[发明专利]一种电力负荷的最优非参数区间预测方法

权利要求书

1.一种电力负荷的最优非参数区间预测方法，其特征在于，无需假设电力负荷的概率分布以及区间端点的分位水平，通过逻辑整数变量描述预测区间是否覆盖预测目标，利用混合整数约束保证预测区间覆盖率满足置信度要求，以最小化区间总体宽度为目标，并通过一阶正则项限制模型的复杂度，构建基于机器学习的混合整数规划模型：

subject to:

式中：t＝1,…,T为训练集样本的序号，x_t为解释变量，y_t为真实电力负荷；f(x_t,ω_α)和为机器学习的输出方程，分别对应预测区间的上下端点，ω_α和为机器学习模型中的参数；λ为正则项的权重因子；M_α,t和均为常数，且M_α,t大于f(x_t,ω_α)-y_t，大于z_t为表示区间是否覆盖真实电力负荷y_t的逻辑整数变量，取值为1表示预测区间成功覆盖真实电力负荷，取值为0则允许真实电力负荷位于预测区间以外；(1-β)为给定的预测区间标称覆盖率，即区间置信度，表示对内部数字向上取整。

2.根据权利要求1所述的电力负荷的最优非参数区间预测方法，其特征在于，所述的基于机器学习的混合整数规划模型，求解时将极限学习机作为预测区间上下端点的回归方程，并通过引入辅助变量将原始基于机器学习的混合整数规划目标函数中的非光滑正则项线性化，将复杂的机器学习问题变为混合整数线性规划的求解问题：

subject to:

式中：f(x_t,ω_α)和为极限学习机的输出方程，分别对应预测区间的上下端点，ω_α和为极限学习机的输出层权重向量；ξ_α和为引入的辅助变量，在上述问题的最优解处，ξ_α和中元素等于ω_α和中对应元素的绝对值；1为元素全为1的向量，其维度与ξ_α和相同。

3.根据权利要求2所述的电力负荷的最优非参数区间预测方法，其特征在于，所述的混合整数线性规划模型，利用预测区间端点的分位数意义以及分位数的单调性，构建预测区间端点的有效上估计和下估计：

式中：和分别为真实电力负荷y_t在β和(1-β)分位水平下的分位数估计。

4.根据权利要求3所述的电力负荷的最优非参数区间预测方法，其特征在于，所述的预测区间端点的有效上估计和下估计，利用分位数回归技术获得原始预测区间的子预测区间：

式中：为原始预测区间的子预测区间。