1.基于增量式超限向量回归机集成网络的实时电力负荷预测方法，其特征在于，包括在线学习阶段和在线负荷预测阶段。

2.根据权利要求1所述的基于增量式超限向量回归机集成网络的实时电力负荷预测方法，其特征在于，在线学习阶段包括下列步骤：步骤一、实时采集第T＝1批次电力负荷数据和影响负荷的相关因素的数据A1；

步骤二、对采集的数据A1各因素分别进行归一化；

步骤三、将在线序列学习的思想引入ESVR(Extreme Support Vector Regression)，构建包含P个IESVR(Incremental ESVR)子模型的集成网络模型II-ESVR(Integrated Incremental ESVR)；每个IESVR子模型具有相同结构，特征映射函数均采用sigmoid函数，即 参数 为特征映射函数sigmoid函数中的随机偏置项，且 IESVR子模型输出定义为： 参数b为IESVR子模型的隐含层偏置项；

步骤四、利用采集的数据A1分别对II-ESVR中每个IESVR子模型进行独立初始化，具体方法为：

1)在(0，1)之间随机选取输入层权值w参数；

2)生成IESVR的隐含层特征映射矩阵Φ(A1)：其中wi为第i个隐含节点的权值， 表示A1中的第j个样本；

3)定义W1＝[β1 β2 … βL b]，H1＝[Φ(A1) e]， (I由N1个单位向量e构成)， 和

4)求解最优化IESVR子模型的参数W1，最优化的方法如下式所示：s.t.Φ(A1)*β+be-Y1＝ξ其中ξ为模型训练误差，β为隐含层的权值，C为惩罚系数，b为偏置，e为单位向量，

20

惩罚系数建议为C＝2 ；

步骤五、采集第T＝k+1(k≥1)批次数据Ak+1并进行数据归一化；

步骤六、以采集数据Ak+1的相关影响因素数据作为II-ESVR的输入，将与之对应的电力负荷数据作为II-ESVR的输出，进行II-ESVR网络的增量学习模型训练，具体方法为：

1)计算新采集样本数据的隐含层特征映射矩阵Φ(Ak+1)：

2)定义Hk+1＝[Φ(Ak+1) e]并令 e代表单位向量；

T T

3)计算Ωk+1＝Ωk+Hk+1Hk+1和Λk+1＝H k+1(Yk+1-Hk+1Wk)；

-1

4)更新权值输出矩阵Wk+1＝Wk+Ωk+1 Λk+1；

步骤七、若无新批次数据到达，则等待；若有新批次数据到达，则k＝k+1，返回步骤五，实现在线式增量学习。

3.根据权利要求1所述的基于增量式超限向量回归机集成网络的实时电力负荷预测方法，其特征在于，在线负荷预测阶段包括下列步骤：步骤一、实时采集一个批次影响负荷的相关因素的数据B并进行数据归一化；

步骤二、基于训练后的II-ESVR模型，以采集数据B的相关影响因素数据作为II-ESVR的输入，分别计算集成网络II-ESVR中的P个IESVR模型输出 对单个IESVR模型输出 计算方法如下：

1)计算预测样本数据的隐含层特征映射矩阵Φ(B)：

2)定义H＝[Φ(B) e]，e代表单位向量；

3)计算

其中W为经过训练后IESVR模型的最新权值输出矩阵； 为电力负荷采集数据对应的预测结果， 对每一组影响因素采集数据xi∈[1N]，均有与其对应的预测结果yi∈[1N]，实现了批量输入数据的实时预测；

步骤三、计算集成网络II-ESVR短期负荷预测结果