CN103530700A - 城区配电网饱和负荷综合预测方法 - Google Patents

Abstract

本发明公开了一种城区配电网饱和负荷综合预测方法，通过确定电网饱和负荷综合最优预测模型，对电网饱和负荷值进行预测。电网饱和负荷综合最优预测模型的确定，可归结为求取最优和较优的电网饱和负荷综合预测模型的数学期望，用以减小预测结果变化规律的波动性和随机性。电网饱和负荷综合最优预测模型的求解可看作一个概率寻优问题。本发明的有益效果：该方法能够实现各单一预测方法的有机组合，有利于减弱随机性和波动性的影响。

Description

城区配电网饱和负荷综合预测方法

技术领域

本发明涉及一种城区配电网饱和负荷综合预测方法。

背景技术

伴随着经济的发展和生活水平的提高，电力负荷经过一段时间的快速增长，进入低速平缓的增长阶段，直至达到极大值，此时所对应的负荷即为饱和负荷。饱和负荷是城市电网规划中确定电网发展最终规模的最关键的指标，是影响城市电网未来健康发展的重要因素。为了提高城市电力规划的系统性、科学性和有效性，指导并促进城市电力工业的持续快速发展，超前规划变电站布点和线路走廊，并与城市的各项建设协调发展，必须实现对城市饱和负荷的有效预测。

与传统的中长期负荷预测相比较，饱和负荷预测的时间跨度较大，且涉及的影响因素多且复杂，因此其预测的难度也较大。一般来说，长期负荷预测的方法都可以用来进行饱和负荷的预测。依据预测分析对象的不同，饱和负荷预测的方法可以分为宏观预测方法和微观预测方法两大类。其中宏观预测方法主要包括电力弹性系数法、回归曲线法、灰色模型预测法，人均电量法；而微观预测方法主要是指空间负荷预测法（负荷密度特征参数类比法）。宏观预测方法侧重于负荷总量的预测，而微观预测方法则侧重于负荷的空间分布以及负荷密度的预测，二者各有优缺点。若能将二者结合起来，将有利于饱和负荷预测精度的提高。

当存在多种相对独立的预测方法时，可采用综合预测的方法将多种预测方法组合起来，从而能够充分、合理利用各方法的优点，提高预测的精度。

发明内容

本发明的目的就是为了解决上述问题，提出了一种城区配电网饱和负荷综合预测方法，通过建立电网饱和负荷综合预测模型，最终获得电网饱和负荷综合最优预测模型并求解。

为了实现上述目的，本发明采用如下技术方案：

一种城区配电网饱和负荷综合预测方法，包括以下步骤：

（1）获取负荷预测区域各类负荷相关因素的历史资料。

（2）分别利用传统的电网饱和负荷预测方法对负荷预测区域单独进行电网饱和负荷预测，分别建立q种单一的电网饱和负荷预测模型并求解；对于q种单一预测模型，引入一组权重系数ω_k(k＝1,…,q)，称该组权重系数为各个单一预测模型的组合概率。

（3）建立p个电网饱和负荷综合预测模型，每一个电网饱和负荷综合预测模型均对应步骤（2）中的q种单一电网饱和负荷预测模型，不同的电网饱和负荷综合预测模型中q种单一电网饱和负荷预测模型的组合概率不同。

（4）令第m(m＝1,…,p)个电网饱和负荷综合预测模型对应的q种单一预测模型的组合概率为同时，根据每个综合预测模型的重要程度确定每个综合预测模型的权重系数σ^(m)，且满足

（5）使用遗传算法确定一个电网饱和负荷综合最优预测模型，并计算出电网饱和负荷综合最优预测模型中q种单一预测模型的组合概率

其中，

为电网饱和负荷综合最优预测模型中第k种单一预测模型的权重系数。

（6）确定电网饱和负荷综合最优预测模型的表达式y。

所述步骤（2）中传统的电网饱和负荷预测方法包括但不限于：电力弹性系数法、回归曲线法、灰色模型预测法和空间负荷预测法。

所述步骤（5）中电网饱和负荷综合最优预测模型中第k种单一预测模型的权重系数为：

${\mathrm{\ω}}_k^{\left(0\right)}=\underset{m=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\σ}}^{\left(m\right)}{\mathrm{\ω}}_k^{\left(m\right)}(k=\mathrm{1,2},...q).$

其中，σ^(m)为每个综合预测模型的权重系数，为第m个电网饱和负荷综合预测模型对应的第k种单一预测模型的权重系数。

所述步骤（5）中确定一个电网饱和负荷综合最优预测模型的方法为：

（1）每一种电网饱和负荷综合预测模型看作一个个体，并构造适应度函数，则p个电网饱和负荷综合预测模型形成初始种群。

（2）以q种单一预测模型的组合概率为控制变量进行编码。

（3）将个体解码并计算个体的适应度值，即进行个体评价。

（4）通过调整适应度值的大小来进行个体间的选择、交叉、变异操作。

（5）返回步骤（3）进行个体评价。

（6）判断是否满足收敛标准：若是，则进行下一步，否则返回（4）。

（7）产生最优个体，该最优个体即为电网饱和负荷综合最优预测模型；该最优个体对应的组合概率即为电网饱和负荷综合最优预测模型中q种单一预测模型的组合概率。

所述步骤（6）中电网饱和负荷综合最优预测模型的表达式为：

$y=\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\ω}}_k^{\left(0\right)}\·L_k=\underset{k=1}{\overset{q}{\mathrm{\Σ}}}\left(\underset{m=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\σ}}^{\left(m\right)}{\mathrm{\ω}}_k^{\left(m\right)}\right)\·L_k.$

其中，

为电网饱和负荷综合最优预测模型中第k种单一预测模型的权重系数，σ^(m)为每个综合预测模型的权重系数，

为第m个电网饱和负荷综合预测模型对应的第k种单一预测模型的权重系数，Lk为第k种独立预测模型得到的预测结果。

本发明的有益效果是：

以泰安城区为例，已知2000年的实际负荷为198MW，利用其土地类型与面积、负荷、各类土地负荷密度、负荷同时率等历史数据，通过几种传统的单一预测方法、基于功能单元的城市电力负荷预测模型以及综合最优预测模型（选取回归曲线法、电力弹性系数法以及空间负荷预测法三种传统的预测方法作为待组合的单一预测方法）分别对泰安城区2000年负荷水平进行预测校核，结果如下表所示：

表1泰安城区饱和负荷预测对比分析表

方法	2000年预测负荷（MW）	绝对误差（MW）	相对误差（%）
				回归曲线法	220	22	11.1
增长率法	231	33	16.7
				电力弹性系数法	172	-26	-13.1
空间负荷预测法	209	11	5.6
				基于功能单元的负荷预测	201	3	1.5
综合最优预测模型	200.6	2	1.3

由上表可得，预测误差最小的为综合最优预测模型，其原因在于该方法能够实现各单一预测方法的有机组合，有利于减弱随机性和波动性的影响。

附图说明

图1为负荷增长变化曲线图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明：

如图1所示，伴随着经济的发展和生活水平的提高，电力负荷经过一段时间的快速增长，进入低速平缓的增长阶段，直至达到极大值，此时所对应的负荷即为饱和负荷。根据国内外城市电力负荷的发展规律来看，负荷的增长变化趋势呈现“S”型。

饱和负荷的传统预测方法主要包括以下几种：

1.电力弹性系数法

电力工业与国民经济之间发展速度的比例关系，通常用电力弹性系数表示。所谓电力弹性系数，是指一定时期内电力消费的年平均增长率与国民经济年平均增长率的比值。为了方便计算，前者可用用电量年平均增长率表示，后者可用国民生产总值的年平均增长率表示。则电力弹性系数K_w表达式为：

K_w＝用电量年均增长率/GDP年均增长率    （1.1）

如果确定了计划期的电力弹性系数，根据同期规划的国民生产总值的发展速度B（%）和基准年的用电量W₀（kWh），即可预测计划期n年末的用电量W_n（kWh），即其计算公式为

W_n＝W₀(1+K_wB)ⁿ    （1.2）

2.回归曲线法

回归曲线法是指根据历史数据的变化规律，寻找自变量和因变量之间的回归方程式，确定模型参数，并据此做出预测的方法。回归分析法可以把负荷与影响负荷的各种社会和经济因素联系起来，具有模型参数估计技术成熟，预测过程简单的优点。

设预测模型的抽象表达式为：

y＝f(S,X)    （2.1）

式中，S为该预测模型的参数向量；X为自变量（向量或者标量）；y为因变量（待预测量）。

回归预测的重点是通过某种途径估计模型的参数向量S。在求得S后，拟合(历史时段)或预测(未来时段)公式为：

式中：X_t为自变量在t时段的取值。

如果将实际值与拟合值之差称为拟合残差，表示为：

则回归分析的目标是使各时段拟合残差的平方和Q最小，其中：

$Q=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{v}_t^2.$

已知负荷增长方式为“S”型，故采用“S”型曲线模型y＝1/(a+b^-x)来进行饱和负荷的回归预测，利用变换：

$\left\{\begin{array}{c}{y}^{\text{'}}=1/y\\ x^{\text{'}}=e^{-x}\end{array}\right.---\left(2.4\right)$

即可将该非线性回归模型转化为一元线性回归模型：

y′＝a+bx′    （2.5）

由此，按照最小二乘法，求得其最终的模型参数a、b分别为：

$\left\{\begin{array}{c}b=\left[\underset{t=1}{\overset{n}{\mathrm{\Σ}}}(x_t-\stackrel{\‾}{x})(y_t-\stackrel{\‾}{y})\right]/\left[\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{(x_t-\stackrel{\‾}{x})}^2\right]\\ a=\stackrel{\‾}{y}-b\stackrel{\‾}{x}\end{array}\right.---\left(2.6\right)$

式中： $\stackrel{\‾}{x}=1/n\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t;$ $\stackrel{\‾}{y}=1/n\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{y}_t.$

回归曲线法的缺点是要求样本量大且有较好的分布规律和较为稳定的发展趋势，且有时难以找到合适的回归方程类型；线性回归分析模型预测精度较低；而非线性回归预测计算量大，预测过程复杂；影响电力负荷的因素多有不确定性，传统回归分析无法处理这些不确定性因素。

3.灰色模型预测

灰色预测是一种对含有不确定因素的系统进行预测的方法。该方法可在数据不多的情况下找出某个时期内起作用的规律，建立负荷预测的模型。

a)一阶灰色系统模型

GM（1，1）灰色预测模型是最简单，最常用的一种灰色模型，它是由一个只包含单变量的一阶微分方程构成的模型，设有一组数据x⁽⁰⁾=(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))，作x⁽⁰⁾的一阶累加生成1-AG0；

x⁽¹⁾=AG0；x⁽¹⁾=(x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(k),…,x⁽¹⁾(n))；

其中， $x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(i\right)(k=\mathrm{1,2},...,n).$

作x⁽¹⁾的一阶均值生成1-AVG；z=AVG，z为背景值。

其中，z(k)=0.5[x⁽¹⁾(k)+x⁽¹⁾(k-1)](k=2,3,…,n)。

构造一阶线性灰微分方程，则该方程的白化微分方程为利用最小二乘法求解参数a，u：

$\hat{a}=\left[\begin{array}{c}a\\ u\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^T{Y}_N---\left(3.1\right)$

式中， $B=\left[\begin{array}{cc}-z\left(2\right)& 1\\ -z\left(3\right)& 1\\ .& .\\ .& .\\ -z\left(n\right)& 1\end{array}\right],$

x⁽¹⁾的灰色预测模型为：

原始数列x⁽⁰⁾灰色预测模型为：

基于GM（1，l）模型的预测方法优点是可以对原始数列有很好的拟合，建模时不需要计算统计特征量，从理论上讲，可以适用于任何非线性变化的负荷指标预测;不足之处是其微分方程指数解比较适合于具有指数增长趋势的负荷指标，对于具有其它趋势的指标则有拟合灰度较大，精度难以提高。

4.空间负荷预测法

空间负荷预测就是把土地按性质分成若干地块，再把地块性质转化为地块用电负荷。从数学角度来讲，空间负荷预测及其计算存在如下3种映射：

$F(x,y)\stackrel{f_1}{\→}L(x,y)\stackrel{f_2}{\→}S(x,y)\stackrel{f_3}{\→}{S}_t---\left(2.7\right)$

式中：f₁将小区的特征F(x,y)映射成土地使用面积L(x,y)；f₂将土地使用面积L(x,y)映射成小区负荷S(x,y)，即：

$f_2:S(x,y)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{L}^i(x,y)\×{\mathrm{LC}}_i=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{S}^i(x,y)---\left(2.8\right)$

式中：m为土地使用类的个数；LC_i为第i类的负荷密度；Lⁱ(x,y)和Sⁱ(x,y)分别表示小区(x,y)的第i类土地使用面积和负荷。

映射f₃将小区负荷累加成系统负荷：

S_t＝f₃(S(x,y))Σ_(x,y)S(x,y)    （2.9）

f₂和f₃是式（2.8）和式（2.9）所表示的2个简单映射。而映射f₁是非线性的、随机的，与时间和空间都有关系，受主客观因素双重影响，难以找到精确的数学关系。实质上，f₁就是土地使用决策过程。

当存在多种相对独立的预测方法时，可采用综合预测的方法将多种预测方法组合起来，从而能够充分、合理利用各方法的优点，提高预测的精度。

电网饱和负荷综合最优预测模型的确定，可归结为求取最优和较优的电网饱和负荷综合预测模型的数学期望，用以减小预测结果变化规律的波动性和随机性。电网饱和负荷综合最优预测模型的求解可看作一个概率寻优问题。

以泰安城区为例，利用其土地类型与面积、负荷、各类土地负荷密度、负荷同时率等历史数据，通过综合最优预测模型对2000年负荷水平进行预测校核，以验证模型的科学性，同时，对该城市未来的电力需求进行预测。

包括以下步骤：

（1）获取2000年泰安城区各类负荷相关因素的历史资料。

（2）选取回归曲线法、电力弹性系数法以及空间负荷预测法三种独立的预测方法作为待组合的单一预测方法。分别建立3种单一的电网饱和负荷预测模型并求解；对于3种单一预测模型，引入一组权重系数ω_k(k＝1,2,3)，称该组权重系数为各个单一预测模型的组合概率。

（3）建立p个电网饱和负荷综合预测模型，每一个电网饱和负荷综合预测模型均对应步骤（2）中的3种单一电网饱和负荷预测模型，不同的电网饱和负荷综合预测模型中3种单一电网饱和负荷预测模型的组合概率不同。

（4）令第m(m＝1,…,p)个电网饱和负荷综合预测模型对应的3种单一预测模型的组合概率为

同时，根据每个综合预测模型的重要程度确定每个综合预测模型的权重系数σ^(m)，且满足：

$\underset{m=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\σ}}^{\left(m\right)}=1.$

（5）使用遗传算法确定一个电网饱和负荷综合最优预测模型，并计算出电网饱和负荷综合最优预测模型中3种单一预测模型的组合概率

${\mathrm{\ω}}_k^{\left(0\right)}=\underset{m=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\σ}}^{\left(m\right)}{\mathrm{\ω}}_k^{\left(m\right)}(k=\mathrm{1,2},3)$

其中，为电网饱和负荷综合最优预测模型中第k种单一预测模型的权重系数；σ^(m)为每个综合预测模型的权重系数；

为第m个电网饱和负荷综合预测模型对应的第k种单一预测模型的权重系数。

（6）确定电网饱和负荷综合最优预测模型的表达式y：

$y=\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\ω}}_k^{\left(0\right)}\·L_k=\underset{k=1}{\overset{q}{\mathrm{\Σ}}}\left(\underset{m=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\σ}}^{\left(m\right)}{\mathrm{\ω}}_k^{\left(m\right)}\right)\·L_k$

其中，

为电网饱和负荷综合最优预测模型中第k种单一预测模型的权重系数，σ^(m)为每个综合预测模型的权重系数，

为第m个电网饱和负荷综合预测模型对应的第k种单一预测模型的权重系数，Lk为第k种独立预测模型得到的预测结果。

电网饱和负荷综合最优预测模型的求解，主要是寻找若干组合的权重系数。针对该模型的特点，可选用遗传算法进行求解。其中，每个个体对应一种综合预测方案，并构造适应度函数。通过适应度值大小调整个体间的选择、交叉、变异等操作，从而逐代遗传，并最终产生最优个体。该最优个体对应的组合概率极为最终综合最优预测模型的参数。

遗传算法中个体的可行需要满足两个条件，即各权重系数均为区间[0，1]之间的实数，且各权重之和为1。

使用遗传算法确定一个电网饱和负荷综合最优预测模型的方法为：

（1）每一种电网饱和负荷综合预测模型看作一个个体，并构造适应度函数，则p个电网饱和负荷综合预测模型形成初始种群。

（2）以3种单一预测模型的组合概率为控制变量进行编码。

（3）将个体解码并计算个体的适应度值，即进行个体评价。

（4）通过调整适应度值的大小来进行个体间的选择、交叉、变异操作。

（5）返回步骤（3）进行个体评价。

（6）判断是否满足收敛标准：若是，则进行下一步，否则返回（4）。

（7）产生最优个体，该最优个体即为电网饱和负荷综合最优预测模型；该最优个体对应的组合概率即为电网饱和负荷综合最优预测模型中3种单一预测模型的组合概率。

利用电网饱和负荷综合最优预测模型预测泰安城区远期饱和负荷预测，其最终得到的饱和负荷为1406.4MW，三种单一预测方法的权重向量为[0.09，0.27，0.64]^T。

通过求得的泰安城区远期饱和负荷预测值，现对负荷预测结果采用人均负荷和占地负荷密度两个指标进行校核。

1、人均负荷

根据《泰安城市总体规划（2011-2020）》，泰安主城区远景规划人口为110万，利用电网饱和负荷综合最优预测模型计算可知人均负荷为1286W/人。根据表国内部分城市的人均负荷调查结果，与济南历城区、青岛崂山区、临沂产业园、聊城东昌府区、苏北五市（淮安等）、渭南市及京山市等城市比较，利用电网饱和负荷综合最优预测模型得到的泰安市主城区远景预测结果较合理，见下表。

表2典型城市远期人均负荷预测调查表

名称	人均负荷（W/人）
		济南历城区	2400
青岛崂山区	3280
		临沂产业园区	1020
聊城东昌府区	1360
		苏北五市	2763
渭南市	1553
		京山市	1539

2、占地负荷密度

利用电网饱和负荷综合最优预测模型计算得到泰安城区（去除水域和绿地）的饱和负荷密度为13.2MW/km²，结合国内典型城市负荷密度的调查，泰安主城区的负荷密度值是比较合理的。典型城市远期占地负荷密度调查表如下表所示。

表3典型城市远期占地负荷密度调查表

地区	所属省份	远景年饱和负荷密度（MW/km2）
			上海	上海	37.0
北京	北京	26.3
			天津	天津	20.1
广州	广东	26.5
			深圳	广东	28.7
厦门本岛	福建	21.9
			哈尔滨	黑龙江	9.3
临沂罗庄区	山东	14.8
			临沂临港产业园	山东	11.2
连云城区	江苏	15.9
			璧山县城区	重庆	22.5
南岸区商圈	重庆	35.0

经上述两个指标验证，本文所提出的电网饱和负荷综合预测模型能够实现城市饱和负荷的有效预测，具有一定的实用价值，在实际应用时，可依据给定的数据及条件的不同选择合适的预测方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种城区配电网饱和负荷综合预测方法，其特征是，包括以下步骤：

（1）获取负荷预测区域各类负荷相关因素的历史资料；

（2）分别利用传统的电网饱和负荷预测方法对负荷预测区域单独进行电网饱和负荷预测，分别建立q种单一的电网饱和负荷预测模型并求解；对于q种单一预测模型，引入一组权重系数ω_k(k＝1,…,q)，称该组权重系数为各个单一预测模型的组合概率；

（3）建立p个电网饱和负荷综合预测模型，每一个电网饱和负荷综合预测模型均对应步骤（2）中的q种单一电网饱和负荷预测模型，不同的电网饱和负荷综合预测模型中q种单一电网饱和负荷预测模型的组合概率不同；

（4）令第m(m＝1,…,p)个电网饱和负荷综合预测模型对应的q种单一预测模型的组合概率为

同时，根据每个综合预测模型的重要程度确定每个综合预测模型的权重系数σ^(m)，且满足

（5）使用遗传算法确定一个电网饱和负荷综合最优预测模型，并计算出电网饱和负荷综合最优预测模型中q种单一预测模型的组合概率

其中，

为电网饱和负荷综合最优预测模型中第k种单一预测模型的权重系数；

（6）确定电网饱和负荷综合最优预测模型的表达式y。

2.如权利要求1所述的一种城区配电网饱和负荷综合预测方法，其特征是，所述步骤（2）中传统的电网饱和负荷预测方法包括但不限于：电力弹性系数法、回归曲线法、灰色模型预测法和空间负荷预测法。

3.如权利要求1所述的一种城区配电网饱和负荷综合预测方法，其特征是，所述步骤（5）中电网饱和负荷综合最优预测模型中第k种单一预测模型的权重系数为：

${\mathrm{\ω}}_k^{\left(0\right)}=\underset{m=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\σ}}^{\left(m\right)}{\mathrm{\ω}}_k^{\left(m\right)}(k=\mathrm{1,2},...q);$

其中，σ^(m)为每个综合预测模型的权重系数，

为第m个电网饱和负荷综合预测模型对应的第k种单一预测模型的权重系数。

4.如权利要求1所述的一种城区配电网饱和负荷综合预测方法，其特征是，所述步骤（5）中使用遗传算法确定一个电网饱和负荷综合最优预测模型的方法为：

（1）每一种电网饱和负荷综合预测模型看作一个个体，并构造适应度函数，则p个电网饱和负荷综合预测模型形成初始种群；

（2）以q种单一预测模型的组合概率为控制变量进行编码；

（3）将个体解码并计算个体的适应度值，即进行个体评价；

（4）通过调整适应度值的大小来进行个体间的选择、交叉、变异操作；

（5）返回步骤（3）进行个体评价；

（6）判断是否满足收敛标准：若是，则进行下一步，否则返回（4）；

（7）产生最优个体，该最优个体即为电网饱和负荷综合最优预测模型；该最优个体对应的组合概率即为电网饱和负荷综合最优预测模型中q种单一预测模型的组合概率。

5.如权利要求1所述的一种城区配电网饱和负荷综合预测方法，其特征是，所述步骤（6）中电网饱和负荷综合最优预测模型的表达式为：

$y=\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\ω}}_k^{\left(0\right)}\·L_k=\underset{k=1}{\overset{q}{\mathrm{\Σ}}}\left(\underset{m=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\σ}}^{\left(m\right)}{\mathrm{\ω}}_k^{\left(m\right)}\right)\·L_k;$

其中，

为电网饱和负荷综合最优预测模型中第k种单一预测模型的权重系数，σ^(m)为每个综合预测模型的权重系数，

为第m个电网饱和负荷综合预测模型对应的第k种单一预测模型的权重系数，L_k为第k种独立预测模型得到的预测结果。

Images