[发明专利]基于层叠泛化训练策略的母线负荷预测方法

说明书

技术领域

本发明涉及一种母线预测方法，属于电力系统负荷预测技术领域。

背景技术

母线负荷可以定义为由变电站的主变压器供给一个相对较小的供电区域的负荷总和。通常一个地区的母线负荷类型比较单一。对于不同的地区和用途，有不同的划分用户类型的依据：（1）城市民用负荷；（2）工业负荷；（3）商业负荷；（4）办公负荷；（5）农村负荷等。母线负荷预测的准确性是电网安全预警及智能调度技术研究的重要内容，其预测精度直接影响到电网安全预计分析、电网输送能力计算、运行计划安排等。

母线负荷的预测方法主要有两类：第一类是基于系统负荷分配的预测方法，该方法的思路是：首先由系统负荷预测某一时刻系统负荷值，然后将其分配到每一条母线上，这种方法需要求得分配系数，因各条母线在一个时间段内变化较大，分配系数一直在变化，所以分配系数确定较为困难；第二类是采用母线负荷的历史数据、负荷特性以及相应的影响因素直接进行母线负荷预测，该方法认为：母线负荷自身也具有特定的变化规律，可以用系统负荷预测的某些方法来进行母线负荷预测，如人工神经网络法，支持向量机等方法。目前的研究主要集中于第二类预测方法。

支持向量机、人工神经网络等传统智能学习算法具有较好的泛化性能和预测精度，已经在系统短期负荷预测中取得了良好的效果。但是母线负荷由于受到供电区域内用户行为的影响，相比系统负荷更容易产生突变，稳定性较差，同时其变化的趋势性也不明显。因此直接使用单一的传统智能学习算法预测母线负荷也很难达到理想的预测精度。

在采用智能算法进行母线负荷预测的过程中，神经网络预测方法学习不足或过拟合的缺陷表现得更加明显；支持向量机等机器学习算法对于平稳的数据有较强的泛化能力，但是对于非平稳数据，效果却不是很理想，而母线数据在大多数情况下都是是非平稳的。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种基于层叠泛化训练策略的母线负荷预测方法，以克服或改善现有单一的智能算法预测模型稳定性差，预测精度不高、对于非平稳数据泛化能力弱等问题，从而有效地保证了变电站供电区域内电网的安全性和可靠性。

本发明为解决技术问题采用如下技术方案：

本发明一种基于层叠泛化训练策略的母线负荷预测方法按如下步骤进行：

步骤A、根据母线负荷的各种影响因素，选取母线负荷历史数据构造原始样本集D={(x_i,y_i),i=1,2,…,N}，其中x_i为第i个输入向量；y_i为第i个真实输出值；N为原始样本集中的样本总数；

步骤B、构建由L个预测器构成的预测器集合f={M_l,l=1，2,…,L}，其中M_l为第l个预测器，L为预测器集合中的预测器数目；

步骤C、利用所述原始样本集D采用层叠泛化训练方法按照如下步骤对L个预测器分别进行训练和测试，得到由L个预测值组成的新的样本空间D′：

步骤C1、将所述原始样本集D随机分为K份互不相交、每份数量相差不大于10的样本集合{D_k,k=1,2,…,K}，其中D_k为第k份样本子集，给k赋初始值为1；

步骤C2、随机抽取所述样本集合{D_k,k=1，2,…,K}中的一个子集D_m作为测试样本，其中m∈k；剩余样本D^(-k)=D-D_m作为训练样本，利用所述剩余样本D^(-k)对预测器集合f中的L个预测器分别进行训练，得到第k次的训练模型集合其中为第l个预测器的第k次训练模型；