，则认为Lk，i是坏数据，用Lk-1，i代 替。使用相关系数对变量降维。使用相关系数法排除与目标变量相关性低的变量。主要有以下三种方法：皮尔逊相关系数法（此方法对于异常值和非线性的情况敏 感）、采用Spearman相关系数法（此方法对于异常值和非单调的情况敏感）和Hoeffiding统计量（对有着多种关系的观测变量敏感）。鉴于本文 研究的问题为非线性回归方程。因此采用第一种方法计算相关性，并删除相关系数值大于0.25的变量（如风向等不相关变量），得到第一步相关性较高的变量 集。使用变量聚类再次降维。变量聚类的目的在于排除冗余变量．依据的原则是聚类后同一类别中的变量都是相似的变量，可以只取一个代表变量。变量选取的原则 是尽可能是组内相关性强而组间相关性弱的变量，即最能代表本类别中的变量而与其他类别的变量最不相关的变量。这一原则本质上也是考虑多变量共线性的问题， 即尽可能做到所选的自变量间不相关。表2为某地区8:00~11:00时段实时气象因子和全省负荷相关关系分析表。从表2中可以看出，气温和负荷的相关系 数最大，和风向的相关系数最小，和平时的预测经验一致。经过以上两个步骤，将每时段的气象变量维数从9个降到3个。
表2 地区8:00～11:00时段实时气象因子和全省负荷相关关系分析表
2.2 实时气象因子处理
根 据气象因子和电力负荷在不同时段的变化规律，对全省负荷采用分步、分时、分段、差分建模的方法，即将同气温关系不大的因素与同气温关系密切的因素分开，节 日负荷与非节日负荷分开，按一天不同时段分开，采用差分方程形式进行非线性回归方程建模。由高等数学中的幂级数理论，任何连续函数都可以用分段多项式来逼 近，气象因子和电力负荷回归建模常用的方程式为二次多项式。分段非线性回归模型参数如表3所示[4]。按照以上所述方法，对实时气象因子和电力负荷建立回归方程如下：
对于第i时段
▽Li=b0+b1×▽Ti+b2×▽Ti2+b3×▽Ri+b4×▽Ri2+b5×▽Ci+b6×▽Ci2+e
式中▽Li——前后两天第i时段负荷的差分；
▽Ti——前后两天第i时段气温的差分;
▽R
