1.一种基于最大相关熵准则的最小二乘支持向量机电量预测方法，其特征在于，按照以下步骤实施：

步骤1、以历史三年的同期用电量以及所对应的月平均气温作为自变量，构建输入数据集xi(i＝1,2,...n)，用最小二乘支持向量机方法，构建待测月的售电量预测模型；

步骤2、数据预处理，

对历史用电量数据可能出现的缺损数据，利用往年同期的用电量与同年上、下月的用电量进行加和平均进行补充；

步骤3、对输入数据集进行归一化处理，由于输入数据集中含有历史用电量与历史气温两种输入，对输入数据集xi进行归一化处理见式(1)：

*

其中，xi表示归一化之后的输入数据集，xmax和xmin分别表示输入数据中的最大值与最小值；

步骤4、针对历史用电量、气温小样本数据的统计现状，选用最小二乘支持向量机模型进行售电量预测，具体过程是：最小二乘支持向量机的原始最优化问题见式(2)：其中，n表示训练样本中的数据总数；C为惩罚因子；ξi表示松弛变量；两个参数(ω,b)∈n

R×R是控制函数的参数；φ(xi)为输入空间到某个特征空间的映射；yi表示输出数据集，即最终所求的电量预测值；

通过拉格朗日对偶性，将原目标函数及约束条件变换到其对偶变量(Dual Variable)的优化问题，得到下式(3)：L为变换得到的拉格朗日函数，αi即为拉格朗日乘子，解上式，得线性方程组，见式(4)：其中，K为n×n的核矩阵，将输入数据集xi分为训练集xtrian和测试集xtest，T T

σ0为核宽度，Y＝[y1,y2,...,yn] ，e＝[1,1,...,1] ；

将系数α和b解出后，即可得到最终的预测结果回归模型，称为最小二乘支持向量机模型，见式(5)：

步骤5、引入K‑折交叉验证与网格寻优法对模型的关键参数σ0与σ进行优化，并使用最大相关熵准则代替均方误差准则作为模型的参数优化评价准则，确定最优参数，具体过程是：为了使最小二乘支持向量机模型适应具有非高斯误差分布的时间序列预测，对于最小二乘支持向量机中的关键参数，采用最大相关熵准则代替最小二乘支持向量机模型中原有的均方误差准则，作为参数优化评价准则的预测机制，避免出现局部过大误差的情况，使得当训练样本不满足高斯分布时也能找到合适的参数，并引入K‑折交叉验证确保参数的普适性，最大相关熵准则的表达式见式(6)：其中，σ表示核参数，yreal表示电量真实值，由该式可以看出此函数恒为正值，当且仅当电量真实值yreal与电量预测值yi相等时函数有最大值；

步骤6、将输入数据集分为训练集和测试集，引入K‑折交叉验证与网格寻优法对最小二乘支持向量机模型的关键参数σ0与σ进行优化，具体过程是：在参数优化过程中，首先定义参数所处区间，将参数区间划分为一定数量的网格，每个网格代表一组参数；训练过程中，在每个网格内参数的指导下都会生成一个误差值，即MCC值；遍历完所有网格的参数后，选择最大的MCC值所对应的网格内参数作为最优参数；

步骤7、选用月相对误差与年平均相对误差作为预测结果的评价指标，计算此时的预测精度，年平均相对误差的计算见式(7)：其中，N为12，代表一年中12个月，j为第j月；

步骤8、进行至少3‑5次预测，取平均值。