一种具有自动超参检索的月度用电量预测方法及系统技术方案

本发明专利技术公开了一种具有自动超参检索的月度用电量预测方法，至少包括以下步骤：获取历史用电数据和通过网络数据爬虫获取多个特征变量值；通过PCA算法对多个特征变量值进行降维处理和日电量集处理，得到特征变量矩阵和日电量集；根据随机森林算法对特征变量矩阵和日电量集进行计算，建立用电量预测模型；对用电量预测模型进行自动超参检索计算，得到最优超参数；根据最优超参数对用电量预测模型进行训练，得到最优预测模型；根据最优预测模型计算得到最优预测用电量。本发明专利技术提供的一种具有自动超参检索的月度用电量预测方法及系统，能有效准确且可靠地得到月度用电量预测的结果，从而能够为电力公司的用电趋势分析、售电价评判提供可靠的信息。

A Monthly Electricity Consumption Forecasting Method and System with Automatic Superparametric Retrieval

【技术实现步骤摘要】
一种具有自动超参检索的月度用电量预测方法及系统
本专利技术涉及电量预测
，尤其涉及一种具有自动超参检索的月度用电量预测方法及系统。
技术介绍
目前用电量的预测，采取了人工方式加Excel表方式，将历史用电数据进行人工统计，主要凭借经验，在季节、节假日条件下的月份进行一个百分比的加减方式和简单的数学公式来预测用电量。采用现有的技术进行用电量的预测，存在如下问题：欠缺考虑多个外部影响因素的综合性，比如天气温度、季节、节假日、GDP。多个外部影响因素的特征变量值获取靠人工获取或更新，及时性差；并且这些特征变量的相关性算法缺失，全凭借人工经验来计算预测，准确性差。无法给电力公司的用电趋势分析、售电价评判提供可靠的信息依据，导致电力公司的用电决策失误，严重的时候导致用电力公司经济损失，还有会导致社会民众不满的情绪。
技术实现思路
本专利技术实施例提供一种具有自动超参检索的月度用电量预测方法及系统，能有效准确且可靠地得到月度用电量预测的结果，从而能够为电力公司的用电趋势分析、售电价评判提供可靠的信息。为解决上述问题，一方面，本专利技术的第一实施例提供了一种具有自动超参检索的月度用电量预测方法，至少包括以下步骤：获取历史用电数据和通过网络数据爬虫获取多个特征变量值；通过PCA算法对所述多个特征变量值进行降维处理和日电量集处理，得到特征变量矩阵和日电量集；根据随机森林算法对所述特征变量矩阵和日电量集进行计算，建立用电量预测模型；对所述用电量预测模型进行自动超参检索计算，得到最优超参数；根据所述最优超参数对所述用电量预测模型进行训练，得到最优预测模型；根据所述最优预测模型计算得到最优预测用电量进一步地，所述多个特征变量包括：GDP数据、天气温度、节假日数据、季节数据和历史用电量数据。进一步地，所述通过PCA算法对所述多个特征变量值进行降维处理和日电量集处理，得到特征变量PCA矩阵和日电量集，具体为：通过读取所述多个特征变量值得到输入训练集和输入测试集，根据PCA算法对所述输入训练集和输入测试集进行降维处理，得到特征变量PCA矩阵；通过读取日电量值形成输出训练集和输出测试集，根据PCA算法对所述输出训练集和输出测试集进行降维处理，得到日电量集。进一步地，所述根据随机森林算法对所述特征变量PCA矩阵和日电量集进行计算，建立用电量预测模型，具体为：根据随机森林算法对所述PCA矩阵中的训练集和测试集进行计算，并选用决策树CART算法的基尼系数值作为评判标准，建立用电量预测模型。进一步地，所述对所述用电量预测模型进行自动超参检索计算，得到最优超参数，具体为：设定一个初始超参数检索长度，利用数组保存不同超参数下的loss，通过Min函数取得最低loss点的超参数，并检索定位所述最低loss点的超参数的位置，将所述超参数作为最优超参数。进一步地，所述根据所述最优预测模型计算得到月度预测用电量，具体为：根据所述最优预测模型进行日预测，得到第一预电量预测值向量和第二电量预测值向量，本月预测用电量为本月预测日之前历史用电量之和与所述第一电量预测值向量累加得到，下个月预测用电量为所述第二电量预测值向量；其中所述第一预测值向量为本月预测日到本月底的每日电量预测值向量，所述第二电量预测值向量为下个月每日电量预测值向量。另一方面，本专利技术的第二实施例提供了一种具有自动超参数检索的月度用电量预测系统，包括数据获取模块、降维处理模块、模型建立模块、超参检索模块、训练模块和电量计算模块；所述数据获取模块，用于获取历史用电数据和通过网络数据爬虫获取多个特征变量值；所述降维处理模块，用于通过PCA算法对所述多个特征变量值进行降维处理和日电量集处理，得到特征变量矩阵和日电量集；所述模型建立模块，用于根据随机森林算法对所述特征变量矩阵和日电量集进行计算，建立用电量预测模型；所述超参检索模块，用于对所述用电量预测模型进行自动超参检索计算，得到最优超参数；所述训练模块，用于根据所述最优超参数对所述用电量预测模型进行训练，得到最优预测模型；所述电量计算模块，用于根据所述最优预测模型计算得到最优预测用电量。进一步地，所述降维处理模块，具体用于：通过读取所述多个特征变量值得到输入训练集和输入测试集，根据PCA算法对所述输入训练集和输入测试集进行降维处理，得到特征变量PCA矩阵；通过读取日电量值形成输出训练集和输出测试集，根据PCA算法对所述输出训练集和输出测试集进行降维处理，得到日电量集。进一步地，所述对所述用电量预测模型进行自动超参检索计算，得到最优超参数，具体为：设定一个初始超参数检索长度，利用数组保存不同超参数下的loss，通过Min函数取得最低loss点的超参数，并检索定位所述最低loss点的超参数的位置，将所述超参数作为最优超参数。进一步地，所述电量计算模块，具体用于：根据所述最优预测模型进行日预测，得到第一预电量预测值向量和第二电量预测值向量，本月预测用电量为本月预测日之前历史用电量之和与所述第一电量预测值向量累加得到，下个月预测用电量为所述第二电量预测值向量；其中所述第一预测值向量为本月预测日到本月底的每日电量预测值向量，所述第二电量预测值向量为下个月每日电量预测值向量。本专利技术实施例提供一种具有自动超参检索的月度用电量预测方法及系统，能有效准确且可靠地得到电量预测的结果，从而能够为电力公司的用电趋势分析、售电价评判提供可靠的信息依据。附图说明图1是本专利技术提供的一种具有自动超参检索的月度用电量预测方法的流程示意图；图2是本专利技术提供的一种具有自动超参检索的月度用电量预测方法的另一流程示意图；图3是本专利技术提供的一种具有自动超参检索的月度用电量预测系统的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1-2：本专利技术的第一实施例。本专利技术实施例提供了一种具有自动超参检索的月度用电量预测方法，至少包括以下步骤：S1、获取历史用电数据和通过网络数据爬虫获取多个特征变量值；S2、通过PCA算法对多个特征变量值进行降维处理和日电量集处理，得到特征变量矩阵和日电量集；S3、根据随机森林算法对特征变量矩阵和日电量集进行计算，建立用电量预测模型；S4、对用电量预测模型进行自动超参检索计算，得到最优超参数；S5、根据最优超参数对用电量预测模型进行训练，得到最优预测模型；S6、根据最优预测模型计算得到最优预测用电量。本专利技术实施通过网络数据爬虫的方式获取多个特征变量，且爬取数据存放于预测模型数据库对应的日期，有利于保证数据的及时性；通过PCA算法对多个特征变量进行降维处理，能够有效解决特征变量之间的相关性冗余和过拟合问题；通过对多个特征变量进行降维处理，综合考虑了多个外部因素对用电量预测的影响，能够有效地提高数据获取的及时性，以及有效地提高用电量预测结果的准确性和可靠性；本专利技术实施例通过自动超参检索选择出最优超参数对预测模型进行训练和更新，能够进一步提高预测结果的准确性，从而有利于为电力公司的用电趋势分析和售电价评判提供可靠的信息依据，从而有利于本文档来自技高网...

【技术保护点】
1.一种具有自动超参检索的月度用电量预测方法，其特征在于，至少包括以下步骤：获取历史用电数据和通过网络数据爬虫获取多个特征变量值；通过PCA算法对所述多个特征变量值进行降维处理和日电量集处理，得到特征变量矩阵和日电量集；根据随机森林算法对所述特征变量矩阵和日电量集进行计算，建立用电量预测模型；对所述用电量预测模型进行自动超参检索计算，得到最优超参数；根据所述最优超参数对所述用电量预测模型进行训练，得到最优预测模型；根据所述最优预测模型计算得到最优预测用电量。

【技术特征摘要】
1.一种具有自动超参检索的月度用电量预测方法，其特征在于，至少包括以下步骤：获取历史用电数据和通过网络数据爬虫获取多个特征变量值；通过PCA算法对所述多个特征变量值进行降维处理和日电量集处理，得到特征变量矩阵和日电量集；根据随机森林算法对所述特征变量矩阵和日电量集进行计算，建立用电量预测模型；对所述用电量预测模型进行自动超参检索计算，得到最优超参数；根据所述最优超参数对所述用电量预测模型进行训练，得到最优预测模型；根据所述最优预测模型计算得到最优预测用电量。2.如权利要求1所述的具有自动超参检索的月度用电量预测方法，其特征在于，所述多个特征变量包括：GDP数据、天气温度、节假日数据、季节数据和历史用电量数据。3.如权利要求1所述的具有自动超参检索的月度用电量预测方法，其特征在于，所述通过PCA算法对所述多个特征变量值进行降维处理和日电量集处理，得到特征变量PCA矩阵和日电量集，具体为：通过读取所述多个特征变量值得到输入训练集和输入测试集，根据PCA算法对所述输入训练集和输入测试集进行降维处理，得到特征变量PCA矩阵；通过读取日电量值形成输出训练集和输出测试集，根据PCA算法对所述输出训练集和输出测试集进行降维处理，得到日电量集。4.如权利要求1所述的具有自动超参检索的月度用电量预测方法，其特征在于，所述根据随机森林算法对所述特征变量PCA矩阵和日电量集进行计算，建立用电量预测模型，具体为：根据随机森林算法对所述PCA矩阵中的训练集和测试集进行计算，并选用决策树CART算法的基尼系数值作为评判标准，建立用电量预测模型。5.如权利要求1所述的具有自动超参检索的月度用电量预测方法，其特征在于，所述对所述用电量预测模型进行自动超参检索计算，得到最优超参数，具体为：设定一个初始超参数检索长度，利用数组保存不同超参数下的loss，通过Min函数取得最低loss点的超参数，并检索定位所述最低loss点的超参数的位置，将所述超参数作为最优超参数。6.如权利要求1所述的具有自动超参检索的月度用电量预测方法，其特征在于，所述根据所述最优预测模型计算得到月度预测用电量，具体为：根据所述最优预测模型进行日预测，得到第一预电量预测值向量和第二电量预测值向量，本月预测用电量为本月预测日之前历史用电量之和与所述第一...

【专利技术属性】
技术研发人员：冯彩彩，成国华，李国文，蔡志，冯景峰，
申请(专利权)人：广州市准诚市场咨询有限公司，
类型：发明
国别省市：广东,44