專利名稱：面向大規(guī)模樣本的cvr電力負(fù)荷快速預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于短期電力負(fù)荷預(yù)測技術(shù)領(lǐng)域，尤其涉及一種面向大規(guī)模樣本 的CVR電力負(fù)荷快速預(yù)測方法。
背景技術(shù)：
短期電力負(fù)荷預(yù)測技術(shù)可以用于預(yù)測電力系統(tǒng)未來幾小時至幾天內(nèi)的負(fù) 荷變化趨勢情況。它是保障整個電力系統(tǒng)安全運(yùn)行和經(jīng)濟(jì)運(yùn)行的最為重要的 環(huán)節(jié)，同時也是制定發(fā)電計(jì)劃和潮流計(jì)算的重要依據(jù)。目前基于知識自學(xué)習(xí) 方法在電力負(fù)荷預(yù)測應(yīng)用中多采用原始數(shù)據(jù)的一部分作為訓(xùn)練樣本數(shù)據(jù)，以
防止樣本數(shù)據(jù)集過大造成訓(xùn)練時間過長的問題，但其所帶來的缺陷是只能 進(jìn)行局部預(yù)測，而且由于樣本不完全導(dǎo)致精度降低，并且無法或很難解決特 殊情況下的預(yù)測需求。例如，傳統(tǒng)知識學(xué)習(xí)方法一般可以預(yù)測未來一天n點(diǎn) 負(fù)荷值或未來一個月每天最大負(fù)荷值，而對于預(yù)測未來一個月中每天n點(diǎn)的 負(fù)荷這樣的問題，無論是樣本選取和構(gòu)造、訓(xùn)練、驗(yàn)證精度、預(yù)測都是非常 復(fù)雜的。為了解決這些問題，需要構(gòu)造大規(guī)模或超大規(guī)模樣本集，然而傳統(tǒng) 方法對大規(guī)模樣本下訓(xùn)練速度過于緩慢甚至癱瘓，這對于實(shí)時性要求較高的 電力系統(tǒng)是致命的。
為此，本發(fā)明通過構(gòu)造大規(guī)模樣本集并結(jié)合CVR (CORE VECTOR REGRESSION:核向量回歸)預(yù)測算法解決上述問題，并通過一種基于迭代 策略的滾動預(yù)測方法大大簡化從樣本生成到輸出結(jié)果的中間過程，在大幅度 降低時空開銷的同時保證了預(yù)測精度。對于機(jī)器學(xué)習(xí)在負(fù)荷預(yù)測領(lǐng)域應(yīng)用而言，預(yù)測過程實(shí)際上是通過對已知的
負(fù)荷數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，找出影響負(fù)荷變化的因素并生成訓(xùn)練樣本，通過找出 樣本結(jié)構(gòu)的輸入與輸出之間的映射關(guān)系進(jìn)而推算出未知的負(fù)荷輸出量，因此，
負(fù)荷預(yù)測其實(shí)質(zhì)就是一個回歸迭代過程。
目前越來越多的機(jī)器學(xué)習(xí)方法開始逐漸引入到短期負(fù)荷預(yù)測領(lǐng)域，而核
方法最為成功地解決了機(jī)器學(xué)習(xí)問題。其中，SVM (SUPPORT VECTOR MANCHINE:支持向量機(jī))及SVR (SUPPORT VECTOR REGRESSION: 支持向量回歸)尤為突出。許多核方法可以歸結(jié)為QP (Quadratic Programming: 二次規(guī)劃)問題。在SVR的訓(xùn)練過程中，若m表示訓(xùn)練樣本 集容量，則QP的時間復(fù)雜度為CKm3)，空間復(fù)雜度至少為CK附2)。因此， 當(dāng)負(fù)荷訓(xùn)練樣本集規(guī)模較大，維數(shù)較高時，SVM (或SVR)的主要問題就在 于難以克服大規(guī)模樣本集訓(xùn)練的時空開銷過大的問題。
為了降低時空復(fù)雜度，常用的方法是得到低階近似核矩陣或通過矩陣分 解。但在大規(guī)模樣本集下，其結(jié)果仍不能滿足效率要求。另外可以通過程序分 塊或矩陣高精度分解近似提高核方法。其中最為常用的SMO (S叫uential Minimal Optimization:序貫最小化方法)將原QP分解為一系列盡可能小的QP， 其中每一個只包含2個輸入變量。采用類似思想的分解算法是使用大量局部 SVM組合代替原SVM。此外，還可以簡單地利用核矩陣的一個子陣進(jìn)行替換 來對SVM進(jìn)行降維。
CVM (CORE VECTOR MACHINE:核向量機(jī))是通過MEB (Minimum Enclosing Ball:最小內(nèi)附球體)算法對SVM執(zhí)行過程進(jìn)行近似。觀察數(shù)據(jù)表 明SVM的實(shí)際執(zhí)行過程同許多數(shù)值演算中所做的類似，通過MEB迭代策略近 似得到最優(yōu)解。在訓(xùn)練過程中，其訓(xùn)練停止判別準(zhǔn)則取決于拉格朗日乘子和二 元差。實(shí)驗(yàn)結(jié)果表明近似最優(yōu)解在實(shí)際應(yīng)用中已經(jīng)可以滿足要求。通過引入計(jì) 算幾何中的MEB近似算法，CVM的時間復(fù)雜度可以降到(9 (附)，而空間復(fù)雜度不依賴于m。
但是，CVM需要滿足以下兩個條件
1) 核函數(shù)A需滿足A (x， x)是一個常數(shù)； 條件l
2) 核方法的QP需要是形如下式的特殊式
max-a'《a:a2 0，a'l = l 條件2
尤其是其中不能包含線性關(guān)系。其中核函數(shù)與SVR中的核函數(shù)類似。由 此，由于SVR中存在的一個線性關(guān)系使其不能滿足條件2。
在這種情況下，通過引入一種基于擴(kuò)展CVM的算法CVR應(yīng)用于短期負(fù) 荷預(yù)測的訓(xùn)練與預(yù)測過程當(dāng)中，其可以適應(yīng)于更加廣泛的QP形式，同時可 以解除核條件約束，換句話說，無論是線性核還是非線性核，都可以利用CVR 對數(shù)據(jù)樣本進(jìn)行訓(xùn)練。
在短期負(fù)荷大規(guī)模樣本集條件下，時空開銷將主要體現(xiàn)在訓(xùn)練過程中。 因此一種好的回歸方法必須考慮在訓(xùn)練過程中所能達(dá)到的預(yù)測精度和時空復(fù) 雜度的關(guān)系問題，同時能夠有效克服樣本維數(shù)大所帶來的訓(xùn)練效能劇降的問 題。SVR很好地解決了預(yù)測精度的問題，但在大規(guī)模和高維訓(xùn)練樣本下的訓(xùn) 練時空復(fù)雜度增長劇烈。另外，CVM可以很好的解決大樣本訓(xùn)練時空開銷 大的問題，但是電力負(fù)荷預(yù)測的回歸特性不能滿足其應(yīng)用條件。為此，本發(fā) 明的解決思路是根據(jù)前兩者的優(yōu)勢，特別是CVM的理論思想，利用在其算 法理論基礎(chǔ)上擴(kuò)展而來CVR(核向量回歸)，通過調(diào)整樣本集結(jié)構(gòu)和核參數(shù)獲 得CVR回歸訓(xùn)練模型，使其最大化地降低時空開銷，實(shí)現(xiàn)了一種在大規(guī)模、 高容量訓(xùn)練樣本和預(yù)測樣本下的快速高效且準(zhǔn)確度與SVM相當(dāng)?shù)念A(yù)測方法。 本方法并不針對某一具體應(yīng)用實(shí)例，在電力系統(tǒng)的在線和離線負(fù)荷預(yù)測中都 可以應(yīng)用
發(fā)明內(nèi)容
本發(fā)明的目的在于，針對目前普遍使用的短期電力負(fù)荷預(yù)測方法時空開銷 大的問題，提出一種面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方法，用以降 低短期電力負(fù)荷預(yù)測的時空開銷，并提高預(yù)測精度。
本發(fā)明的技術(shù)方案是， 一種面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方
法，其特征在于，所述方法包括下列步驟
步驟l:對實(shí)測數(shù)據(jù)進(jìn)行分析處理，包括
剔除或修正實(shí)測數(shù)據(jù)中的異常點(diǎn)或者干擾、填補(bǔ)缺損數(shù)據(jù)、對不良數(shù)據(jù)進(jìn) 行平滑處理；
然后，直接計(jì)算與輸出量相關(guān)系數(shù)大于設(shè)定值的輸入屬性； 之后，建立訓(xùn)練樣本集和預(yù)測樣本集，按照時間流排列并使其符合向量機(jī) 要求的樣本格式；
步驟2:構(gòu)造核函數(shù)，選取CVR訓(xùn)練測試參數(shù)，根據(jù)步驟l生成的測試訓(xùn) 練樣本，分別將溫度訓(xùn)練樣本和負(fù)荷訓(xùn)練樣本投入CVR進(jìn)行訓(xùn)練并生成訓(xùn)練 模型；
步驟3:驗(yàn)證步驟2生成的訓(xùn)練模型，選擇統(tǒng)計(jì)誤差率最小的模型作為最 優(yōu)模型；
步驟4:利用步驟3選擇的最優(yōu)模型對預(yù)測樣本進(jìn)行預(yù)測。 所述填補(bǔ)缺損數(shù)據(jù)是采用同一種日期類型的負(fù)荷數(shù)據(jù)作為填補(bǔ)原則，并利 用其前后相鄰日期的歷史數(shù)據(jù)進(jìn)行填補(bǔ)；用方程表示如下
其中，"",O為第d天某Z時刻的缺損數(shù)據(jù)，"《力和丄("2力分別為與該日
相鄰的相同日期類型f時刻負(fù)荷數(shù)據(jù)，al、 A為前兩者各自對應(yīng)的數(shù)據(jù)權(quán)重。
所述不良數(shù)據(jù)的判斷方法為以待處理數(shù)據(jù)相鄰的前后兩個時刻的負(fù)荷數(shù) 據(jù)作為基準(zhǔn)并設(shè)定閥值，當(dāng)待處理的數(shù)據(jù)與其相鄰的前后兩個時刻的負(fù)荷數(shù)據(jù)的絕對差值各大于所述設(shè)定閥值時，則待處理的數(shù)據(jù)為不良數(shù)據(jù)。
所述平滑處理是指，將不良數(shù)據(jù)用其相鄰的前后兩個時刻的負(fù)荷數(shù)據(jù)的平 均值代替。
所述時間流是指樣本數(shù)據(jù)按照時間先后依次流入一個定長的數(shù)據(jù)隊(duì)列，使 每一條樣本記錄按照時間點(diǎn)順序排列，當(dāng)數(shù)據(jù)隊(duì)列滿時，自動將最早流入的數(shù) 據(jù)刪除。
所述步驟4包括
步驟41:初始化屬性隊(duì)列，將用于保存將要預(yù)測的第一個時間點(diǎn)的前" 天同一時刻的溫度數(shù)據(jù)的屬性隊(duì)列《{"《)，"《-')，…，"《"，以及用于保存第一個 預(yù)測時間點(diǎn)的前W時刻的溫度值的屬性隊(duì)列^卞(《)，"《-UW"和前一天最
高溫度、最低溫度組合為第一條溫度預(yù)測樣本記錄；
步驟42:利用生成的溫度訓(xùn)練模型對溫度預(yù)測樣本進(jìn)行預(yù)測，輸出下一時
段溫度預(yù)測值；然后，更新隊(duì)列；、^，對于、將下一預(yù)測時刻的相應(yīng)數(shù)據(jù)
填入，若數(shù)據(jù)不足，則使用已得到的相應(yīng)點(diǎn)的預(yù)測值代替；對于^，將最近一 次的溫度預(yù)測輸出值作為真實(shí)值插入到隊(duì)尾，并將隊(duì)首的數(shù)據(jù)移出；最后，依 據(jù)更新后的K、 ^生成新的預(yù)測樣本記錄；并反復(fù)迭代這一過程，直到求出所 有溫度負(fù)荷數(shù)據(jù)；
步驟43:利用溫度預(yù)測結(jié)果對負(fù)荷預(yù)測樣本初始化，其中，將用于保存第 一個預(yù)測時間點(diǎn)前n天在該時刻的負(fù)荷值的屬性隊(duì)列
用于保存預(yù)測日及前"天在第一個預(yù)測時間點(diǎn)的前m時段的負(fù)荷數(shù)據(jù)的屬性隊(duì) 列丄2:(/2(《人),/2(d,)，…,/2(《,0,/2(《—',U，/2(d,C—i),") ,,..,/2(《,C),/2W,^—i),…,/2W，0，…人("。人V2("。,U,…,"("。A"
和用于保存第 一 個預(yù)測時間點(diǎn)所在日期的星期屬性的屬性隊(duì)列
『:{—1)，<21"<7)}與步驟42所得的相應(yīng)溫度預(yù)測值組合成第一條負(fù)荷預(yù)測樣
本記錄；其中，/2(dU(《H.A(《0表示當(dāng)前預(yù)測點(diǎn)的前附個時刻負(fù)荷 值；
步驟44:利用生成的負(fù)荷訓(xùn)練模型對負(fù)荷預(yù)測樣本進(jìn)行預(yù)測，輸出下一個 時段的負(fù)荷預(yù)測值；然后，更新隊(duì)列^、 A、『，對于^，將下一預(yù)測時刻的 相應(yīng)數(shù)據(jù)填入，若數(shù)據(jù)不足，則使用已得到的相應(yīng)點(diǎn)的預(yù)測值代替；對于^的
更新，是將預(yù)測結(jié)果插入到隊(duì)尾后，冊1腺4中/2("。，0對應(yīng)的數(shù)據(jù)，并將^中
預(yù)測日前w天的數(shù)據(jù)更新，保證每一天所表示的數(shù)據(jù)對應(yīng)的時間段一致，若數(shù)
據(jù)不足，使用相應(yīng)的預(yù)測數(shù)據(jù)代替；依據(jù)更新后的A、 A、『生成新的預(yù)測樣
本記錄，并反復(fù)迭代這一過程，直到求出所有負(fù)荷預(yù)測數(shù)據(jù)。
本發(fā)明的效果在于本發(fā)明所提供的用于電力系統(tǒng)負(fù)荷預(yù)測的CVR快速 預(yù)測方法可以有效減小訓(xùn)練樣本規(guī)模超大時的時間和空間復(fù)雜度，并對于樣本 維數(shù)較高的情況具有較好的抑制時空開銷擴(kuò)大的效果，明顯提高了電力短期負(fù) 荷樣本大規(guī)模和超大規(guī)模情形下的訓(xùn)練速度并保證了和SVM具有相同的預(yù)測 準(zhǔn)確度。


圖1是本方法提供的面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方法總體 流程圖2是本方法提供的面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方法中滾 動預(yù)測流程圖；圖3是采用本方法的實(shí)施例進(jìn)行的一個實(shí)際應(yīng)用試驗(yàn)的預(yù)測結(jié)果局部圖。
具體實(shí)施例方式
下面結(jié)合附圖，對優(yōu)選實(shí)施例作詳細(xì)說明。應(yīng)該強(qiáng)調(diào)的是，下述說明僅 僅是示例性的，而不是為了限制本發(fā)明的范圍及其應(yīng)用。
圖1是本方法提供的面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方法總體
流程圖。圖1中，本發(fā)明的方法包括如下步驟 第一步，數(shù)據(jù)分析處理，包括如下步驟
(l)進(jìn)行實(shí)測的歷史數(shù)據(jù)預(yù)處理。根據(jù)數(shù)據(jù)的一些統(tǒng)計(jì)特征量可以找出原 始數(shù)據(jù)的一些可能的異常點(diǎn)并加以剔除或修正。對于數(shù)據(jù)缺損的處理，如果某 一天的數(shù)據(jù)出現(xiàn)大量的失真數(shù)據(jù)或沒有數(shù)據(jù)，采用同一種日期類型的負(fù)荷數(shù)據(jù)
作為填補(bǔ)原則并利用其前后幾天的歷史數(shù)據(jù)進(jìn)行填補(bǔ)。例如公休日的缺損數(shù) 據(jù)要用公休日的數(shù)據(jù)來填補(bǔ)等。用方程表示如下
其中，""力為第^天某t時刻的缺損數(shù)據(jù)，"《，f)和""2，0分別為與該日
相鄰的相同日期類型的"寸刻負(fù)荷數(shù)據(jù)，""A為前兩者各自對應(yīng)的數(shù)據(jù)權(quán)重。
然后通過水平處理和垂直處理法減除數(shù)據(jù)噪聲。在研究歷史負(fù)荷數(shù)據(jù)時，將相 鄰的前后兩個時刻的負(fù)荷數(shù)據(jù)作為基準(zhǔn)，設(shè)定一個待處理數(shù)據(jù)的最大變化區(qū)間 (即設(shè)定閥值)。這樣，只要待處理的負(fù)荷數(shù)據(jù)超出此區(qū)間就認(rèn)為是不良數(shù)據(jù)， 然后對此類數(shù)據(jù)做出相應(yīng)的平滑處理，常采用取平均值的方法來糾正。當(dāng)待處 理的負(fù)荷數(shù)據(jù)與其前后值的絕對差值各大于某一設(shè)定的閥值時則將當(dāng)前點(diǎn)的 數(shù)據(jù)用其前后點(diǎn)的數(shù)據(jù)平均值代替。由于電力負(fù)荷具有周期性，若以天為周期， 則認(rèn)為不同日期的同一時刻的負(fù)荷數(shù)據(jù)是具有相似度的，其兩者的差距應(yīng)該維 持在一定的范圍內(nèi)(即設(shè)定閥值)。如果超出此范圍的也可以視為不良數(shù)據(jù)，當(dāng)待處理的數(shù)據(jù)與近幾天同一時刻的負(fù)荷平均值之差超過設(shè)定閥值時，則用后者 與閥值的和代替該點(diǎn)的負(fù)荷值。
(2) 計(jì)算和統(tǒng)計(jì)相關(guān)數(shù)據(jù)。為減少訓(xùn)練時間以及不必要的樣本維數(shù)復(fù)雜 度，可以直接計(jì)算與輸出量相關(guān)系數(shù)大于設(shè)定值的輸入屬性，如天最高負(fù)荷值、 平均負(fù)荷值、最低負(fù)荷值、統(tǒng)計(jì)最高溫度、最低溫度以及節(jié)假日信息等。與輸 出量相關(guān)系數(shù)大于設(shè)定值的輸入屬性，是指該輸入屬性影響預(yù)測精度達(dá)到某--可接受的誤差率的上限，那么就是相關(guān)系數(shù)較大。比如，我們設(shè)定若影響預(yù) 測精度2%以上，就必須作為一個屬性輸入。舉個例子，天最大負(fù)荷值若不輸
入，則誤差會從98%降到96%以下，那么"天最大負(fù)荷值"就是對"輸出量相
關(guān)系數(shù)大于設(shè)定值的輸入屬性"。通過我們的反復(fù)實(shí)驗(yàn)發(fā)現(xiàn)，這些輸入量相關(guān)
的包括天最大負(fù)荷值、平均負(fù)荷值、最小負(fù)荷值、天最高溫度、最低溫度以 及節(jié)假日信息等。這里要說明加入這些量會造成樣本維數(shù)增高，所以并不是 越多越好，我們可以通過一些維數(shù)約減的方法處理，也可以在實(shí)際應(yīng)用中靈活 取舍。
(3) 對溫度數(shù)據(jù)進(jìn)行樣本分析，按照時間序列分別選取當(dāng)前分析點(diǎn)的歷史
上/7天同一時刻的數(shù)據(jù)以及該點(diǎn)前"時段的各個溫度值，此外還包括歷史上 "天每天的最高溫度、最低溫度、年月日信息、地域差異，結(jié)合以上信息構(gòu)造 針對溫度的訓(xùn)練樣本集。
(4) 對負(fù)荷數(shù)據(jù)進(jìn)行樣本分析。本實(shí)施例中，設(shè)數(shù)據(jù)采集策略為每天48點(diǎn)，
在應(yīng)用CVR之前首先分析這些數(shù)據(jù)。其中對預(yù)測值影響較大的數(shù)據(jù)屬性如下
(41)負(fù)荷數(shù)據(jù)。對訓(xùn)練樣本集(。，y'M，輸出x為某日某一時刻t的負(fù)荷
值A(chǔ)" d，輸入A包含對該負(fù)荷值有較大影響的相鄰日期歷史負(fù)荷數(shù)據(jù)和相同
日期類型的同時段負(fù)荷數(shù)據(jù)，具體如下
(411)預(yù)測日前/7天在該預(yù)測時段的負(fù)荷數(shù)據(jù)乂W-77, t人…，Z^-厶(412)預(yù)測日及前/7天在該預(yù)測時段前歷時段的負(fù)荷數(shù)據(jù): Z (V—77,卜歷入…，Z ^-/ ， "，
z ,卜歷入…，z ^/-厶t-"，
"《卜W,…，Z" ";
歷史負(fù)荷數(shù)據(jù)是影響負(fù)荷變化規(guī)律最直接的因素，這里設(shè)每天48點(diǎn)共兩 年的數(shù)據(jù)可構(gòu)成3萬5千條樣本記錄。每條記錄除需要保存(411)、 (412)中所 列屬性外，還需要保存預(yù)測點(diǎn)當(dāng)天最大負(fù)荷、平均負(fù)荷、最小負(fù)荷以及(2)、 (3)及(4)當(dāng)中的屬性數(shù)據(jù)。
(42) 節(jié)假日因素。研究表明節(jié)假日因素很大程度上影響負(fù)荷變化。處在節(jié) 假日日期的負(fù)荷明顯低于正常日負(fù)荷，為使預(yù)測值輸出更加準(zhǔn)確，不但需判斷 該負(fù)荷點(diǎn)所在日是否為節(jié)假日而且需判斷節(jié)假日的類型，主要包括本日是星 期幾、是否是周末、是否是重大節(jié)日(五一、十一、元旦、春節(jié)等)。節(jié)假日 因素包括星期屬性7個，是否重大事件1個，是否重大節(jié)日1個。
(43) 天氣影響。天氣會很大程度上影響負(fù)荷變化，因此需要將晴、雨、雪 等狀態(tài)數(shù)值化并作為一個屬性插入到訓(xùn)練樣本記錄中。
(44) 溫度影響。與天氣影響類似，需將平均氣溫，最高氣溫，最低氣溫等 溫度數(shù)據(jù)作為屬性插入樣本記錄中。
分析數(shù)據(jù)后，將數(shù)據(jù)按照時間流排列并使其符合向量機(jī)要求的樣本格式。 按照時間流的順序，將數(shù)據(jù)時間流是指樣本數(shù)據(jù)按照時間先后依次流入一個定 長的數(shù)據(jù)隊(duì)列，使每一條樣本記錄按照時間點(diǎn)順序排列，當(dāng)數(shù)據(jù)隊(duì)列滿時，自 動將最早流入的數(shù)據(jù)刪除。
由以上分析可見，樣本規(guī)模較大，記錄維數(shù)較高。
第二步，通過CVR分別對溫度訓(xùn)練樣本數(shù)據(jù)和負(fù)荷樣本數(shù)據(jù)進(jìn)行訓(xùn)練并 得到相應(yīng)的回歸訓(xùn)練模型。其具體計(jì)算步驟如下(1) 首先將溫度訓(xùn)練樣本投入CVR進(jìn)行訓(xùn)練。其具體訓(xùn)練過程參考計(jì)算
步驟(2)。
(2) 將負(fù)荷訓(xùn)練樣本投入CVR進(jìn)行訓(xùn)練。其具體過程如下
(21)核函數(shù)的構(gòu)造與訓(xùn)練參數(shù)的選取
由于向量機(jī)首先通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一 個高維空間，在這個空間中求廣義最優(yōu)分類面，這樣，核函數(shù)就反映了高維特 征空間中任意兩個樣本點(diǎn)之間的位置關(guān)系。除了選擇核函數(shù)，還需要預(yù)先確定
相關(guān)的三個參數(shù):平衡系數(shù)C、誤差e和核函數(shù)的參數(shù)y。對于各參數(shù)值的選取，
主要通過測試訓(xùn)練樣本在某個固定參數(shù)值上的錯誤率，然后不斷修正參數(shù)以使 算法相應(yīng)的錯誤率最小。
(211)核函數(shù)的選取。不同核函數(shù)構(gòu)造的向量機(jī)，預(yù)測精度是不相同的。 在樣本數(shù)量較少的情況下，選取不同的核函數(shù)，計(jì)算時間基本相同。例如當(dāng) 訓(xùn)練樣本選擇用2003年3月13, 14日兩天的負(fù)荷作輸入，輸出為15日負(fù)荷數(shù) 據(jù)時樣本集中包含96對數(shù)據(jù)，此時幾種核函數(shù)構(gòu)造的CVR計(jì)算時間差基本只 有1到2秒。但在大規(guī)模樣本下，試驗(yàn)表明，徑向基函數(shù)具有絕對的訓(xùn)練速度 優(yōu)勢。在實(shí)際應(yīng)用中可以針對具體情況靈活選取。
(212)訓(xùn)練參數(shù)的選取本實(shí)施例的樣本規(guī)模為兩年每天48點(diǎn)共3萬5千 余條記錄
當(dāng)r^,-oj時，隨著C的增大，訓(xùn)練時間將變長，訓(xùn)練樣本集的標(biāo)準(zhǔn)均 方差變小，并且當(dāng)^(0,20000)時，標(biāo)準(zhǔn)均方差隨C的增大迅速減??；當(dāng) Ce[20000，叫時，標(biāo)準(zhǔn)均方差基本維持不變。
當(dāng)020000， e=0.1時，標(biāo)準(zhǔn)均方差隨^的增大而變大，并且，當(dāng)se(O,O.l) 時，標(biāo)準(zhǔn)均方差基本維持不變；^e[o.l，l]時，標(biāo)準(zhǔn)均方差以很小的幅度隨著^增 大；Ze(i，w)時，標(biāo)準(zhǔn)均方差迅速增大。
當(dāng)C-20000, 7=1時，隨f的增大，支持向量數(shù)目減少，標(biāo)準(zhǔn)均方差增大，并且，當(dāng)se[o,0.1]時，隨^增大，支持向量數(shù)目逐漸減少，標(biāo)準(zhǔn)均方差幾乎不 變；當(dāng)se(0.1，w)時，隨s增大，支持向量數(shù)目迅速減少，標(biāo)準(zhǔn)均方差急劇增大。 基于以上結(jié)論，針對以上大規(guī)模樣本數(shù)據(jù)可選取徑向基函數(shù)作為核函數(shù)， 并將參數(shù)初選為C =20000， 7=1， e-O.l。為進(jìn)行測試可在以上參數(shù)周圍區(qū)間 內(nèi)選取多個參數(shù)作為測試參數(shù)。在實(shí)際應(yīng)用中可根據(jù)具體情況參考以上分析靈 活選取。
(22)使用步驟(21)所確定的參數(shù)利用CVR對樣本集進(jìn)行訓(xùn)練。其訓(xùn)練過 程如下
(221) 計(jì)算生成最小附入球MEB。
樣本集S= U，…，x丄其中x, "D表示每一條樣本記錄，則最小附入球(表 示為MEBCS))表示包含S中所有點(diǎn)的最小球。設(shè)"(c， TP)表示球心為c，半 徑為/ 的球，給出《〉0，則當(dāng)滿足i 《r巡附)和Sc:B(c,(l + ^0時球萬(c, (l+《)
力成為MEB(5)的一個關(guān)于(l+《)的近似球。
(222) 找出6"的核子集。
令S(c,i )-7l^B(。，當(dāng)ScS(c,(l +《)7 )時，子集c5gS表示S的核子集。為此 可通過一種簡單迭代方法求得
在第t次迭代時，將當(dāng)前估計(jì)所得球5(c,，i ,)擴(kuò)展，使其包含落于(l+《)球
萬(c,，(l +《)/ ,)外最遠(yuǎn)的點(diǎn)，并重復(fù)這一過程直到5"中所有的點(diǎn)都被S(c,，(l")iO 所覆蓋。通過這一迭代策略，則無論是迭代次數(shù)和最后生成的核集合的大小都 只依賴于纟而不依賴于樣本規(guī)模A和樣本維數(shù)A
(223) 將核方法映射為MEB問題。 考慮支持向量域描述中的硬差值公式<formula>formula see original document page 16</formula>
其中P表示與已知核k關(guān)聯(lián)的特征映射。A(c， ^表示引入核特征空間中所
要求的MEB。則其對偶是一個QP問題忠<formula>formula see original document page 16</formula>，其中
= [ ,,,..,^]'為拉格朗日乘子，0 =
'， 1二[1,…,1]'， i^^Wx^,,^^,)'^^)] 為核矩陣。當(dāng)^滿足
AO,X) = K (常數(shù))
將QP中的這一常數(shù)關(guān)聯(lián)丟掉則得到約減后的優(yōu)化問題
<formula>formula see original document page 16</formula>
相對的，只要核A滿足條件(2)，則任何形如(3)的QP問題都可被當(dāng) 作MEB問題。
(224)中心約束的MEB問題轉(zhuǎn)換
在SVR中，訓(xùn)練集合(z, =(^，;/,)}:1中^，少,ei 分別表示輸入量和輸
出
然后在核特征空間中構(gòu)造線性函數(shù)/00 = w>(x) + 6 ，依據(jù)
f-intensive損失函數(shù)，其與原始訓(xùn)練數(shù)據(jù)產(chǎn)生少許偏離。采用如下公式:<formula>formula see original document page 16</formula>
這里/z〉0參數(shù)用于控制f尺寸，偏移量6決定懲罰系數(shù)，其中自
然滿足條件^《20。則相應(yīng)的對偶形式為:<formula>formula see original document page 16</formula>約束于:
a' a*
1 = 1，a,a' 2 0，
(5)
其中rbv..,:U'， a,…義j， a'=[(..《]'，另夕卜
f = [f(z,,z》]=
拜
7
戸
—("ii') 〖+ir+e/
(6)
(l)式的MEB表示找到一個包含S中所有^c,)的最小球?，F(xiàn)在添加一
附加參數(shù)A, ei 將每一個^Oc,)擴(kuò)大為形式[^x,)',A,]'，然后找到這些擴(kuò)大后的點(diǎn) 對應(yīng)的MEB，并將球心最后一個坐標(biāo)限制為0，貝U(1)化為
mini 2 : ||c —爐(x,)!2 + △〗g W2，i = l,...，m (7)
設(shè)A =[《...，《]'20，則其新的對偶化為
歷ay or Viag(K) + △) _ a'/:a : a k 0,or'l = 1 (8) 通過(8)分別計(jì)算出
由此可得球心C到任意一點(diǎn)的距離表示為
|ci(:c《)|2 +A2《=|c|2 - 2(〖《), +、《+A2f (10) 因?yàn)榧s束"'l = 1 ，所以在目標(biāo)函數(shù)中加入"'l的任意倍數(shù)都不會影響a的值。 取任意值^e及，則(8)化為:
(9)
Mar a'(Wag(/Q + △ — 77I) - orXctr:"上0， a'l = 1
(11)
設(shè)5:[a' a']并且
△ = —+ 7/1 +垂
少
1
(12)
當(dāng)"足夠大且A20時，(5)可化為鵬JT 5'(c/z'ag(f) + △ - "l) - 5敘5 5: 0， 5'1 = 1 至此，已經(jīng)通過CVR將原QP問題轉(zhuǎn)換為了MEB問題。其中在目標(biāo)函數(shù)
中允許包含一個線性關(guān)系，同時，核函數(shù)既可以選擇線性核，也可以選擇非線 性核。
第三步，對前面生成的多個模型(每個模型可能選取不同參數(shù)或?qū)⒉煌瑫r 期的數(shù)據(jù)作為訓(xùn)練樣本)進(jìn)行驗(yàn)證。從歷史數(shù)據(jù)中取出一部分(盡量是時間上 較新的數(shù)據(jù))作為測試預(yù)測樣本分別利用各模型進(jìn)行預(yù)測，計(jì)算并統(tǒng)計(jì)誤差信 息，最終選取最優(yōu)的模型作為第四步的預(yù)測模型。
第四步，通過第三步所產(chǎn)生的最優(yōu)模型，對未來負(fù)荷進(jìn)行滾動預(yù)測。
圖2是本方法提供的面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方法中滾動 預(yù)測流程圖。圖2中，面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方法的滾動預(yù) 測具體過程是
(I) 初始化屬性隊(duì)列構(gòu)造第一條溫度預(yù)測樣本記錄。其中包括
(II) 屬性隊(duì)列^"(《)，《-l)，…，M》用于保存將要預(yù)測的第一個時間點(diǎn)的
前"天同一時刻的溫度數(shù)據(jù)。
(12) 屬性隊(duì)列7^卞(《)''(《-1)"."^)}用于保存第一個預(yù)測時間點(diǎn)前^時刻
的溫度。
(13) 將隊(duì)列K、 ^以及前一天最高溫度、最低溫度、預(yù)測日期、地域差異
系數(shù)等組合為第一條預(yù)測樣本記錄。地域差異系數(shù)是對具體電力企業(yè)而言的， 在某些地域跨度很大的電網(wǎng)中是有用的，雖然是同一季節(jié)，但可能因地處不同
地域從而導(dǎo)致用電量不同。舉個例子，同樣是夏季8月，廣州和哈爾濱兩個地 域因使用空調(diào)所增加的用電量肯定是不同的。若不考慮地域因素，將此位全部 置0就可以了。具體內(nèi)容是我們可以將一些地域劃分并用一個數(shù)字表示。如北京、天津等城市是l，上海、南京是2，廣州、深圳是3…等等。
(2) 進(jìn)行各時間段的溫度預(yù)觀U，其步驟如下
(21) 利用生成的溫度訓(xùn)練模型對溫度預(yù)測樣本進(jìn)行預(yù)測，輸出下一個時段 的溫度預(yù)測值。
(22) 為預(yù)測下一個時段更新隊(duì)列《、^。
對于、將下一預(yù)測時刻的相應(yīng)數(shù)據(jù)填入，若數(shù)據(jù)不足，則使用已得到的 相應(yīng)點(diǎn)的預(yù)測值代替。當(dāng)遇到需要將還沒有到來時刻的負(fù)荷作為輸入量構(gòu)造新
的預(yù)測樣本記錄時，我們將前面預(yù)測的結(jié)果作為真實(shí)負(fù)荷插入。舉個例子當(dāng)
前時間是1月1日，經(jīng)過幾次連續(xù)預(yù)測后得到了1月2日全天各點(diǎn)的預(yù)測值， 此時繼續(xù)預(yù)測1月3日的負(fù)荷，然而根據(jù)樣本記錄構(gòu)成可知預(yù)測1月3日的負(fù) 荷需要1月2 口的數(shù)據(jù)作為輸入量，但實(shí)際上1月2日還沒有到來，真實(shí)數(shù)據(jù) 還沒有產(chǎn)生，為丫連續(xù)預(yù)測，我們將前面1月2 口的預(yù)測值作為真實(shí)值作為輸 入量插入到預(yù)測樣本記錄中。
對于^，將最近一次的溫度預(yù)測輸出值作為真實(shí)值插入到隊(duì)尾，并將隊(duì)首 的數(shù)據(jù)移出。
(23) 更新其他屬性值并依據(jù)更新后的^、 ^生成新的預(yù)測樣本記錄。包括
前一天最高溫度、最低溫度、預(yù)測日期、地域差異系數(shù)等等。更新策略是若 下一預(yù)測點(diǎn)與當(dāng)前點(diǎn)在同一天則不更新直接使用上一條樣本的相應(yīng)數(shù)據(jù)，若下 一點(diǎn)是新一天的開始則更新。如若當(dāng)前預(yù)測時刻是某天的24點(diǎn)，下一預(yù)測 時刻是次日的00: 30 (按半小時一點(diǎn)一天48點(diǎn)來說)，則需要更新，否則不更 新。而后回到步驟(21)反復(fù)迭代這一過程，直到求出所有溫度負(fù)荷數(shù)據(jù)。
(3) 對于負(fù)荷預(yù)測樣本的初始化
(31)屬性隊(duì)列^ :似《"(《-Ui(《》用于保存第一個預(yù)測時間點(diǎn)前/2天在該時刻的負(fù)荷值。
(32) 屬性隊(duì)列
Z2:仏(《,U，/2(d!),…"2(《，0人(《—pU乂2Km,D,…A(《—"。)
,.."/2(《,0，/2W,,m—i),…,/2W,O,…乂2("。人),/2(d0，…,/2KA》
保存預(yù)測日及前"天在第一個預(yù)測時間點(diǎn)的前M時段的負(fù)荷數(shù)據(jù)。其中，
/2(《0，/2(《U，…，/2(《0表示當(dāng)前預(yù)測點(diǎn)的前m個時刻負(fù)荷值。
(33) 屬性隊(duì)列^ ~ ，<2)，-，<7)}用于保存第一個預(yù)測時間點(diǎn)所在日期的 星期屬性，將相應(yīng)位置l，其余置0。
(34) 將隊(duì)列A，A，『與步驟(2)所得的相應(yīng)溫度預(yù)測值及其他相關(guān)屬性組合
成第一條負(fù)荷預(yù)測樣本記錄。其他相關(guān)屬性是指除了^，A，『與步驟(2)所得的
相應(yīng)溫度預(yù)測值外，還包括前面幾個問題中談到的例如"節(jié)假日屬性"、"天 氣屬性"、"區(qū)域?qū)傩?。
(4)進(jìn)行各時段的負(fù)荷預(yù)測，具體過程如下
(41) 利用生成的負(fù)荷訓(xùn)練模型對負(fù)荷預(yù)測樣本進(jìn)行預(yù)測，輸出下一個時段 的負(fù)荷預(yù)測值。
(42) 為預(yù)測下一個時段更新隊(duì)列A、 A、『。對于^，將下一預(yù)測時刻 的相應(yīng)數(shù)據(jù)填入，若數(shù)據(jù)不足，則使用已得到的相應(yīng)點(diǎn)的預(yù)測值代替。A的更 新策略同(22)的^。需注意的是，對于A的更新，是將預(yù)測結(jié)果插入到隊(duì)尾
后，刪除^中/2(《0對應(yīng)的數(shù)據(jù)，并將A中預(yù)測日前"天的數(shù)據(jù)更新，保證
每一天所表示的數(shù)據(jù)對應(yīng)的時間段一致，若數(shù)據(jù)不足，使用相應(yīng)的預(yù)測數(shù)據(jù)代 替。
(43) 更新其他屬性值并依據(jù)更新后的^、 A、『生成新的預(yù)測樣本記錄。其他屬性值的更新同(34)，而后回到步驟(41)反復(fù)迭代這一過程，直到求出 所有負(fù)荷預(yù)測數(shù)據(jù)。
圖3是采用本方法的實(shí)施例進(jìn)行的一個實(shí)際應(yīng)用試驗(yàn)的預(yù)測結(jié)果局部圖。 圖3只截取了其中一百點(diǎn)，原圖為每天48點(diǎn)共一個月的預(yù)測結(jié)果比較圖。 如圖3所示，試驗(yàn)環(huán)境為
硬件配置Intel core2 5450雙核1.6GHz2GBram
操作平臺環(huán)境windOWS平臺語言版本C版木
選取參數(shù)c=20000u=0.001 訓(xùn)練時間為
SVR:約46分，崩潰2次，取8次平均； CVR:約24分，取10次平均。
誤差
SVR:
均方根誤差26.14; 平均絕對誤差20.09; 中間點(diǎn)絕對誤差17.06; 稀疏相關(guān)參數(shù)0.396。
CVR:
均方根誤差14.7; 平均絕對誤差11.5; 中間點(diǎn)絕對誤差9.59; 稀疏相關(guān)參數(shù)0.935。 預(yù)測時間
CVR: 2.57秒，取10次平均；
SVR: 4.672秒，取10次平均。從圖3不難看出，本發(fā)明在處理大規(guī)模數(shù)據(jù)樣本時，其處理效果接近于真 實(shí)值，在處理速度提高的同時，其準(zhǔn)確度并沒有降低。
木發(fā)明利用CVR滿足一定線性關(guān)系并可應(yīng)用于QP形式的問題的特性， 找出數(shù)據(jù)樣本中的一個子集，其成員是對回歸貢獻(xiàn)最大的向量，即核向量。通 過對這個子集進(jìn)行統(tǒng)計(jì)分析從而得出預(yù)測結(jié)果。子集的容量小，訓(xùn)練速度自然 快。然后通過對樣本集進(jìn)行特殊構(gòu)造和處理來進(jìn)行一段時期的連續(xù)負(fù)荷預(yù)測。 這樣構(gòu)造每次進(jìn)行訓(xùn)練和預(yù)測中間環(huán)節(jié)少，速度快，效率高，并能保證很好的
預(yù)測精度。從而解決了 SVR在對大容量樣本訓(xùn)練時所遇到的訓(xùn)練時間將非常
長、過程非常繁瑣、并極易出錯等問題。
以上所述，僅為本發(fā)明較佳的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍并不 局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可 輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明 的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1.一種面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方法，其特征在于，所述方法包括下列步驟步驟1對實(shí)測數(shù)據(jù)進(jìn)行分析處理，包括剔除或修正實(shí)測數(shù)據(jù)中的異常點(diǎn)或者干擾、填補(bǔ)缺損數(shù)據(jù)、對不良數(shù)據(jù)進(jìn)行平滑處理；然后，直接計(jì)算與輸出量相關(guān)系數(shù)大于設(shè)定值的輸入屬性；之后，建立訓(xùn)練樣本集和預(yù)測樣本集，按照時間流排列并使其符合向量機(jī)要求的樣本格式；步驟2構(gòu)造核函數(shù)，選取CVR訓(xùn)練測試參數(shù)，根據(jù)步驟1生成的測試訓(xùn)練樣本，分別將溫度訓(xùn)練樣本和負(fù)荷訓(xùn)練樣本投入CVR進(jìn)行訓(xùn)練并生成訓(xùn)練模型；步驟3驗(yàn)證步驟2生成的訓(xùn)練模型，選擇統(tǒng)計(jì)誤差率最小的模型作為最優(yōu)模型；步驟4利用步驟3選擇的最優(yōu)模型對預(yù)測樣本進(jìn)行預(yù)測。
2. 根據(jù)權(quán)利要求1所述的一種面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方法，其特征在于，所述填補(bǔ)缺損數(shù)據(jù)是采用同一種日期類型的負(fù)荷數(shù)據(jù)作為填補(bǔ)原則，并利用其前后相鄰日期的歷史數(shù)據(jù)進(jìn)行填補(bǔ)；用方程表示如下Z(c/, /■) =*丄 ， /) + a2 *岸2,0其中，"")為第^天某f時刻的缺損數(shù)據(jù)，丄w,o和丄(《,o分別為與該日相鄰的相同口期類型Z時刻負(fù)荷數(shù)據(jù)，"i、 ^為前兩者各自對應(yīng)的數(shù)據(jù)權(quán)重。
3. 根據(jù)權(quán)利要求1所述的一種面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方 法，其特征在于，所述不良數(shù)據(jù)的判斷方法為以待處理數(shù)據(jù)相鄰的前后兩個時刻的負(fù)荷數(shù)據(jù)作為基準(zhǔn)并設(shè)定閥值，當(dāng)待處理的數(shù)據(jù)與其相鄰的前后兩個時刻的 負(fù)荷數(shù)據(jù)的絕對差值各大于所述設(shè)定閥值時，則待處理的數(shù)據(jù)為不良數(shù)據(jù)。
4. 根據(jù)權(quán)利要求1所述的一種面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方 法，其特征在于，所述平滑處理是指，將不良數(shù)據(jù)用其相鄰的前后兩個時刻的負(fù) 荷數(shù)據(jù)的平均值代替。
5. 根據(jù)權(quán)利要求1所述的一種面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方 法，其特征在于，所述時間流是指樣本數(shù)據(jù)按照時間先后依次流入一個定長的數(shù) 據(jù)隊(duì)列，使每一條樣本記錄按照時間點(diǎn)順序排列，當(dāng)數(shù)據(jù)隊(duì)列滿時，自動將最早 流入的數(shù)據(jù)刪除。
6. 根據(jù)權(quán)利要求1所述的一種面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方 法，其特征在于，所述歩驟4包括步驟41:初始化屬性隊(duì)列，將用于保存將要預(yù)測的第一個時間點(diǎn)的前w天同一時刻的溫度數(shù)據(jù)的屬性隊(duì)列K:{《《)，《(1)"'"叫)}，以及用于保存第一個預(yù)測 時間點(diǎn)的前m時刻的溫度值的屬性隊(duì)列K: w《)，"《-和前一天最高溫度、最低溫度組合為第一條溫度預(yù)測樣本記錄；步驟42:利用生成的溫度訓(xùn)練模型對溫度預(yù)測樣本進(jìn)行預(yù)測，輸出下一時段溫度預(yù)測值；然后，更新隊(duì)列^、 ^，對于^，將下一預(yù)測時刻的相應(yīng)數(shù)據(jù)填入，若數(shù)據(jù)不足，則使用已得到的相應(yīng)點(diǎn)的預(yù)測值代替;對于、將最近一次的 溫度預(yù)測輸出值作為真實(shí)值插入到隊(duì)尾，并將隊(duì)首的數(shù)據(jù)移出；最后，依據(jù)更新 后的S、 ^生成新的預(yù)測樣本記錄；并反復(fù)迭代這一過程，直到求出所有溫度負(fù) 荷數(shù)據(jù)；步驟43:利用溫度預(yù)測結(jié)果對負(fù)荷預(yù)測樣本初始化，其中，將用于保存第 一個預(yù)測時間點(diǎn)前w天在該時刻的負(fù)荷值的屬性隊(duì)列用于保存預(yù)測日及前w天在第一個預(yù)測時間點(diǎn)的前m時段的負(fù)荷數(shù)據(jù)的屬性隊(duì)列<formula>formula see original document page 4</formula>和用于保存第 一 個預(yù)測時間點(diǎn)所在日期的星期屬性的屬性隊(duì)列 『:{W(1)，U<2L，M<7)}與步驟42所得的相應(yīng)溫度預(yù)測值組合成第一條負(fù)荷預(yù)測樣本記錄；其中，/2(6/。,/ ),/20/。人-1),...,/2(6/。,0表示當(dāng)前預(yù)測點(diǎn)的前附個時刻負(fù)荷值；歩驟44:利用生成的負(fù)荷訓(xùn)練模型對負(fù)荷預(yù)測樣本進(jìn)行預(yù)測，輸出下一個 時段的負(fù)荷預(yù)測值；然后，更新隊(duì)列A、 A、『，對于A，將下一預(yù)測時刻的相應(yīng)數(shù)據(jù)填入，若數(shù)據(jù)不足，則使用已得到的相應(yīng)點(diǎn)的預(yù)測值代替；對于^的更新， 是將預(yù)測結(jié)果插入到隊(duì)尾后，刪除^中/2^。,。對應(yīng)的數(shù)據(jù)，并將A中預(yù)測日前n 大的數(shù)據(jù)更新，保證每一天所表示的數(shù)據(jù)對應(yīng)的時間段一致，若數(shù)據(jù)不足，使用 相應(yīng)的預(yù)測數(shù)據(jù)代替；依據(jù)更新后的A、 A、『生成新的預(yù)測樣本記錄，并反復(fù) 迭代這一過程，直到求出所有負(fù)荷預(yù)測數(shù)據(jù)。
全文摘要
本發(fā)明公開了短期電力負(fù)荷預(yù)測技術(shù)領(lǐng)域中的一種面向大規(guī)模樣本的CVR電力負(fù)荷快速預(yù)測方法。技術(shù)方案是，首先對缺損的歷史數(shù)據(jù)進(jìn)行填補(bǔ)，并使用水平校驗(yàn)法和垂直校驗(yàn)法對數(shù)據(jù)進(jìn)行校驗(yàn)和平滑處理；然后按照時間流分別對溫度和負(fù)荷樣本集數(shù)據(jù)進(jìn)行重組；通過兩個CVR分別對以上兩個大規(guī)模樣本數(shù)據(jù)進(jìn)行快速訓(xùn)練；最后利用一個CVR對未來時間段內(nèi)的溫度信息進(jìn)行連續(xù)滾動預(yù)測生成所要預(yù)測時間范圍內(nèi)所有預(yù)測點(diǎn)的溫度值，利用其結(jié)果使用另一個CVR對負(fù)荷進(jìn)行連續(xù)的滾動預(yù)測直到得到所有預(yù)測點(diǎn)的預(yù)測值。本發(fā)明在超大規(guī)模樣本下既提高了預(yù)測速度又保證了預(yù)測精度，能夠有效支持對超大規(guī)模電力負(fù)荷樣本的準(zhǔn)確、快速預(yù)測。
文檔編號G06N99/00GK101551884SQ20091008372
公開日2009年10月7日 申請日期2009年5月8日 優(yōu)先權(quán)日2009年5月8日
發(fā)明者劉克文, 李元誠 申請人:華北電力大學(xué)