[发明专利]基于DWT-SVQR集成的电力负荷概率预测方法

权利要求书

1.一种基于DWT-SVQR集成的电力负荷概率预测方法，其特征是按如下步骤进行：

步骤1、收集电力负荷的时间序列{Y^t}_{t＝1,2,…,T}及其影响因子数据，并将时间序列{Y^t}_{t＝1,2,…,T}进行离散小波变换，保留有效频率分量，从而得到细节分量子序列{D_i}_{i＝1,2,…,I}和一个趋势分量子序列{A}，电力负荷的时间序列{Y^t}_{t＝1,2,…,T}和各分量子序列均进行归一化处理，得到归一化后的时间序列和细节分量子序列趋势分量子序列其中，Y^t表示第t个时间点的电力负荷值，表示归一化后的第t个时间点的电力负荷值；且t＝1,2,…,T；D_i表示第i个影响电力负荷值的细节分量子序列，表示归一化后的第i个影响电力负荷值的细节分量子序列，I表示细节分量子序列的数量，A表示影响电力负荷值的趋势变量子序列；表示归一化后的趋势分量子序列，T表示时刻点的个数；

将所述归一化后的分量子序列以时间点N划分为训练集和测试集；其中，所述训练集为前N个时间点的数据，测试集为第N+1个时间点后的数据；

步骤2、选择J种学习模型，在各分量子序列的训练集中加入影响因子后分别对J种学习模型进行训练，得到训练后的J种学习模型，其中，训练后的J种细节分量子序列模型记为训练后的J种趋势变量子序列模型记为表示第i个细节分量子序列的第j种模型，表示趋势分量子序列A的第j种模型；

步骤3、将分量子序列在模型中的电力负荷预测结果进行整合，在训练集上的预测结果组成新的训练集，在测试集上的预测结果组成新的测试集；

步骤3.1、将训练集和测试集分别作为训练后的J种学习模型的输入，从而相应得到J种细节分量子序列模型在训练集上的细节分量子序列输出记为在测试集上的细节分量子序列输出记为J个趋势变量子序列的模型在训练集上的趋势分量子序列输出记为在测试集上的趋势变量子序列输出记为其中，是第j种模型在训练集上的第i个细节分量子序列的电力负荷预测输出，是第j种模型在测试集上的第i个细节分量子序列的电力负荷预测输出，是第j种模型在训练集上的趋势分量子序列的电力负荷预测输出，是第j种模型在测试集上的趋势分量子序列的电力负荷预测输出；

步骤3.2、将第j种模型的所有细节分量子序列和趋势分量子序列在模型中的预测结果进行整合，得到第j种模型在训练集上第t时间点的电力预测输出以及第j种模型在测试集上第t时间点的电力预测输出进而得到J种模型在训练集上的预测输出并作为新的训练集，记为以及J种模型在测试集上的预测输出并作为新的测试集，记为所述新的训练集对应的响应变量为所述新的测试集对应的响应变量为

步骤4、使用支持向量分位数回归模型集成J种模型的预测输出后，结合核密度估计，得到最终电力负荷的概率密度预测；

步骤4.1、在新的训练集上利用式(1)对支持向量分位数回归模型进行训练，得到训练后的支持向量分位数回归模型；

式(1)中，τ表示分位点，ω_τ表示τ分位点下的参数向量，C是惩罚参数，ρ_τ(·)是τ分位点下的检验函数，φ(·)是非线性映射参数，b是阈值；K是电力负荷条件分位数预测输出结果；

将所述新的测试集输入训练后的支持向量分位数回归模型中，从而获得在新的测试集上的电力负荷条件分位数预测结果记为其中，τ_q表示第q个分位点，Q表示分位点的数量，表示归一化后的第t个时间点的电力负荷值在第t时间点的电力预测输出上得到的第q个分位点τ_q的条件分位数；

步骤4.2、令中间变量并作为核密度估计KDE方法的输入，得到概率密度函数后，将每个时间点的概率密度函数进行离散化处理，得到G个的预测值，并对G个的预测值进行反归一化处理，从而得到每个时间点的电力负荷预测值，其中，第t个时间点的电力负荷预测值表示为以及相应的概率记为f_t,1,f_t,2,…,f_t,g,…,f_t,G，f_t,g表示第t个时间点的第g个电力负荷预测值的概率。