[發明專利]一種基于集成學習的短期電力負荷預測方法

無效

• 申請號: 201110212852.3
• 申請日: 2011-07-27
• 公開（公告）號: CN102270309A
• 公開（公告）日: 2011-12-07
• 發明（設計）人: 李元誠;陳普
• 申請（專利權）人: 華北電力大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;H02J3/00
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 黃家俊

1.一種基于集成學習的短期電力負荷預測方法，其特征是該方法包括以下步驟：

步驟1：對電力負荷進行數據預處理；

步驟2：構建電力負荷預測的訓練樣本集和測試樣本集；

步驟3：用密母優化算法尋找核向量回歸學習器的最優初始參數值；

步驟4：在步驟3的基礎上采用集成學習算法并對訓練樣本集進行訓練，進而求得子學習器模型；

步驟5：由子學習器模型加權組合得到預測模型，通過預測模型對測試樣本集進行預測求得均方根相對誤差，進而得到滿足精度要求的實際預測模型；

步驟6：用實際預測模型對未來一周的負荷進行預測。

2.根據權利要求1所述的一種基于集成學習的短期電力負荷預測方法，其特征是所述數據預處理包括填補缺失數據、修正噪聲數據、數據平滑處理和數據歸一化處理。

3.根據權利要求1所述的一種基于集成學習的短期電力負荷預測方法，其特征是所述步驟3具體為：

步驟3.1：選定密母優化算法的編碼規則，按照編碼規則產生規模為n的初始種群G，設定最大進化代數g，選取適應度函數；

步驟3.2：計算初始種群G的個體G_i的適應度值F_i，將種群中適應度值最差的個體記為G_worst；

步驟3.3：對初始種群G的個體G_i使用局部啟發式搜索算法尋找個體G_i的適應度最優值，用適應度最優值對應的個體替換個體G_i；

步驟3.4：對個體G_i進行交叉或變異操作，若交叉或變異操作的結果優于最差的個體G_worst，則用交叉或變異操作的結果替換最差的個體G_worst；

步驟3.5：滿足以下條件之一，計算過程結束：

a：循環達到最大進化代數g；

b：前5代的平均適應度相差不超過10^-6；

將初始種群G中的最優個體作為核向量回歸學習器的最優參數值。

4.根據權利要求3所述的一種基于集成學習的短期電力負荷預測方法，其特征是所述密母優化算法的編碼規則為十進制編碼。

5.根據權利要求3所述的一種基于集成學習的短期電力負荷預測方法，其特征是所述適應度值為：

Fi=Σk=0m′(xk-x′k)2]]>

其中：

F_i表示初始種群G中第i個個體的適應度值；

m′為測試樣本集S′的樣本個數；

x_k為測試樣本集S′中第k個樣本S′_k的實際負荷值；

x′_k為樣本S′_k的預測負荷值。