**
Holographic Ensemble Forecasting Method for Short-Term Power Load
**
本文提出了一种全息集成预测方法（HEFM）。首先，我们使用MI和统计方法来选择特征变量，这是关于数据集级别的跨边界多源数据的信息集合。目的是通过跨境多源数据的相关性，追踪负荷变化的来源，揭示负荷变化的内在规律和趋势。然后，利用bootstrap进行分集采样，得到多个训练集，bootstrap是采样空间层次上多个样本集的信息集合。其目的是有效地克服单一模型过拟合和泛化能力有限的缺点。接下来，我们使用不同的人工智能和机器学习算法构建了一个多模型，这是关于多个非线性异构模型的信息在前向模型层的集合。目的是利用多种算法的互补优势，解决单一算法应用有限的问题。最后，利用原始特征，即在第一次学习中训练的多个异构模型输出的预测负荷，以及每次预测时间前最近一段的实际负荷，生成一个新的训练集，用于在线二次学习和最终预测。这是一个决策层的在线二次学习信息集合，目的是减少电力负荷时间序列中由负荷增长率和近期效应引起的预测误差。基于数据集、采样空间、预测模型和决策四个层次的多类别多状态信息集成构成了HEFM的框架，其实质是对铸造过程的整个生命周期进行综合信息集成的预测方法。本文将HEFM应用于城市电网日总负荷和日高峰负荷预测。我们通过实验和对比研究，从数据集选择、多样性抽样、多个异质模型的构建和在线二次学习四个层面探讨了信息整合。
第一步是数据集选择，利用MI和统计信息选择跨境和多源数据，得到训练集和测试集。第二步，在采样空间建立多个非线性非均匀模型。利用bootstrap进行分集采样，生成多个训练集。在多训练集的基础上，利用LSSVM、iGBRT和BP对多模型进行离线训练。第三步是在线二次学习。我们利用原始特征，即在第一次学习中训练的多个异构模型输出的预测负荷，以及每次预测时间之前最近一段时间的实际负荷，生成一个新的训练集，用于在线第二次学习，利用LSSVM得到决策模型。第四步是全息集成预测。利用第一次学习训练的多模型输出的预测负荷和预测时刻的原始特征生成测试集。将测试集输入决策模型，实现在线预测，得到最终预测结果。
- 本文采用bootstrap方法，对数据集DS1进行m1、m2和m3次重采样，采样率为μ。模型L1，L2，…，Lm1，G1，G2，…，Gm2，和B1，B2，…，Bm3使用LSSVM，iGBRT和BP进行训练。然后得到多模型。
- 本文利用训练好的多模型对预测时间前的最后K次负荷进行预测。我们将预测负荷（Li1，Li2，…，Lim1），（Gi1，Gi2，…，Gim2）和（Bi1，Bi2，…，Bim3）作为新特征添加到原始特征集。然后我们获得新的训练集：
- 在在线二次学习中，针对不同的应用领域和数据集，所选择的学习方法可能有所不同。在负荷预测领域，对于非线性负荷和小训练集DS2，LSSVM基于结构风险最小化原理，仍能保证良好的泛化能力。经过在线二次学习，得到了决策模型。
