The invention discloses a short-term residential load forecasting method based on fast sequence floating feature selection. First, the original data feature of residential power load generates new data feature through feature engineering; then, the fast sequence floating backward feature selection is carried out for the generated new data feature to select the feature subset that is conducive to prediction, discard the feature subset that is not conducive to prediction, and finally The feature subsets which are good for prediction are input into the specific machine learning model, and the short-term residential load prediction results are obtained. Based on the advantages of feature scoring and feature search, the invention not only considers the importance of feature scoring for features, but also finds the most suitable feature subset for different machine learning models through search algorithm. At the same time, it overcomes the shortcomings of large amount of computing resources and computing time in feature search, and can search out the appropriate feature subset in a short computing time.
【技术实现步骤摘要】
一种基于快速序列浮动特征选择的短期住宅负荷预测方法
本专利技术涉及机器学习的
,尤其涉及到一种基于快速序列浮动特征选择的短期住宅负荷预测方法。
技术介绍
随着电力系统分发展,可再生能源将以更加分散的方式出现,分散于各个住宅的可再生能源产生与存储系统(如光伏屋顶)是潜在的未来电力系统工程。在此情形下,针对单个家庭或者住宅的负荷预测变得尤为重要。因为高精度的住宅负荷预测不仅有利于可再生能源系统的维护,还能最大化能源的利用效率,产生更高的经济效益。电力负荷预测是一个电力系统的一个典型任务,根据预测对象的不同级别,可以分为系统级别的负荷预测和住宅级别的负荷预测。现有的研究大多数是对于系统级别的负荷预测,如全市或者全小区的电力负荷预测。随着分布式能源的发展,住宅级别的负荷预测变得越来越重要,也受到了越来越高的关注。相比于系统级别的电力负荷预测,单个住宅的电力负荷波动性与随机性更高,因此预测的难度也越大。根据目的的不同,电力负荷可以分为长期、中期、短期几种。长期负荷预测是指未来3到5年甚者更长时间段内的负荷预测,主要是用于进行电网改造和扩建工作的规划;中期负荷是月至年的负荷预测,主要用于确定机组的运行方式和设备大修计划等;短期负荷预测是指周以内的负荷预测,可用于安排电力调度计划,包括负荷经济分配,电力系统安全性检测,设备检修等。在未来的多变且分布式电网场景中,短期负荷预测变得更加重要,本专利技术是用于短期住宅负荷预测的预测方法。对于短期住宅负荷预测,现有的方法大多将研究的重点放在了对于预测模型的改进 ...
【技术保护点】
1.一种基于快速序列浮动特征选择的短期住宅负荷预测方法,其特征在于,包括以下步骤:/nS1:短期住宅电力负荷的原数据特征经过特征工程生成新数据特征;/nS2:针对步骤S1生成的新数据特征进行快速序列浮动后向特征选择,选出有利于预测的特征子集,丢弃不利于预测的特征子集;/nS3:把选择后的利于预测的特征子集输入到特定机器学习模型中,得出短期住宅负荷的预测结果。/n
【技术特征摘要】
1.一种基于快速序列浮动特征选择的短期住宅负荷预测方法,其特征在于,包括以下步骤:
S1:短期住宅电力负荷的原数据特征经过特征工程生成新数据特征;
S2:针对步骤S1生成的新数据特征进行快速序列浮动后向特征选择,选出有利于预测的特征子集,丢弃不利于预测的特征子集;
S3:把选择后的利于预测的特征子集输入到特定机器学习模型中,得出短期住宅负荷的预测结果。
2.根据权利要求1所述的一种基于快速序列浮动特征选择的短期住宅负荷预测方法,其特征在于,所述步骤S2进行快速序列浮动后向特征选择的具体步骤如下:
S2-1:先使用多种不同的特征评分方法计算各个特征的评分,并根据特征在不同特征评分方法下的排名计算出其综合评分,综合排名越是靠前的特征其综合评分越好;
S2-2:从特征全集Yfull开始,开始时已选择的特征子集Yk=Yfull;
S2-3:从已选择的特征子集Yk中随机抽取R个特征,步骤S2-1中计算出的特征评分越好则该特征被抽到的概率越低,该R个特征组成特征子集Yt;
S2-4:重复步骤S2-3T次,得到T个特征子集Yt,t=1,…,T;
S2-5:在Yt中选择出丢弃后能使预测效果最好的一个记为最终要丢弃的特征子集Yd,丢弃特征后更新此时的已选择特征子集Yk=Yk-Yd;
S2-6:从丢弃的特征子集Yd中随机抽取lambda*R个特...
【专利技术属性】
技术研发人员:霍文浩,刘义,杨超,蒋丽,谢胜利,
申请(专利权)人:广东工业大学,
类型:发明
国别省市:广东;44
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。