【技术实现步骤摘要】
一种基于集成学习的交直流配电网负荷预测方法
本专利技术涉及交直流配电网负荷预测领域，具体涉及一种基于集成学习的交直流配电网负荷预测方法。
技术介绍
随着配电网中新能源并网以及电力电子设备的快速发展，电网中能源分布发生了很大变化。由于交直流配电网中不同类型负荷的接入，会导致负荷功率的急剧变化，所以需要精确的负荷预测，保证交直流混合配电网的优化调度，这对配电网安全稳定运行有着重要意义。传统负荷预测方法主要围绕单一机器学习模型展开，如支持向量回归，神经网络等模型。单个模型容易发生过拟合现象，增大负荷预测泛化误差，从而降低预测精度，并且单一机器学习模型对于负荷异常点较为敏感，针对于交直流配电网的负荷预测，更易发生过拟合现象。
技术实现思路
本专利技术的目的在于提供一种基于集成学习的交直流配电网负荷预测方法。实现本专利技术目的的技术解决方案为：一种基于集成学习的交直流配电网负荷预测方法，包括如下步骤：步骤1，对原始负荷数据进行负荷数据填充和归一化，利用滑动时间窗口采样负荷样本输入向量和样本标签，构造...
【技术保护点】
1.一种基于集成学习的交直流配电网负荷预测方法，其特征在于，包括以下步骤：/n步骤1，对原始负荷数据进行负荷数据填充和归一化，利用滑动时间窗口采样负荷样本输入向量和样本标签，构造训练数据集；/n步骤2，建立梯度提升模型，设置弱学习器个数，建立多个浅层神经网络来拟合梯度提升算法的负梯度，得到组合预测模型；/n步骤3，利用滑动时间窗口选取待预测时间点前的负荷向量作为输入向量，结合组合预测模型，确定负荷预测值。/n
【技术特征摘要】
1.一种基于集成学习的交直流配电网负荷预测方法，其特征在于，包括以下步骤：
步骤1，对原始负荷数据进行负荷数据填充和归一化，利用滑动时间窗口采样负荷样本输入向量和样本标签，构造训练数据集；
步骤2，建立梯度提升模型，设置弱学习器个数，建立多个浅层神经网络来拟合梯度提升算法的负梯度，得到组合预测模型；
步骤3，利用滑动时间窗口选取待预测时间点前的负荷向量作为输入向量，结合组合预测模型，确定负荷预测值。
2.根据权利要求1所述的基于集成学习的交直流配电网负荷预测方法，其特征在于，步骤1中，负荷数据填充的具体方法为：
按照时间顺序排列负荷数据，定位到负荷数据缺失点，利用缺失位置前后的负荷数据，通过三次样条插值拟合函数fθ(x)，对相应缺失时间点进行填充处理，得到原始负荷时间序列数据；
填充值表示如式(1)：
P(tmis)＝fθ(tmis)式(1)
式(1)中，tmis为负荷数据缺失时间点，fθ(x)为三次样条插值拟合函数。
3.根据权利要求1所述的基于集成学习的交直流配电网负荷预测方法，其特征在于，步骤1中，归一化的具体方法为：
式(2)中，P*(t)为归一化处理后的负荷时间序列数据，P0(t)为原始负荷时间序列数据，Pmax与Pmin分别为负荷数据的最大值与最小值，通过最大最小归一化，即可得到连续时间序列的归一化负荷数据。
4.根据权利要求1所述的基于集成学习的交直流配电网负荷预测方法，其特征在于，步骤1中，构造训练数据集的具体方法为：
利用滑动时间窗口对归一化负荷数据进行采样，滑动窗口长度为H，在归一化的负荷时间序列数据上进行滑动取样，滑动步长为1个时间步长，按照时间序列顺序得到训练数据集其中xi为H维向量作为负荷样本输入向量，向量中各特征为滑动窗口内负荷数据，yi为第H+1个负荷数据作为样本标签，n为训练样本数量。
5.根据权利要求1所述的基于集成学习的交直流配电网负荷预测方法，其特征在于，步骤2中，建立基于梯度提升算法的集成学习模型的具体方法为：
步骤21：初始化模型f0(x)
初始化模型f0(x)的具体计算公式为：
式(4)中，β为模型预测的常数值，yi为负荷样本的标签，n为训练样本个数，使所有样本损失总和最小的常数值即为f0(x)的取值，L为损失函数，采用...
【专利技术属性】
技术研发人员：柳伟，杨镇宁，朱肖镕，李娜，阮思洁，徐洲，张俊芳，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32
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。