基于广义最大相关熵准则的核极限学习机售电量预测方法技术

本发明专利技术方法公开了基于广义最大相关熵准则的核极限学习机售电量预测方法：对历史日用电量的异常数据进行修正、构建训练样本集，利用皮尔逊相关系数选定模型输入、选用核极限学习机模型对日用电量进行预测，针对售电量预测误差的非高斯特征，使用广义最大相关熵准则作为预测模型的代价函数、引入在线序列学习使模型可以进行滚动预测、引入K

【技术实现步骤摘要】
基于广义最大相关熵准则的核极限学习机售电量预测方法


[0001]本专利技术属于电力系统电量预测
，涉及一种基于广义最大相关熵准则的核极限学习机售电量预测方法。
技术背景
[0002]电量预测是在分析历史数据与影响因素的前提下，对未来一段时间内的电能消耗量的预报。当下的电力市场中，无论是发电侧还是售电侧，电量预测都是一项非常重要的工作。尤其是对于售电公司而言，由于偏差考核机制的颁布，售电量预测的准确性直接影响偏差评估，而且偏差越大，处罚越高，然而售电量因受随机因素影响较大难以准确预测，因此对高精度售电量预测算法研究具有重要的实际工程价值与理论意义。
[0003]目前售电量预测大多是针对小客户而非大区域，随机性强，受突变因素影响大，易产生离群值，预测误差大多服从非高斯分布。针对售电量预测，一些学者提出了许多预测模型，大致分为两类：传统预测模型与机器学习预测模型。传统预测模型包括自回归滑动平均模型、时间序列法等。传统方法的理论基础主要是线性模型，因为售电量受随机因素影响大，非线性强，传统方法无法描述售电量数据的非线性和随机性。机器学习预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于广义最大相关熵准则的核极限学习机售电量预测方法，其特征在于，具体操作过程包括如下步骤：步骤1、数据预处理对历史日用电量数据中的异常数据进行修正，并对缺失数据进行补充；步骤2、构建训练样本集以历史日用电量以及所对应日最高温度作为模型的训练样本集，并利用皮尔逊相关系数选定模型输入，皮尔逊相关系数计算公式如式(3)：其中，x为训练样本集数据，包括历史用电量数据与温度数据，t为历史用电量数据；步骤3、数据标准化电量预测时主要用到的数据有历史日用电量数据和与之相对应的历史温度数据，为了减小因两种数据数量级相差较大对预测准确性造成的影响，对数据进行标准化处理，标准化公式如式(4)：其中，x
i
为数据真实值，x
min
为该类数据的最小值，x
max
为该类数据的最大值；步骤4、针对历史日用电量数据的非线性特征，选用核极限学习机模型KELM对日用电量进行预测，针对售电量预测误差的非高斯特征，使用广义最大相关熵准则GMCC代替核极限学习机中均方误差准则MSE作为预测模型的代价函数；步骤5、引入在线序列学习，使预测模型可以进行滚动预测；步骤6、引入K-折交叉验证与网格寻优对基于广义最大相关熵的核极限学习机模型的关键参数σ、λ、α进行优化；步骤7、用广义最大相关熵核极限学习机预测模型对售电量进行预测，得到预测结果，并选用MAPE指标对预测结果进行评价：2.根据权利要求1所述的基于广义最大相关熵准则的核极限学习机售电量预测方法，其特征在于：步骤1的具体过程是：对历史日用电量数据中的异常数据进行修正，并对缺失数据进行补充，当数据满足则视数据为异常数据，其中此外，根据式(2)对历史用电量中的异常数据与缺失数据进行修正：
其中，t
i
为历史用电量数据真实值，为数据修正值，为数据均值，δ为数据标准差，N为数据总量，ξ、ζ为权重系数，ε为阈值。3.根据权利要求1所述的基于广义最大相关熵准则的核极限学习机售电量预测方法，其特征在于：步骤4的具体过程是：普通ELM模型可表示为其中，β为极限学习机输出权值，L为隐含层节点数，w
j
为输入权值，b
j
为偏置系数，w
j
与b
j
是随机生成，y
i
为模型输出，ELM训练的目标是使输出值y
i
与训练样本历史用电量值t
i
...

【专利技术属性】
技术研发人员：段建东，方帅，田璇，马文涛，侯泽权，安琳，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：