The invention designs a cyclic neural network short-term load forecasting method based on information entropy clustering and ATTEENTION mechanism, which includes the following steps: analyzing the characteristics affecting the power load; calculating the information entropy of all features to the load by using xgboost algorithm; and using clustering algorithm to predict the historical data of the area based on each feature letter. Cluster analysis with information entropy as weight; select the cluster with the closest prediction day weight distance from the clustering results, and form time series T according to the distance prediction time from far to near; time series T is used as Encoder of ATTENTION cyclic neural network, and the prediction results are obtained by decoder. Compared with the existing technology, the invention has the advantages of high prediction accuracy and good adaptability.
【技术实现步骤摘要】
一种XGBoost在短期负荷预测中的应用
本专利技术涉及一种XGBoost在短期负荷预测中的应用。
技术介绍
短期负荷预测在电力控制、安全、市场运作和电网合理调度计划中都起到重要性作用。短期电力负荷预测主要用于预知未来几小时,一天或者一周左右电力负荷使用情况。高精度的短期负荷预测有利于缩减电网运营经济成本,电力系统设备调度与安全。由于电力负荷受各种因素的影响,在实际生产过程中很难实现高精度的负荷预测。在已经主要应用的短期负荷预测模型中,主要分为传统方法和人工智能方法。传统方法是基于数学模型来构造的,包括多元线性回归,随机时间序列,指数平滑和基于先验知识的方法。负荷预测是一个非线性问题,因此传统方法较难实现高精度的预测。人工智能方法主要采用人工神经网络,支持向量机,专家系统模型,模糊逻辑方法和贝叶斯神经网络等方法。由于负荷受到众多特征属性以及未知因素的影响,没有哪种方法能够保证在所有情况下都能保证高精度的预测结果。此外,随着智能电表的普及和各自然因素、社会因素数据的不断健全,如何从庞大的历史数据中选取最有效的部分也成为研究的热点。
技术实现思路
本专利技术的目的在于克服现有技术中存在的上述不足,而提供一种结构设计合理,XGBoost在短期负荷预测中的应用。本专利技术解决上述问题所采用的技术方案是:一种XGBoost在短期负荷预测中的应用,具体包括以下步骤:步骤1:对电力负荷数据进行预处理,确定预测模型的输入特征变量和输出目标;步骤2:使用极端梯度提升算法(xgboost)计算影响电力负荷各输入特征的信息熵,并归一化各特征的信息熵,以适配聚类算法对数据的要求;步骤 ...
【技术保护点】
1.一种XGBoost在短期负荷预测中的应用,其特征在于:具体包括以下步骤:步骤1:对电力负荷数据进行预处理,确定预测模型的输入特征变量和输出目标;步骤2:使用极端梯度提升算法(xgboost)计算影响电力负荷各输入特征的信息熵,并归一化各特征的信息熵,以适配聚类算法对数据的要求;步骤3:以各特征的信息熵作为重要性启发信息构造基于特征权重的聚类,即样本间距离采用加权欧氏距离衡量,调整聚类参数,使得聚类算法得到与要预测时间段负荷使用情况最相似的历史日;步骤4:依据距离预测时间由远到近将相似的历史日组成时间序列T;步骤5:时间序列T作为ATTENTION循环神经网络的编码器(Encoder)输入序列,训练预测模型;步骤6:判断训练模型是否收敛,如果尚未收敛则返回步骤5,否则由解码器(Decoder)获得负荷预测结果。
【技术特征摘要】
1.一种XGBoost在短期负荷预测中的应用,其特征在于:具体包括以下步骤:步骤1:对电力负荷数据进行预处理,确定预测模型的输入特征变量和输出目标;步骤2:使用极端梯度提升算法(xgboost)计算影响电力负荷各输入特征的信息熵,并归一化各特征的信息熵,以适配聚类算法对数据的要求;步骤3:以各特征的信息熵作为重要性启发信息构造基于特征权重的聚类,即样本间距离采用加权欧氏距离衡量,调整聚类参数,使得聚类算法得到与要预测时间段负荷使用情况最相似的历史日;步骤4:依据距离预测时间由远到近将相似的历史日组成时间序列T;步骤5:时间序列T作为ATTENTION循环神经网络的编码器(Encoder)输入序列,训练预测模型;步骤6:判断训练模型是否收敛,如果尚未收敛则返回步骤5,否则由解码器(Decoder)获得负荷预测结果。2.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用,其特征在于:步骤1中xgboost算法的输入特征包括:季节、温度(℃)、湿度(%)、风速(m/s)、降雨量、星期类型、法定节假日、日前负荷峰值、前七天的负荷平均、七天前负荷值、去年同时段负荷值,输出目标为以上各特征对于负荷值得信息熵(重要度)。3.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用,其特征在于:步骤2中,步骤2.1:构建算法的目标函数为:第一部分是训练误差,而第二部分是每棵树的复杂度的和,其中IJ={i|q(xi)=j}被定义为每个叶子上面样本集合表示每个数据点的在误差函数上的一阶导数和二阶导数,定义步骤2.2:将转化为如何求一个一维二次函数的最小值的问题,即:步骤2.3:其中特征信息熵计算公式如下:将得到的m...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。