CN102270309A - 一种基于集成学习的短期电力负荷预测方法 - Google Patents

Abstract

本发明公开了短期电力负荷预测技术领域中的一种基于集成学习算法的短期电力负荷预测方法。本发明首先对电力负荷进行数据预处理，构建负荷预测的训练样本集和测试样本集；然后用密母优化算法寻找核向量回归学习器的最优初始参数值，并对训练样本集进行训练，进而求得子学习器模型；之后由子学习器模型加权组合得到预测模型，通过预测模型对测试样本集进行预测，并根据均方根相对误差作为判断预测模型精度的条件，依据精度确定是否需要增加新的子学习器，最终得到满足精度要求的实际预测模型；最后用实际预测模型对未来一周的负荷进行预测。本发明方法具有模型简单、预测精度高、预测速度快等优点。

Description

一种基于集成学习的短期电力负荷预测方法

技术领域

本发明属于短期电力负荷预测技术领域，尤其涉及一种基于集成学习算法的短期电力负荷预测方法。

背景技术

电力负荷是指电力需求量或用电量。负荷预测是在充分考虑系统运行特性、增容决策、自然条件与社会影响的条件下，根据历史负荷数据、气象数据、经济数据、人口数据等信息，建立合适的数学模型，在满足一定精度的条件下对未来某特定时刻的负荷数值进行预测。电力负荷预测是供电部门的重要工作之一，根据负荷预测，可以经济合理地安排电网内部发电机组的启停，保证电网安全稳定地运行，减少不必要的旋转储备容量，合理安排机组检修计划，有效降低发电成本，提高经济效益和社会效益。电力负荷预测按照预测时间期限分为长期、中期、短期、超短期负荷预测。长期负荷预测一般指十年以上，并以年为单位的预测，中期负荷预测指五年左右，并以年为单位的预测。长期和中期负荷预测可以协助电力规划部门决定新的发电机组的安装与电网的规划、增容和改建。短期负荷预测是指一年以内，以月为单位的负荷预测，也可以预测未来一周、一天的负荷。它的意义在于帮助确定燃料供应计划，安排本网内机组的启停，制定检修计划。超短期负荷预测是预测未来一小时，或者半小时，甚至十分钟的负荷。它的意义在于对电网进行计算机控制，合理调度发电容量，满足负荷需求，并使发电成本最小。本发明讨论的是短期负荷预测。

长期以来各位专家学者在短期负荷预测领域做了大量的研究工作，提出了多种短期负荷预测方法。继基于时间序列、回归分析等传统预测模型之后，基于神经网络、小波分析、专家系统、支持向量回归(SVR：Support VectorRegression)、核向量回归(CVR：Core Vector Regression)等人工智能理论的现代负荷预测模型被广泛采用。对这些方法的研究取得了一定的成就，在一些实际项目中也得到了很好的应用。然而负荷预测是一个耗时的过程，影响负荷预测的因素也是复杂的，寻求预测速度更快、预测精度更高、预测模型的建立更容易的方法，始终是负荷预测领域众专家学者不断探索的目标。

近年来，随着对集成学习方法研究的深入，其在预测领域的应用也引起了广泛的重视。考虑到单学习器各自的局限，集成学习方法通过对同一样本集训练多个学习器，将各学习器的输出结果进行特定方式的组合，以用于对新的实例进行分类或者预测。实验表明，通过集成学习方法可以显著提高预测结果的准确性和稳定性。如图1所示：在学习阶段，由原始训练样本集T产生n个训练子集T_i(i＝1，2，...，n)，由每一个训练子集T_i产生对应的学习器h_i(i＝1，2，...，n)。在实际应用中，个体学习器以特定方式结合在一起组成h^*＝F(h₁，h₂，..，h_n)。测试样本实例x由h^*进行预测。其准确度高于h_i中最好的。

Adaboost算法是目前集成学习算法中最流行的一种，它允许不断添加新的子学习器，直到满足预测精度要求。只要子学习器足够多，预测精度就能足够高。在Adaboost算法中，原始训练样本集中每个训练样本被赋予一个权值，来反映这个样本的重要性，代表该样本能被选入某个训练子集的概率。如果某个样本已被准确预测，它的权值就会降低，被选入训练子集的概率就会减小。通过这种方式，可以使子学习器对还没有正确预测的样本进行重点训练。Adaboost算法的最终预测函数h^*的训练误差满足：

$H=\mathrm{\Π}\left[2\sqrt{{\mathrm{\ϵ}}_i(1-{\mathrm{\ϵ}}_i)}\right]=\mathrm{\Π}\sqrt{1-4(\frac{1}{2}-{\mathrm{\ϵ}}_i)}\≤\exp (-2\underset{i}{\mathrm{\Σ}}(\frac{1}{2}-{\mathrm{\ϵ}}_i))$

其中：

H为预测函数；

ε_i为训练得到的个体学习器h_i的预测误差。

此式可见，只要个体学习器的训练误差ε_i略好于随机猜测，即ε_i＜0.5，最终预测函数H的训练误差则随i以指数降低。

虽然理论证明Adaboost算法只要子学习器的个数i足够多，其训练误差就能足够小。但实际中基于效率的考虑，需要在较短的时间内，得到模型简单且精度满足要求的预测函数。选择合适的子学习器，能够降低Adaboost算法运算的复杂度、大大提高预测的速度。核向量回归学习器CVR是一种解决回归预测问题的方法，有着比较完善的理论基础，尤其在对大规模样本数据集训练上，有着很好的性能。

发明内容

针对上述背景技术中提到传统预测模型、人工智能预测模型对短期负荷预测的精度和速度有待提高、预测模型比较复杂的不足，本发明提出了一种基于集成学习的短期电力负荷预测方法。

本发明的技术方案是，一种基于集成学习的短期电力负荷预测方法，其特征是该方法包括以下步骤：

步骤1：对电力负荷进行数据预处理；

步骤2：构建电力负荷预测的训练样本集和测试样本集；

步骤3：用密母优化算法寻找核向量回归学习器的最优初始参数值；

步骤4：在步骤3的基础上采用集成学习算法并对训练样本集进行训练，进而求得子学习器模型；

步骤5：由子学习器模型加权组合得到预测模型，通过预测模型对测试样本集进行预测求得均方根相对误差，进而得到满足精度要求的实际预测模型；

步骤6：用实际预测模型对未来一周的负荷进行预测。

所述数据预处理包括填补缺失数据、修正噪声数据、数据平滑处理和数据归一化处理。

所述步骤3具体为：

步骤3.1：选定密母优化算法的编码规则，按照编码规则产生规模为n的初始种群G，设定最大进化代数g，选取适应度函数；

步骤3.2：计算初始种群G的个体G_i的适应度值F_i，将种群中适应度值最差的个体记为G_worst；

步骤3.3：对初始种群G的个体G_i使用局部启发式搜索算法寻找个体G_i的适应度最优值，用适应度最优值对应的个体替换个体G_i；

步骤3.4：对个体G_i进行交叉或变异操作，若交叉或变异操作的结果优于最差的个体G_worst，则用交叉或变异操作的结果替换最差的个体G_worst；

步骤3.5：满足以下条件之一，计算过程结束：

a：循环达到最大进化代数g；

b：前5代的平均适应度相差不超过10^-6；

将初始种群G中的最优个体作为核向量回归学习器的最优参数值。

所述密母优化算法的编码规则为十进制编码。

所述适应度值为：

$F_i=\underset{k=0}{\overset{m^{\′}}{\mathrm{\Σ}}}{(x_k-{x^{\′}}_k)}^2$

 其中：

F_i表示初始种群G中第i个个体的适应度值；

m′为测试样本集S′的样本个数；

x_k为测试样本集S′中第k个样本S′_k的实际负荷值；

x′_k为样本S′_k的预测负荷值。

所述步骤4具体为：

步骤4.1：采用集成学习算法，设定最大训练次数为q、惩罚参数C、不敏感损失参数ε和核函数；

步骤4.2：将训练样本集S中的元素按照样本权重从大到小排序，按照指定比例选取权重大的元素构造训练样本子集S⁽ⁱ⁾；

步骤4.3：用核向量回归学习器对训练样本子集S⁽ⁱ⁾进行训练，得到子学习器模型h⁽ⁱ⁾；

步骤4.4：用子学习器模型h⁽ⁱ⁾对训练样本集S中的所有样本进行预测，计算子学习器模型h⁽ⁱ⁾的预测误差ε⁽ⁱ⁾；

步骤4.5：根据预测误差ε⁽ⁱ⁾更新训练样本集S中各样本的权重；

步骤4.6：重复步骤4.2-步骤4.5，若达到最大训练次数为q，过程结束。

所述核函数为高斯核函数。

所述预测模型为：

$H=\frac{\underset{i=1}{\overset{q}{\mathrm{\Σ}}}\{\left(\log \frac{1}{{\mathrm{\ϵ}}^{\left(i\right)2}}\right)\·h^{\left(i\right)}\}}{\underset{i=1}{\overset{q}{\mathrm{\Σ}}}\left(\log \frac{1}{{\mathrm{\ϵ}}^{\left(i\right)2}}\right)}$

其中：

H为负荷预测函数；

h⁽ⁱ⁾为第i个子学习器的预测函数；

ε⁽ⁱ⁾为子学习器h⁽ⁱ⁾的预测误差。

所述均方根相对误差为：

$R_{\mathrm{MSRE}}=\sqrt{\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\left(\frac{x-x^{\′}}{x}\right)}^2}$

其中：

R_MSRE为均方根相对误差；

m为测试样本集S′中的样本个数；

x为测试样本集S′中第k个样本的实际负荷值；

x′为负荷预测函数H对第k个样本的预测负荷值。

本发明应用在电力负荷短期预测，可有效提高预测的速度和精度，并能简化预测模型。

附图说明

图1为集成学习算法原理示意图；

图2为本发明的短期负荷预测方法总体流程图；

图3为密母优化算法优化核向量回归学习器初始参数的流程图；

图4为集成学习算法流程图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图2是本方法的短期电力负荷方法的总体流程图。具体包括如下步骤：

步骤1：对电力负荷进行数据预处理，包括：填补缺失数据，修正噪声数据，对数据进行平滑处理和归一化处理。

(1)填补缺失数据

由于电力系统拉闸、设备故障、通信中断等原因，某些时刻的负荷数据可能会缺失。数据缺失会影响到预测的精度，因此有必要对缺失数据进行填补。

对缺失数据可采用相邻日的数据进行填补的方法，由于不同日类型的负荷数据差异较大，因此填补缺失数据要采用相同日类型的数据，并采用近大远小的权值进行加权平均处理：

x(d，t)＝ω₁x(d，t₁)+ω₁x(d，t₂)+ω₂x(d₁，t)+ω₂x(d₂，t)

其中：

x(d，t)为第d天t时刻的负荷值；

x(d，t₁)和x(d，t₂)为第d天与t相邻的两个时刻t₁、t₂的负荷值；

x(d₁，t)和x(d₂，t)为与d相邻的同日类型的第d₁天和第d₂天t时刻的负荷值；

ω₁和ω₂为权重，且有ω₁＞ω₂，ω₁+ω₂＝1。

注意：要选择相同日类型的数据，比如：如果缺失数据的时刻为2011年3月21日星期一中午12:30，按照公式(2)，应选择2011年3月19日星期五中午12:30，2011年3月22日星期二中午12:30，2011年3月21日中午12:00，2011年3月21日中午13:00这四个时刻的值进行加权平均，而不能选择3月20日的数据，因为3月20日是星期日，属于周末节假日；

(2)修正噪声数据

电力负荷具有周期性，不同日期但相同日类型的同一时刻的负荷值应具有相似性，即应维持在一定的范围内，对于超出范围的数据可认为是噪声数据。具体做法如下：设x(d，t)为第d天t时刻的负荷值，其中d＝1，2，…N，表示第1到N天，t＝1，2，…48表示第1到48时刻点(每半个小时为一个时刻，一天24h共分为48个时刻)。计算N天t时刻负荷的均值E(t)、方差D(t)以及负荷偏离率ρ(t)：

$E\left(t\right)=\frac{1}{N}\underset{d=1}{\overset{N}{\mathrm{\Σ}}}x(d,t)$

$D\left(t\right)=\frac{1}{N}\underset{d=1}{\overset{N}{\mathrm{\Σ}}}{[x(d,t)-E\left(t\right)]}^2$

$\mathrm{\ρ}\left(t\right)=\frac{|x(d,t)-E\left(t\right)|}{\sqrt{D\left(t\right)}}$

设α为负荷允许的偏离率，当ρ(t)≥α时，负荷为噪声数据。对噪声数据可用

进行替代：

$\stackrel{\‾}{x}(d,t)=\frac{x(d-1,t)+x(d+1,t)}{2}$

其中：x(d+1，t)和x(d+2，t)为与d同日类型且相邻的两天的负荷值。

(3)数据平滑处理

对一天24小时的负荷数据可采用水平处理方法进行平滑处理，设一天24小时的48个时刻点的负荷序列为：x(t)＝x(0)，x(1)，x(2)，…x(45)。用中位数法对原始负荷序列x(t)产生一个平滑估计序列

再求出实际负荷序列相对于这个平滑估计序列的偏离率ρ(t)，然后对每天24小时的负荷进行水平处理。

关于

的计算，首先取相邻5点的中位数组成一个新的负荷序列x⁽¹⁾(t)：

$x^{\left(1\right)}\left(t\right)=\frac{1}{5}\underset{j=-2}{\overset{2}{\mathrm{\Σ}}}x(t+j)$

其中，t＝2，3，…21。

x⁽¹⁾(t)＝x(t)

其中，t＝0，1，22，23。

然后通过x⁽¹⁾(t)的序列取相邻三点的中位数再生成一个新的负荷序列x⁽²⁾(t)：

$x^{\left(2\right)}\left(t\right)=\frac{1}{3}\underset{j=-1}{\overset{1}{\mathrm{\Σ}}}{x}^{\left(1\right)}(t+j)$

其中t＝1，2，…22。

x⁽²⁾(t)＝x⁽¹⁾(t)

其中t＝0，23。

最后的负荷平滑序列

为：

$\stackrel{\‾}{x}\left(t\right)=0.15x^{\left(2\right)}(t-1)+0.7x^{\left(2\right)}\left(t\right)+0.15x^{\left(2\right)}(t+1)$

其中t＝1，2，…22。

$\stackrel{\‾}{x}\left(t\right)=x^{\left(2\right)}\left(t\right)$

其中t＝0，23。

计算实际负荷序列x(t)与平滑估计序列

的偏离率ρ(t)：

$\mathrm{\ρ}\left(t\right)=\frac{|x\left(t\right)-\stackrel{\‾}{x}\left(t\right)|}{\stackrel{\‾}{x}\left(t\right)}$

根据电力系统实际情况事先给定一个偏离率阈值e，通过调节e的大小来确定对负荷曲线的修正程度。当ρ(t)≥e时，x(t)为异常负荷值，用

来替换。

(4)数据归一化处理

为避免原始负荷序列中的负荷值数量级相差过大影响训练效果，可对原始数据进行归一化处理。设x_max和x_min为负荷序列x(t)中的最大负荷值和最小负荷值，x′(t)表示对x(t)归一化的负荷值，则按照：

$x^{\′}\left(t\right)=\frac{x\left(t\right)-x_{\min }}{x_{\max }-x_{\min }}$

可使负荷值x(t)转换到[0，1]区间，最后可用下式重新换算后真实的负荷值：

x(t)＝(x_max-x_min)x(t)+x_min

步骤2：构建电力负荷预测的训练样本集S和测试样本集S′

(1)选取原始数据集前80％的数据(按时间排序)组成负荷样本集S影响负荷的因素中最主要的有历史负荷数据、温度、星期属性、节假日属性。设S_k为样本集S中第k个样本，历史负荷特征向量L，温度特征向量T，星期属性特征向量W，节假日特征向量H，第d天t时刻负荷值为x(d，t)则：

S_k＝[L，T，W，H，x(d，t)]

其中，历史负荷特征向量L由第d天前14日的相邻时刻的负荷数据组成：

L＝{x(d-14，t-1)，x(d-13，t-1)，…x(d-1，t-1)，

x(d-14，t)，x(d-13，t)，…x(d-1，t)，

x(d-14，t+1)，x(d-13，t+1)，…x(d-1，t+1)}

其中的温度特征向量T由第d天前14日的温度值组成：

T＝{t(d-14)，t(d-13)，…t(d-1)}

式(22)中的t(d-i)(i＝1，2，…14)表示第(d-i)天的温度值。

式(21)中的星期属性特征向量W，表示第d天为星期几，可用

进行归一化处理，其中w表示该日为星期几，如星期一则w＝1，星期日w＝7。

式(21)中的节假日属性特征向量H，表示第d天是否为节假日，如果是节假日H＝1，否则H＝0。

(2)初始化训练样本集S中的样本，权重统一为；

${{\mathrm{\ω}}^{\left(0\right)}}_k=\frac{1}{m}$

其中：

ω⁽⁰⁾ _k表示训练样本集S中第k个样本的权重；

m为训练样本集S的样本个数，初始化时每个个体权重相同，表明有同等概率被选入样本子集进行训练；

(3)按照步骤(1)的方法用其余20％的数据构造测试样本集S′。

步骤3：如图3所示，用密母优化算法MA寻找核向量回归学习器CVR的最优初始参数值，其具体方法如下：

(1)选定密母优化算法的编码规则，按照编码规则产生规模为n的初始种群G，设定最大进化代数g，选取适应度函数：

$F_i=\underset{k=0}{\overset{m^{\′}}{\mathrm{\Σ}}}{(x_k-{x^{\′}}_k)}^2$

其中：

F_i表示初始种群G中第i个个体的适应度值；

m′为测试样本集S′的样本个数；

x_k为测试样本集S′中第k个样本S′_k的实际负荷值；

x′_k为样本S′_k的预测负荷值。

F_i越小表明该个体越优良，即此参数值对越好；

(2)对初始种群G的每个个体G_i计算其适应度值F_i，将种群中适应度值最差(即F_i最大)的个体记为G_worst；

(3)对初始种群G的个体G_i使用局部启发式搜索算法寻找个体G_i的适应度最优值，用适应度最优值对应的个体替换个体G_i；

(4)对个体G_i进行交叉或变异操作，若交叉或变异操作的结果优于最差的个体G_worst，则用交叉或变异操作的结果替换最差的个体G_worst；

如果是交叉操作，则从初始种群G中随机选择两个个体G_i和G_j，采用十进制编码方式，交叉操作可按下式进行：

G_x＝λG_i+(1-λ)G_j

其中：

G_x为交叉产生的新个体；

λ为预先定义的(0，1)之间的一个常数，可随机选取。

对G_x执行局部搜索算法，如果局部搜索得到的最优个体G_x′的适应度值比G_worst好，用G_x′替换G_worst；

如果是变异操作，则按下式进行对G_x变异产生新个体G_x′：

G_x′＝G_x+N(0，σ²)·P

其中：

N(0，σ²)是均值为0，方差为σ的高斯分布随机数，对于参数C，σ可取

对于参数ε，σ可取

P为动态变异率，可按下式计算：

$P=\frac{F_x}{\stackrel{\‾}{F}}$

其中：

F_x为G_x的适应度值；

为初始种群G的平均适应度值。

(5)满足以下条件之一，计算过程结束：

a：循环达到最大进化代数g；

b：前5代的平均适应度相差不超过10^-6；

将初始种群G中的最优个体作为核向量回归学习器的最优参数值。

步骤4：如图4所示，采用Adaboost集成学习算法对训练样本集S进行训练，求得子学习器模型，其具体方法如下：

(1)设定Adaboost集成学习的最大训练次数为q、惩罚参数C、不敏感损失参数ε和核函数，核函数定义如下：

$K(\stackrel{\→}{x},\stackrel{\→}{y})=\exp (-\frac{\left|\right|\stackrel{\→}{x}-\stackrel{\→}{y}\left|\right|}{2{\mathrm{\σ}}^2})$

实际应用中可根据需要选择合适的核函数，不一定是高斯核函数。

(2)对概率分布为ω⁽ⁱ⁾的训练样本集S，按照样本权重值由大到小选取50％的样本组成第i(i＝0，1，…q)个子学习器的训练样本子集S⁽ⁱ⁾。对于S⁽¹⁾，由于初始时所有样本权重值相同，可随机选取50％样本组成第一个子学习器的训练样本子集S⁽¹⁾。

(3)用核向量回归学习器CVR对训练样本子集S⁽ⁱ⁾进行训练，得到子学习器模型h⁽ⁱ⁾；

(4)用子学习器模型h⁽ⁱ⁾对训练样本集S中的所有样本进行预测，计算子学习器模型h⁽ⁱ⁾的预测误差ε⁽ⁱ⁾；

ε⁽ⁱ⁾＝∑ω_k ⁽ⁱ⁾

其中：

ε⁽ⁱ⁾为h⁽ⁱ⁾的预测误差；

ω_k ⁽ⁱ⁾为第k个样本的概率分布。

其中ω_k ⁽ⁱ⁾需满足如下条件：

${{\mathrm{ARE}}_k}^{\left(i\right)}=\frac{|x^{\′}(d,t)-x(d,t)|}{x(d,t)}>\mathrm{\Φ}$

其中：

ARE_k ⁽ⁱ⁾为样本S_k的预测误差率；

x(d，t)为样本S_k的实际负荷值；

x′(d，t)为由h⁽ⁱ⁾得到的S_k的预测负荷值；

Φ为预设定的误差率阈值，如果误差率小于此阈值，则认为h⁽ⁱ⁾对S_k的预测正确。

(5)根据预测误差ε⁽ⁱ⁾，更新训练样本集S中各个样本的权重，预测正确的样本权重变小，预测错误的样本权重变大；

${{\mathrm{\ω}}_k}^{(i+1)}=\frac{{{\mathrm{\ω}}_k}^{\left(i\right)}}{Z_k}\×\left\{\begin{array}{cc}{\mathrm{\ϵ}}^{\left(i\right)2}& {{\mathrm{ARE}}_k}^{\left(i\right)}\≤\mathrm{\Φ}\\ 1& {{\mathrm{ARE}}_k}^{\left(i\right)}>\mathrm{\Φ}\end{array}\right.$

其中：

ω_k ⁽ⁱ⁾为第i次训练时第k个样本的概率分布；

ω_k ⁽ⁱ⁺¹⁾为第i+1次训练时第k个样本的概率分布；

Z_k为归一化系数，保证 $\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{{\mathrm{\ω}}_k}^{(i+1)}=1;$

ε⁽ⁱ⁾为h⁽ⁱ⁾的预测误差；

ARE_k ⁽ⁱ⁾为样本S_k的预测误差率；

Φ为预设定的误差率阈值。

(6)重复(2)-(5)，若达到最大训练次数为q，过程结束。

步骤5：由子学习器模型h＝{h⁽¹⁾，h⁽²⁾，…h^(q)}加权组合得到预测模型H，通过预测模型H对测试样本集S′进行预测求得均方根相对误差，以均方根相对误差作为精度的衡量条件，依据精度确定是否需要增加新的子学习器，得到满足精度要求的实际预测模型，具体步骤如下：

(1)由子学习器序列h＝{h⁽¹⁾，h⁽²⁾，…h^(q)}加权组合得到预测模型

$H=\frac{\underset{i=1}{\overset{q}{\mathrm{\Σ}}}\{\left(\log \frac{1}{{\mathrm{\ϵ}}^{\left(i\right)2}}\right)\·h^{\left(i\right)}\}}{\underset{i=1}{\overset{q}{\mathrm{\Σ}}}\left(\log \frac{1}{{\mathrm{\ϵ}}^{\left(i\right)2}}\right)}$

其中：

H为集成学习得到的预测函数；

q为最大训练次数；

h⁽ⁱ⁾第i(i＝0，1，…q)个子学习器的预测函数；

ε⁽ⁱ⁾为h⁽ⁱ⁾的预测误差。

(2)用所得到预测模型H对测试样本集S′的各个样本进行预测，并计算其均方根相对误差：

$R_{\mathrm{MSRE}}=\sqrt{\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\left(\frac{x-x^{\′}}{x}\right)}^2}$

其中：

m为测试样本集S′中的样本个数；

x为测试样本集S′中第k个样本的实际负荷值；

x′为负荷预测函数H对第k个样本的预测负荷值。

如果R_MSRE满足要求，则H可作为实际预测模型使用，否则修改最大迭代次数q，重复步骤4和步骤5，直到R_MSRE满足要求。

步骤6：用实际预测模型对未来一周的负荷进行预测，具体步骤如下：

(1)对未来一天内各时刻的负荷预测，可直接填入输入量：前十四天历史负荷数据向量L，前十四天温度向量T，当日日类型，节假日类型，即可得到预测负荷值；

(2)对未来第二天到第七天的负荷预测，由于前十四天的数据并不充足，需要借用前一天的预测值作为输入，进行预测。比如：对未来第二天的负荷预测，需要用到未来第一天的预测值作为输入，温度也需要借用天气预报的温度值。为了提高精度，当未来第一天的负荷值、温度值得到实际值时，可实时修正对未来第二天的预测值，依次类推。

本发明采用核向量回归学习器CVR作为Adaboost算法的子学习器。核向量回归学习器CVR的初始化参数值对预测精度的影响很大，密母优化算法MA(Memetic Algorithm)是一种新的参数优化方法，它将遗传算法和局部搜索启发式算法结合，遗传算法进行种群中全局广度搜索，局部搜索进行个体局部深度搜索，其效率要高于单纯的遗传算法和局部搜索方法。本发明用密母优化算法MA算法对核向量回归学习器CVR的初始化参数进行优化，进一步提高了算法整体的速度和精度。本发明所提出的短期负荷预测方法，在子学习器个数一定的条件下，能够快速得到精度更高的预测函数。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (9)

1.一种基于集成学习的短期电力负荷预测方法，其特征是该方法包括以下步骤：

步骤1：对电力负荷进行数据预处理；

步骤2：构建电力负荷预测的训练样本集和测试样本集；

步骤3：用密母优化算法寻找核向量回归学习器的最优初始参数值；

步骤4：在步骤3的基础上采用集成学习算法并对训练样本集进行训练，进而求得子学习器模型；

步骤5：由子学习器模型加权组合得到预测模型，通过预测模型对测试样本集进行预测求得均方根相对误差，进而得到满足精度要求的实际预测模型；

步骤6：用实际预测模型对未来一周的负荷进行预测。

2.根据权利要求1所述的一种基于集成学习的短期电力负荷预测方法，其特征是所述数据预处理包括填补缺失数据、修正噪声数据、数据平滑处理和数据归一化处理。

3.根据权利要求1所述的一种基于集成学习的短期电力负荷预测方法，其特征是所述步骤3具体为：

步骤3.1：选定密母优化算法的编码规则，按照编码规则产生规模为n的初始种群G，设定最大进化代数g，选取适应度函数；

步骤3.2：计算初始种群G的个体G_i的适应度值F_i，将种群中适应度值最差的个体记为G_worst；

步骤3.3：对初始种群G的个体G_i使用局部启发式搜索算法寻找个体G_i的适应度最优值，用适应度最优值对应的个体替换个体G_i；

步骤3.4：对个体G_i进行交叉或变异操作，若交叉或变异操作的结果优于最差的个体G_worst，则用交叉或变异操作的结果替换最差的个体G_worst；

步骤3.5：满足以下条件之一，计算过程结束：

a：循环达到最大进化代数g；

b：前5代的平均适应度相差不超过10^-6；

将初始种群G中的最优个体作为核向量回归学习器的最优参数值。

4.根据权利要求3所述的一种基于集成学习的短期电力负荷预测方法，其特征是所述密母优化算法的编码规则为十进制编码。

5.根据权利要求3所述的一种基于集成学习的短期电力负荷预测方法，其特征是所述适应度值为：

$F_i=\underset{k=0}{\overset{m^{\′}}{\mathrm{\Σ}}}{(x_k-{x^{\′}}_k)}^2$

其中：

F_i表示初始种群G中第i个个体的适应度值；

m′为测试样本集S′的样本个数；

x_k为测试样本集S′中第k个样本S′_k的实际负荷值；

x′_k为样本S′_k的预测负荷值。

6.根据权利要求1所述的一种基于集成学习的短期电力负荷预测方法，其特征是所述步骤4具体为：

步骤4.1：采用集成学习算法，设定最大训练次数为q、惩罚参数C、不敏感损失参数ε和核函数；

步骤4.2：将训练样本集S中的元素按照样本权重从大到小排序，按照指定比例选取权重大的元素构造训练样本子集S⁽ⁱ⁾；

步骤4.3：用核向量回归学习器对训练样本子集S⁽ⁱ⁾进行训练，得到子学习器模型h⁽ⁱ⁾；

步骤4.4：用子学习器模型h⁽ⁱ⁾对训练样本集S中的所有样本进行预测，计算子学习器模型h⁽ⁱ⁾的预测误差ε⁽ⁱ⁾；

步骤4.5：根据预测误差ε⁽ⁱ⁾更新训练样本集S中各样本的权重；

步骤4.6：重复步骤4.2-步骤4.5，若达到最大训练次数为q，过程结束。

7.根据权利要求6所述的一种基于集成学习的短期电力负荷预测方法，其特征是所述核函数为高斯核函数。

8.根据权利要求1所述的一种基于集成学习的短期电力负荷预测方法，其特征是所述预测模型为：

$H=\frac{\underset{i=1}{\overset{q}{\mathrm{\Σ}}}\{\left(\log \frac{1}{{\mathrm{\ϵ}}^{\left(i\right)2}}\right)\·h^{\left(i\right)}\}}{\underset{i=1}{\overset{q}{\mathrm{\Σ}}}\left(\log \frac{1}{{\mathrm{\ϵ}}^{\left(i\right)2}}\right)}$

其中：

H为负荷预测函数；

h⁽ⁱ⁾为第i个子学习器的预测函数；

ε⁽ⁱ⁾为子学习器h⁽ⁱ⁾的预测误差。

9.根据权利要求1所述的一种基于集成学习的短期电力负荷预测方法，其特征是所述均方根相对误差为：

$R_{\mathrm{MSRE}}=\sqrt{\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\left(\frac{x-x^{\′}}{x}\right)}^2}$

其中：

R_MSRE为均方根相对误差；

m为测试样本集S′中的样本个数；

x为测试样本集S′中第k个样本的实际负荷值；

x′为负荷预测函数H对第k个样本的预测负荷值。

Images