致，则需要通过相似日的方法，分别对比待预测时间段内的日平均气温、最高气温、最低气温、实时电价等客观因素与知识矩阵当中相应历史数据的相似度。
首先判断并选取相似日。若设待预测日的气象特征向量为x，x＝[t1,t,t2]，第j个相似的历史日的气象特征向量为xj，xj＝[t1j,tj,t2j]，其中t1，t，t2分别表示待预测日的最高温度、平均温度和最低温度；同理可推知xj中各个元素的含义。
利用灰色关联系数法，则待预测日和第j日第k个特征向量分量的关联系数为：
式中：ξi(k)为xj(k)与待测日在第k个特征向量分量的关联系数，ρ∈[0,1]为分辨系数，一般取0.5。
由于各个气象特征向量分量都有一个关联系数，不便于比较，为此给出式(39)为相似的历史日的气象特征向量xj(k)对待预测日x(k)的关联度。预测时从计算预测日和最临近的第j个历史日的关联度开始，逐日计算关联度值rj，并定义式(40)为日特征相似度指标，其值越小，表示日特征相似程度越高。
oj＝1-rj(40)
通过比较选取历史数据当中的相似日，并在该相似日客观因素条件下，在线查找组合预测方差最小的组合权重，作为自适应修正的最终值。此在线学习过程耗时极短，在更新速度上较传统方法具有很大优势；同时在历史数据的可靠性能够得到保证的前提下，q学习方法的精确性也将优于传统解析算法。
本实施例中，由于负荷的日前虚拟预测参数可以直接通过历史用电量得到，所以可以大幅简化对于历史数据的需求。本发明实施例基于售电公司管辖区域的历史用电量数据，采用平均增长率法、线性二次移动平均模型、三次指数平滑预测和灰色系统理论等多种方法提供预测结果基值，进一步引入强化学习当中的q学习记录组合权重的更新结果，并通过方差-协方差组合预测实现组合权重的自适应更新求解。本发明实施例通过综合利用多种预测方法的求解结果，可以使得自适应组合预测模型的预测值更加接近实际用电量需求，为售电公司和电力大用户参与日前市场竞价提供可靠的用电量依据。
实施例二：
一种自适应变权重组合负荷预测装置，参考图2，该装置包括：
第一建模模块11，用于基于多种预测方法的日前负荷预测建模，得到多个单一日前负荷预测模型。
其中，所述单一日前负荷预测模型包括平均增长率预测模型、线性二次移动平均模型、三次指数平滑预测模型以及灰色系统理论预测模型。
第二建模模块12，用于基于多个单一日前负荷预测模型建立日前负荷组合预测模型。
权重更新模块13，用于基于强化学习对所述日前负荷组合预测模型的权重进行更新。
进一步的，权重更新模块具体用于：将多种预测方法分别构建得到的单一日前负荷预测模型在日前负荷组合预测模型当中所占的权重系数及当前环境因素作为状态-动作对，并将该权重系数条件下的方差填入知识矩阵，通过离线学习形成完整可靠的知识矩阵。
进一步的，权重更新模块还用于：判断知识矩阵是否满足收敛条件，如果是，则执行在线学习。
进一步的，权重更新模块还用于：在线学习过程中，如果在线状态与知识矩阵中某一状态完全一致，可以直接查找知识矩阵获得组合权重；
如果在线状态与知识矩阵中任一状态都不完全一致，则通过相似日的方法，分别对比待预测日的日平均气温、最高气温、最低气温、实时电价与知识矩阵当中相应历史数据的相似度。
下面对本发明实施例提供的装置的工作过程进行简要说明：
第一步：按照式(3)-(22)采用平均增长率法、线性二次移动平均模型、三次指数平滑预测和灰色系统理论求解预测值，为组合预测提供数据支持。
第二步：计算基于单一预测方法得到的用电量序列的均值、方差、协方差等高阶统计量。
第三步：采用第二建模模块中提及的方差-协方差组合预测优化单一预测方法所得到的日前负荷预测模型，确定基于组合预测的日前负荷预测模型。
第四步：根据q学习理论按照式(35)-(37)进行q学习，离线学习得到较完整的知识矩阵。
第五步：通过相似日的方法查找知识矩阵，得到当前环境条件下合适的权重系数组合，实现组合预测模型中组合权重的自适应更新。
该实施例二中的具体描述可以参考上述实施例一中的具体描述，在此不再赘述。
下面以预测方法包括平均增长率法、线性二次移动平均模型、三次指数平滑预测和灰色系统理论，强化学习为q学习，知识矩阵为q矩阵为例并结合图3对本发明实施例中基于q学习的组合权重更新过程作一简要说明：
1)利用平均增长率法、线性二次移动平均模型、三次指数平滑预测和灰色系统理论求解用电量的预测值。
2)确定以组合权重为s、环境参数为a法知识矩阵(q矩阵)维度；
3)以预测误差的相反数作为回报值函数(r)。
4)离线q学习(填充q矩阵)。
5)是否满足收敛条件。
6)是，则在线q学习(自适应更新权重系数)；否，则返回步骤4)。
下面结合图4对本发明实施例提供的装置的自适应变权重预测的过程进行论述：
输入数据：
这里输入的数据包括(1)连续多日用电量的实际值，待预测日平均气温、最高气温、最低气温和售电公司参与竞价交易的实时电价；
(2)大量包括日用电量实际值，该日平均气温、最高气温、最低气温和售电公司参与竞价交易的实时电价在内的历史数据。
基于(1)的数据利用利用平均增长率法、线性二次移动平均模型、三次指数平滑预测和灰色系统理论求解用电量的预测值。
基于(2)的数据填充知识矩阵，完成离线学习。
判断待预测日温度和实时电价等当前在线状态是否存在于知识矩阵状态集；
若是，则查找知识矩阵，获取组合权重；
若否，则获取相似日，查找知识矩阵，获取组合权重。
接着自适应更新权重系数。
最终形成组合预测的数学模型。
本发明实施例所提供的自适应变权重组合负荷预测方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。