一种基于多粒度特征和XGBoost模型的短期负荷预测方法技术

本发明专利技术涉及一种基于多粒度特征和XGBoost模型的短期负荷预测方法，包括以下步骤：采集待预测地区电力系统的历史短期负荷数据；分析历史短期负荷数据的波动影响因子，获取日期粒度信息和气象粒度信息；利用Pearson相关系数计算出日期粒度信息和气象粒度信息的多维粒度与短期负荷的相关性；根据相关性选出相关性高的特征组合；通过XGboost模型对筛选出来的相关性高的特征组合预测短期负荷。本发明专利技术使用了Pearson相关系数选取了多粒度相关性较高的特征作为输入，降低了模型的复杂度，并使用XGBoost作为预测模型，因此能够处理大规模数据分类问题，具有准确性高、不易过拟合、可扩展性高。性高。性高。

【技术实现步骤摘要】
一种基于多粒度特征和XGBoost模型的短期负荷预测方法


[0001]本申请涉及负荷预测
，尤其涉及一种基于多粒度特征和XGBoost模型的短期负荷预测方法。

技术介绍

[0002]短期负荷预测以日负荷曲线为预测对象，是负荷预测的重要组成部分。短期负荷预测方法主要分为传统预测方法和智能预测方法两大类。其中，传统预测方法包括时间序列、回归分析、指数平滑等，其模型简单，对负荷数据的规律性要求较高，对多因素影响下的短期负荷预测适应性较差，精度往往不高。
[0003]智能预测方法包括神经网络、支持向量机、深度学习等，已成为目前主流的预测方法，相对于传统预测方法，能更好地处理高维度、非线性问题，且可有效利用电力大数据，充分挖掘历史信息，具有预测精度高、适用范围广的优点，改善了传统方法预测精度提高受限的问题。其中，神经网络法具有很强的记忆能力、非线性映射能力和自学习能力，在电力负荷预测中得到广泛应用。
[0004]但智能预测方法仍有不足之处：一方面，其对输入变量和模型参数要求较高，输入变量的冗余或缺失以及模型参数设置的不合理将影响预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多粒度特征和XGBoost模型的短期负荷预测方法，其特征在于，包括以下步骤：采集待预测地区电力系统的历史短期负荷数据；分析历史短期负荷数据的波动影响因子，获取日期粒度信息和气象粒度信息；利用Pearson相关系数计算出日期粒度信息和气象粒度信息的多维粒度与短期负荷的相关性，根据所述相关性选出相关性高的特征组合；通过XGboost模型对筛选出来的相关性高的特征组合预测短期负荷。2.根据权利要求1所述的基于多粒度特征和XGBoost模型的短期负荷预测方法，其特征在于，所述日期粒度信息包括：日期、季节、节假日以及一年内的第几天、一周内的第几天、一个月内的第几天6个日期粒度信息。3.根据权利要求1所述的基于多粒度特征和XGBoost模型的短期负荷预测方法，其特征在于，所述气象粒度信息包括：某日的最高气温、最低气温、平均气温、温度等级、天气、风向、风速、平均相对湿度、大气压9个气象粒度信息。4.根据权利要求3所述的基于多粒度特征和XGBoost模型的短期负荷预测方法，其特征在于，利用Pearson相关性计算出日期粒度信息和气象粒度信息的多维粒度与短期负荷的相关性，包括：利用Pearson相关系数计算出日期粒度信息和气象粒度信息的15维粒度特征与短期负荷的相关性，计算公式如下，荷的相关性，计算公式如下，(1)和(2)式中，X为15维粒度特征，Y为短期负荷，cov(X,Y)表示X,Y的协方差；σ
X
和σ
Y
分别是X,Y的标准差，ρ表示两个变量之间的相关系数，取值范围为[
‑
1,1]；当0.8≤ρ<1时，称为极强相关性；当0.6≤ρ<0.8时，称为强相关；当0.4≤ρ<0.6时，称为中等程度相关；当0.2≤ρ<0.4时，称为弱相关；当0.0≤ρ<0.2时，称为极弱相关或不相关。5.根据权利要求1所述的基于多粒度特征和XGBoost模型的短期负荷预测方法，其特征在于，通过XGboost模型对筛选出来的相关性高的特征组合预测短期负荷，包括：确定一个含有n个样本、m个特征变量的数据集，确定一个含有n个样本、m个特征变量的数据集，其中，(3)中，x
i
为与短期负荷预测相关性较强的粒度，y
i
为x
i
对应的目标值，即短期负荷预测，R
m
为含m个特征变量特征数目的数据集；XGBoost的基学习器选择分类回归树，应用K个CART函数相加构成集成树模型来预测分类目标值，公式为：(4)式中Γ＝{f(X)＝ω
q(X)
},(ω∈R
T
,q:R
m
→
T)是分类回归树构成的函数空间，ω为叶子权重，q为每棵树的结构，即可以将数据映...

【专利技术属性】
技术研发人员：崔婧，曹敏，刘斯扬，聂永杰，赵娜，李婷，李博，唐标，尹春林，杨政，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：