1.一种基于MBG优化的电力负荷时间序列预测方法，其特征在于，包括以下步骤：

1)对电力系统的负荷数据进行实时采集，获得电力负荷时间序列数据；

2)采用一种CM模型对电力负荷时间序列进行建模；

3)采用小批量梯度下降优化(MBG)算法对步骤2)中CM模型的参数集θ进行在线优化；

4)采用最小信息量准则来选择最优CM模型的阶次p和m。

2.根据权利要求1所述的基于MBG优化的电力负荷时间序列预测方法，其特征在于，步骤2)中，用于对电力负荷时间序列进行建模的CM模型，具体结构如下：其中，yk为电力负荷的第k个采样数据；ξk为CM模型的建模误差；p和m为CM模型的阶次；||·||2为二范数运算； 为CM模型的线性权，且n1＝0,1,...,p、n2＝0,1,...,m； 为CM模型的中心，且n3＝1,...,m；wk为CM模型的状态向量，且wk＝yk-1。

3.根据权利要求1所述的基于MBG优化的电力负荷时间序列预测方法，其特征在于，步骤2)中，通过定义 其中：yp,k＝[yk-1,yk-2,...,yk-p]T，且

则CM模型可变换为yk＝μT(z,k)c+ξk的形式，其中：z＝[z1,z2,...,zm]T，c＝[c0,0,c1,0,...,cp,0,c0,1,c0,2,...,c0,m,c1,1,c1,2,...,c1,m,...,cp,1,cp,2,...,cp,m]T。

4.根据权利要求1所述的基于MBG优化的电力负荷时间序列预测方法，其特征在于，步骤3)中，用于对CM模型的参数集θ＝[cT,zT]T进行优化的小批量梯度下降优化(MBG)算法，具体优化过程包括：(1)当k＝1时，对MBG优化算法进行初始化。选择待优化参数集θ的初始值且向量 和 中的各组成元素均设置为0到1之间的随机量；设置MBG优化算法的收敛因子初值为βθ,0＝1；设置MBG优化算法的遗忘因子α＝0.92；设置MBG优化算法的终止误差δ＝1×

10-5。

(2)实时采集和存储电力负荷的采样数据yk直到k≥l，且l≥p>2。此时计算yp,k＝[yk-1,T Tyk-2,...,yk-p]，Y(l,k)＝[yk,yk-1,...,yk-l+1]。

(3)MBG优化算法在第k-1步到第k步时，待优化参数 的更新过程为：计算其中wk＝yk-1；计算

其中：yp,k＝[yk-1,yk-2,...,yk-p]T，且计算偏导数

计算算法的整体信息向量 计算算法的堆叠矩阵

且

计算

计算算法的收敛因子 且遗忘因子α＝0.92；更新此时的模型参数

(4)判断MBG优化算法是终止还是继续优化。比较 和 当 时，则k＝k+

1，并跳转至Step3；否则MBG优化过程结束，并定义参数N＝k，则此时MBG算法优化出的CM模型参数 即

5.根据权利要求1所述的基于MBG优化的电力负荷时间序列预测方法，其特征在于，步骤4)中，最小信息量的具体结构为：