[发明专利]基于软集成学习的电力短期滚动负荷预测方法、系统、终端

权利要求书

1.一种基于软集成学习的电力短期滚动负荷预测方法，其特征在于，所述基于软集成学习的电力短期滚动负荷预测方法包括：

将在训练集上训练好的各学习器在待测样本的左邻域上，进行预测偏差率比较；

利用滚动输入方法，选择拥有最低偏差率的学习器为待测样本的预测模型；

通过不断更新训练数据对输出的关联性，得到预测结果。

2.如权利要求1所述的基于软集成学习的电力短期滚动负荷预测方法，其特征在于，所述滚动输入方法包括：

输入属性：日最高温度、日最低温度、日平均温度

输出属性：日用电量

数据集为时间序列形式，预测任务是已知日最高温度、日最低温度、日平均温度三者属性值，求取日用电量属性值；在此基础上通过将待预测点真实值加入到左邻域，左邻域将数据点真实值加入到训练集中实施滚动预测。

3.如权利要求1所述的基于软集成学习的电力短期滚动负荷预测方法，其特征在于，所述滚动预测方法包括：

初始训练集A＝(A₁,A₂,A₃,…,A_n)，初始邻域B＝(B₁,B₂,B₃,…,B_m),初始待测区间C＝(C₁,C₂,C₃,…,C_p),其中A₁,A₂,A₃,…,A_n；B₁,B₂,B₃,…,B_m；C₁,C₂,C₃,…,C_p的每个元素均为一条数据；A、B均已知所有输入输出；C只知其输入属性值，其输出属性值为所预测值。

4.如权利要求1所述的基于软集成学习的电力短期滚动负荷预测方法，其特征在于，所述基于软集成学习的电力短期滚动负荷预测方法具体包括：

(1)初始训练集A＝(A₁,A₂,A₃,…,A_n)，所述数据集后续将随着滚动被更新；

(2)将A分别用CART算法、KNN算法、SVR算法进行训练，得到模型Model(CART)、Model(KNN)、Model(SVR)；

(3)比较训练得来的Model(CART)、Model(KNN)、Model(SVR)模型，在初始领域B＝(B₁,B₂,B₃,…,B_m)中预测的误差率：Error(KNN)、Error(SVR)、Error(CART)，选取误差率最小的训练模型Model(Min{Error(KNN),Error(SVR),Error(CART)})作为初始待测区间C＝(C₁,C₂,C₃,…,C_p)中C₁的预测模型，得到预测值Pre(C₁)；

(4)摒弃A1点，将B1点加入到A中，将训练集更新为(A₂,A₃,A₄,…,A_n,B₁)；

(5)将C1点的真实值True(C₁)加入到左邻域中，将左邻域更新为(B₂,B₃,B₄,…,B_m,True(C₁))；

(6)重复步骤(3)～步骤(5)直到完成对整个待预测区间C(C₁,C₂,C₃,C₄,…,C_p)的预测，得出区间预测结果(Pre(C₁),Pre(C₂),Pre(C₃),…,Pre(C_p))。