[发明专利]一种基于子抽样SVR集成的短期电力负荷预测方法

说明书

本发明属于计算机数据快速分析技术领域，公开了一种基于子抽样SVR集成的短期电力负荷预测方法；采用子抽样支持向量回归集成的方法，子采样策略实现支持向量机的并行学习，保证了每个单个的SVR具有足够的多样性，减少信息的损失量；选择基于单个SVR集成的一种新的群优化学习算法，保证每个SVR集成具有足够的强度来预测短期负荷数据。本发明基于小尺寸子抽样的集成方法具有经典的U‑统计量的统计推理性质，小规模子抽样策略的引入，有效降低了估计器的复杂度；同时提高了计算精度和效率，并同时返回较好的置信区间。本发明的SSVRE模式很容易移植到并行计算框架中。

技术领域

本发明属于计算机数据快速分析技术领域，尤其涉及一种基于子抽样SVR集成的短期电力负荷预测方法(SSVRE)。

背景技术

短期电力负荷预测(STLF)在电力运行中起着至关重要的作用，短期负荷预测(如半小时电力负荷)问题将实时产生大量的数据；因此，能够快速处理数据，给出合理点估计预测与置信区间估计是电力公司面临的一大难题。目前，业内常用的现有技术是这样的：现有技术一Che J，Wang J，Tang Y.Optimal training subset in a support vectorregression electric load forecasting model.Applied Soft Computing 2012，12(5):1523-1531.基于VC维理论和“核”技术，将SVR模型间接转化为高维特征空间中的多元线性回归问题，其中通过求解二次规划问题对该解进行优化。然而，这个问题的计算复杂度是O(N³)(N是训练数据点的数目)。因此，如何降低复杂度已成为统计机器学习领域的一个开放性问题。现有技术二Che J，Yang Y L，Li L，et al.A modified support vectorregression:Integrated selection of training subset and model.Applied SoftComputing 2017，53:308-322.考虑到模型选择与训练子集选择之间的关联，尝试将训练子集和模型的选择过程结合起来，提出嵌套粒子群优化算法(NPSO)，然后自适应地和周期性地估计SVR的最优参数的搜索区域；因此，涉及大规模训练数据的复杂SVR可以被看作是基于SVRs的训练子集的扩展，得到随着样本增加的训练子集-SVRs的嵌套序列。在上述SVR模型中，训练子集的选择将占用大量的运行时间，复杂度较高。现有技术三NishidaK，FujikiJ，KuritaT.Ensemble random-subset SVM.ResearchGate 2016；https://www.researchgate.net/publication/288238983.结合多个支持向量机，提出了一种新的集成随机子集SVM算法。在该技术中，为每个SVM随机选取训练集的子样本，每个SVM可以被认为是弱分类器，通过组合所有分类器来获得具有最佳设置的随机子集SVM，但是该方法各个SVR的组合不具有正态渐进性。电力公司需要准确的预测报告来决定价格和弹性收入，进行能量转移调度和机组分配和负荷分配；低准确度的预测结果会造成相当大的经济损失，预测误差增加1％意味着电网和运营成本增加1000万。电力负荷的点估计具有不确定性及置信水平解释性差的特点。因此开发一个准确、快速、简单、稳健、有意义的短期负荷预测模型对于电力公司及其客户来说是非常必要的。

综上所述，现有技术存在的问题是：没有考虑参数设置与训练子集方法之间的联系，没有建立具有U-统计量性质的模型并推导出其统计特性，也不能返回点估计的置信区间和置信水平。

解决上述技术问题的难度和意义：准确预测短期电力负荷是电力系统规划和运行的关键。然而，基于点估计的电力预测系统会受到自身的不确定性及置信水平低的限制，且建立SVR模型涉及的数据量比较大，计算复杂度很高，精度一般。本发明采用子采样策略实现支持向量机(SVR)的并行学习；抽样策略保证了每个单个的SVR具有足够的多样性，又减少信息的损失量。然后关于模型选择，提出了基于单个SVR集成的一种新的群优化学习算法。群协作学习的优点是，可以确保每个SVR集成具有足够的强度来预测短期负荷数据。