[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

说明书

本发明提供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，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。本发明能够有效解决属性特征不分类提取、未来未知量的盲目使用等问题，并且兼顾优化了支持向量回归模型，进一步提升了方案预测性能。

技术领域

本发明涉及机器学习的回归预测领域，尤其是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。

背景技术

电能是一种不能进行大规模储存的能源，其生产与消耗必须同时进行——随发、随供、随用。短期电力负荷预测是从预测时间跨度上所作出的细化，其最长预测跨度为两周，目的在于：在保障电网的安全前提下，根据预测情况经济合理地安排电网内部发电机组的启停，减少不必要的旋转备用容量，确保电能的稳定高效供应。

多年来，电力负荷预测理论和方法不断涌现，其中的典型代表有统计学预测方法和机器学习预测方法。但是随着新型用电设备的爆发式增长，用户用电影响因素增多，负荷预测数量级、复杂度大大增加，传统的统计学预测方法，如自回归移动平均模型、时间序列分析等，局限性进一步增大，难以构建理想的数学模型进行预测；在机器学习预测方法中，相比于人工神经网络算法，支持向量回归SVR因其泛化性能优良、全局最优、计算速度快等优点受到广泛研究与应用。由于模型的固有机理特性，支持向量回归存在“核参数选择”和“参数寻优”两大难题。对于“参数寻优”，研究改进众多，比如Mayur Barman等人采用蚱蜢算法作为支持向量回归的参数寻优工具。除此之外，遗传算法、粒子群算法、蚁群算法等寻优算法已经较好解决了该难题，该问题不是本发明重点，不作铺展；而对于“核函数选择”问题，研究较少，且大多着眼于“混合核”方向——将多个核函数进行线性组合，但是这种方法操作复杂，预测性能也过多依赖于样本数据，泛化性能并不高。JinXing Che等人则提供了另一种思路，“多核组合模型”，实验结果表明最优组合模型预测效果优于单核模型和混合核模型。

除此之外，众多短期电力负荷预测方法中存在两大不足：(1)属性特征的选择更多依赖于经验，且往往不作分类提取(2)未经说明，将未知的电力负荷值作为输入特征变量，因此本发明针对以上痛点，提出一种基于特征提取和多核递归支持向量回归组合模型的方法对未来24小时内电力负荷进行预测。该发明丰富属性特征，使用分类筛选的思路优化提取特征方法，并首次将“SVR递归预测”与“多核组合模型”概念结合。

发明内容

本发明的目的在于克服现有技术中存在的不足，提供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，能够预测未来24小时内的电力负荷情况；本发明能够有效解决属性特征不分类提取、未来未知量的盲目使用等问题，并且兼顾优化了支持向量回归模型，进一步提升了方案预测性能。本发明采用的技术方案是：

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，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。

进一步地，步骤S1具体包括：