[发明专利]基于特征提取和多核RSVR组合模型的短期电力负荷预测方法

权利要求书

1.一种基于特征提取和多核RSVR组合模型的短期电力负荷预测方法，其特征在于，包括以下步骤：

步骤S1，基于皮尔逊相关系数、mRMR算法对属性特征进行提取筛选，得到包含其它属性和延迟负荷的最优属性特征集；

步骤S2，使用多种不同的核函数分别构建多个单核RSVR模型；根据最优属性特征集，采用训练样本进行模型训练，采用测试样本评估模型预测能力；

步骤S3，根据各个单核RSVR模型的训练预测误差分配权值，将各个单核RSVR模型进行加权融合，形成多核RSVR组合模型；

步骤S4，使用多核RSVR组合模型进行短期电力负荷预测，输出负荷预测结果。

2.如权利要求1所述的基于特征提取和多核RSVR组合模型的短期电力负荷预测方法，其特征在于，步骤S1具体包括：

步骤S1.1，采集与电力负荷相关的其它信息构建其它属性特征集O；然后根据电力延迟负荷数据构建初始延迟负荷特征集P_L；

步骤S1.2，对其它属性特征集O中所有特征变量与电力负荷变量进行皮尔逊相关系数绝对值运算，选择取值大于等于设定阈值的特征变量更新集合O；利用mRMR算法确定候选延迟负荷特征集J；

步骤S1.3，将筛选更新后的集合O与候选延迟负荷特征集J相并为综合属性特征集F＝{O,J}，然后提取集合F中前m个特征变量构建集合F_m，m依次增大，通过预测模型得到拟合误差，最小拟合误差对应的特征变量个数m为最优维数，此时对应的F_m为最优属性特征集。

3.如权利要求2所述的基于特征提取和多核RSVR组合模型的短期电力负荷预测方法，其特征在于，

步骤S1.2中，皮尔逊相关系数绝对值运算如公式(1)所示，

其中，o_t代表第t时刻某个其它属性特征变量输入，y_t表示第t时刻的电力负荷变量，分别代表两者平均值，T代表时刻点总个数。

4.如权利要求2所述的基于特征提取和多核RSVR组合模型的短期电力负荷预测方法，其特征在于，

步骤S1.2中，利用mRMR算法确定候选延迟负荷特征集J，具体如下：

A1：设定候选延迟负荷特征集J初始维度为Q，将初始延迟负荷特征集P_L中各延迟负荷特征变量p与电力负荷变量y进行互信息运算，如公式(2)所示；选择互信息最大值对应的延迟负荷特征变量存入候选延迟负荷特征集J作为集合首项；

其中，p(·)代表随机变量的概率，p(p,y)代表两个随机变量的联合概率；

A2：接着在集合P_L剩余的延迟负荷特征变量中进行综合运算，如公式(3)，提取最大值对应的延迟负荷特征变量继续存入集合J；重复A2操作，直到集合J中所含变量个数达到设定值Q；

其中，I(·,·)代表互信息运算，J_q-1表明已从初始延迟负荷特征集P_L中提取q-1个特征变量存入了候选延迟负荷特征集J，则第q个候选特征变量从{P_L-J_q-1}集合中产生。

5.如权利要求2所述的基于特征提取和多核RSVR组合模型的短期电力负荷预测方法，其特征在于，

步骤S1.3中，采用线性核支持向量回归LSVR作为预测模型。

6.如权利要求2～5中任一项所述的基于特征提取和多核RSVR组合模型的短期电力负荷预测方法，其特征在于，步骤S2具体包括：

根据支持向量回归，给定训练样本集，利用核函数将输入特征变量投射到更高维的特征空间中进行线性拟合；

支持向量回归的正则表达式为公式(5)，支持向量回归的解表达式为公式(6)；

其中，w，b是待定模型参数，C是惩罚因子，N代表训练集样本数，f(x)代表模型预测输出，α_i,代表引入的拉格朗日乘子，ξ_i,代表松弛变量，ε代表不敏感损失系数，x代表最优属性特征变量；

多个核函数分别包括线性核函数、高斯核函数、Sigmoid核函数；

训练阶段，针对RSVR的模型参数，包括公式(5)、(6)中的各参数、以及核参数，使用GA遗传算法来确定；训练阶段GA遗传算法确定的有关参数与测试阶段的参数保持一致；

测试阶段，递归使用前一步的模型输出作为下一步模型预测的输入。