[发明专利]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

说明书

本发明公开了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，包含在线学习和在线负荷预测阶段。在线学习阶段包括以下步骤：实时采集第1批次电力负荷数据和影响因素数据并归一化；初始化II‑ESVR模型；实时采集第k+1(k≥1)批次电力负荷和影响因素数据，归一化并进行增量学习训练。在线负荷预测阶段包括以下步骤：实时采集一批相关影响因素的数据，归一化并作为模型的输入；基于学习阶段的II‑ESVR模型及参数，实时计算预测结果。本发明通过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，解决数据多样性造成的不稳定问题，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。

技术领域：

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：

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。

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。

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:ExtremeLearning 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。

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：

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。

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。

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：

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；

步骤二、对采集的数据A₁各因素分别进行归一化；