数据攻击下基于L1范数与无核支持向量的电力负荷鲁棒预测方法研究

How to accurately forecast the electric load under the large-scaled data attacks is not only a hot research topic in the field of electric load forecasting, but also a hot issue that the industry and governments pay close attention to. The L2-norm used in the classical electric load forecasting methods is sensitive to outliers, and the dependence of kernel-based support vector technology on the selections of kernel functions and its parameters, restrict the effectiveness and efficiency of their electric load forecasting performance under the large-scaled cyber data attacks. In order to greatly reduce the impacts of large amounts of attacked data points and to efficiently forecast the accurate electric load, this project proposes the robust electric load forecasting methods based on L1-norm and kernel-free quadratic surface support vector. The research contents includes: based on the analysis of effectiveness of classical electric load forecasting methods under a variety of large-scaled data attacks, establish L1-norm based robust regression, kernel-free quadratic surface support vector regression and clustering methods for different types of data attacks and demands of electric load forecasting, and analyze their theoretical properties and robustness; design the corresponding alternating direction multiplier or linear conic programming algorithm to solve them, and verify their effectiveness and efficiency under a variety of large-scaled cyber data attacks. The objective of this project is to lead a new research direction in the fields of electric load (and even energy, financial, economic and so forth) forecasting, and provide the new thoughts for the research and application of robust forecasting methods.

电网受到大规模数据攻击下如何准确预测电力负荷既是电力负荷预测领域的新兴研究热点，亦是业界和各国政府关注的热点问题。经典电力负荷预测方法所采用的L2范数对奇异点敏感，有核支持向量技术对核函数及其参数选定的依赖，均制约其在大规模网络数据攻击下电力负荷预测的效果及效率。为了大幅度降低被攻击大量数据点的影响且快速准确地预测电力负荷，本项目提出基于L1范数和无核二次曲面支持向量的电力负荷鲁棒预测方法，研究内容包括：在分析多种大规模数据攻击下经典电力负荷预测方法的有效性之基础上，针对不同的数据攻击及电力负荷预测的需求，建立基于L1范数的鲁棒回归、无核二次曲面支持向量回归及聚类方法，并分析其理论性质及鲁棒性；设计相应的交替方向乘子法或线性锥优化算法求解，在多种大规模网络数据攻击下验证其效果及效率。该项目为电力负荷（乃至能源、金融及经济）预测等领域引领新的研究方向，为鲁棒预测方法的研究和应用提供新的思路。

电网受到大规模数据攻击下如何准确预测电力负荷既是电力负荷预测领域的新兴研究热点，亦是业界和各国政府关注的热点问题。本项目着眼于建立基于L1范数与无核支持向量的机器学习方法实现大规模网络数据攻击下电力负荷鲁棒预测，从而避免传统电力负荷预测方法在大规模网络数据攻击下失效所导致的严重停电和重大的经济损失。此研究思路观点新颖独特，对电力负荷预测领域有着重要的突破和参考意义。通过这三年的系统研究，本项目预期研究目标均已顺利完成。本项目在分析多种大规模数据攻击下经典电力负荷预测方法的有效性之基础上，针对不同的数据攻击，系统建立并分析基于L1范数的鲁棒回归、无核支持向量回归、分类及聚类方法等，并分析其理论性质及鲁棒性，实现大规模网络数据攻击下电力负荷预测，避免L2范数和传统支持向量机核函数的困扰。从大量的现实数据验证及已有成果看，这些新方法既大幅度降低已被攻击大量明显偏离正常水平数据点的影响又保证电力负荷预测的实时性及精确性，具有更好的鲁棒性、效率和普适性，在理论和实际上都有着重要的科学意义。因此，本项目的研究为大规模网络数据攻击下电力及其它行业（包括能源、金融、经济等行业）预测问题的研究引领一个切实可行的新方向。同时，本项目为求解大规模非凸无核支持向量模型提供了新的途径，设计更高效的线性锥优化算法（或分解算法），推动了无核支持向量模型在众多实际领域（尤其是能源、金融、供应链管理等领域）的应用，为电力负荷的鲁棒预测方法（尤其是鲁棒支持向量方法）的研究和应用提供新的思路、有效的算法和工具。