短期负荷预测模型构建方法、装置、设备及可读存储介质制造方法及图纸

本申请涉及一种短期负荷预测模型构建方法、装置、设备及可读存储介质，涉及短期负荷预测技术领域，基于mRMR

【技术实现步骤摘要】
短期负荷预测模型构建方法、装置、设备及可读存储介质


[0001]本申请涉及短期负荷预测
，特别涉及一种短期负荷预测模型构建方法、装置、设备及可读存储介质。

技术介绍

[0002]短期负荷预测能够在电力系统规划方面、电力系统调度运行方面、电力市场交易方面、电力系统储能调控方面以及电力系统稳定性分析等各个方面发挥重要作用。短期负荷预测的本质就是对历史数据进行深入挖掘，从中找出负荷与多种影响因素的内在关联，建立映射关系，达到准确预测的目的。但是电力负荷具有易受人们工作作息、生活习惯和气候条件等多方面因素的影响以及复杂多变的特性，这也使得深入挖掘负荷特性变得困难，给负荷预测工作带来了不便。
[0003]相关技术中，关于短期负荷预测模型一般采用传统的统计预测模型进行预测。其中，统计预测模型包括时间序列模型、回归分析模型和指数平滑模型等。比如，时间序列模型根据时间序列呈现出的过程特性来建立和估计该随机过程的模型，然后用该模型进行预测，其可以分为处理平稳时序的自回归模型、移动平均模型和自回归动平均模型以及处理非平稳时序的累积式自回归移动平均模型。传统的统计预测模型虽然具有预测效率高和模型简单的优点，但是其对于非线性序列的预测精度不高且鲁棒性较差。
[0004]此外，目前的负荷预测模型在进行模型训练时，往往未对输入特征进行选择，以致模型训练效果较差，进而导致预测精度较差；且当前的负荷预测模型一般是单一预测模型，其存在泛化性能弱的问题，而随着在新型电力系统中新能源和主动负荷的广泛接入，以致短期负荷随机、波动性增强，进而导致短期负荷预测面临更大的挑战。

技术实现思路

[0005]本申请提供一种短期负荷预测模型构建方法、装置、设备及可读存储介质，以解决相关技术中传统负荷预测模型存在的预测精度差和泛化性能弱的问题。
[0006]第一方面，提供了一种短期负荷预测模型构建方法，包括以下步骤：
[0007]获取原始特征集，所述原始特征集包括日历规则特征、天气影响特征和历史负荷特征，并基于mRMR
‑
IPSO特征选择方法对所述原始特征集进行筛选，得到初始特征数据集；
[0008]基于所述初始特征数据集对初始Stacking集成学习模型进行优化训练，得到初始预测模型；
[0009]将所述初始特征数据集输入至所述初始预测模型，得到负荷预测误差序列，并基于所述负荷预测误差序列构建误差特征集，所述误差特征集包括日历规则特征、天气影响特征和历史误差特征，且基于mRMR
‑
IPSO特征选择方法对所述误差特征集进行筛选，得到误差特征数据集；
[0010]基于所述误差特征数据集对初始Stacking集成学习模型进行优化训练，得到误差预测模型；
[0011]基于初始预测模型和误差预测模型创建短期负荷预测模型。
[0012]一些实施例中，所述基于mRMR
‑
IPSO特征选择方法对所述原始特征集进行筛选，得到初始特征数据集，包括：
[0013]基于mRMR算法的相关性特性和最大相关最小冗余特性从所述原始特征集中筛选出初选特征子集；
[0014]对所述初选特征子集进行二进制编码并产生初始化种群；
[0015]基于IPSO算法对所述初始化种群进行迭代更新，得到初始特征数据集。
[0016]一些实施例中，在所述基于所述初始特征数据集对初始Stacking集成学习模型进行优化训练，得到初始预测模型的步骤之前，还包括：
[0017]基于所述初始特征数据集分别对预设的预测模型集合中的多个独立预测模型进行训练，得到多个训练后预测模型；
[0018]基于模型预测精度和模型预测误差相关性从多个训练后预测模型中筛选出至少一个第一预测模型和一个第二预测模型；
[0019]基于第一预测模型和第二预测模型构建初始Stacking集成学习模型，所述第一预测模型作为所述初始Stacking集成学习模型的基模型，所述第二预测模型作为所述初始Stacking集成学习模型的元模型。
[0020]一些实施例中，所述预测模型集合包括LightGBM模型、LSTM模型、RF模型、XGBoost模型、GBDT模型、DBN模型、SVR模型和KNN模型。
[0021]一些实施例中，所述基于所述初始特征数据集对初始Stacking集成学习模型进行优化训练，得到初始预测模型，包括：
[0022]基于所述初始特征数据集和K折交叉验证对各个基模型进行训练，并输出各个基模型的测试结果，其中，K为正整数；
[0023]将各个基模型的测试结果进行合并，得到测试结果集；
[0024]基于所述测试结果集对元模型进行训练，生成初始预测模型。
[0025]一些实施例中，所述负荷预测误差序列E的计算公式为：
[0026][0027]式中，L
tranin
表示与初始特征数据集对应的负荷真实值，表示与初始特征数据集对应的负荷预测值。
[0028]一些实施例中，在所述基于所述初始预测模型和所述误差预测模型创建短期负荷预测模型的步骤之后，还包括：
[0029]使所述短期负荷预测模型基于初始预测模型输出的负荷初步预测值和误差预测模型输出的负荷误差预测值计算得到短期负荷预测值。
[0030]第二方面，提供了一种短期负荷预测模型构建装置，包括：
[0031]第一数据处理单元，其用于获取原始特征集，所述原始特征集包括日历规则特征、天气影响特征和历史负荷特征，并基于mRMR
‑
IPSO特征选择方法对所述原始特征集进行筛选，得到初始特征数据集；
[0032]第一模型训练单元，其用于基于所述初始特征数据集对初始Stacking集成学习模型进行优化训练，得到初始预测模型；
[0033]第二数据处理单元，其用于将所述初始特征数据集输入至所述初始预测模型，得到负荷预测误差序列，并基于所述负荷预测误差序列构建误差特征集，所述误差特征集包括日历规则特征、天气影响特征和历史误差特征，且基于mRMR
‑
IPSO特征选择方法对所述误差特征集进行筛选，得到误差特征数据集；
[0034]第二模型训练单元，其用于基于所述误差特征数据集对初始Stacking集成学习模型进行优化训练，得到误差预测模型；
[0035]模型创建单元，其用于基于初始预测模型和误差预测模型创建短期负荷预测模型。
[0036]第三方面，提供了一种短期负荷预测模型构建设备，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现前述的短期负荷预测模型构建方法。
[0037]第四方面，提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现前述的短期负荷预测模型构建方法。
[0038]本申请提供的技术方案带来的有益效果包括：有效提高了短期负荷预测模型的预测精度和泛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短期负荷预测模型构建方法，其特征在于，包括以下步骤：获取原始特征集，所述原始特征集包括日历规则特征、天气影响特征和历史负荷特征，并基于mRMR
‑
IPSO特征选择方法对所述原始特征集进行筛选，得到初始特征数据集；基于所述初始特征数据集对初始Stacking集成学习模型进行优化训练，得到初始预测模型；将所述初始特征数据集输入至所述初始预测模型，得到负荷预测误差序列，并基于所述负荷预测误差序列构建误差特征集，所述误差特征集包括日历规则特征、天气影响特征和历史误差特征，且基于mRMR
‑
IPSO特征选择方法对所述误差特征集进行筛选，得到误差特征数据集；基于所述误差特征数据集对初始Stacking集成学习模型进行优化训练，得到误差预测模型；基于初始预测模型和误差预测模型创建短期负荷预测模型。2.如权利要求1所述的短期负荷预测模型构建方法，其特征在于，所述基于mRMR
‑
IPSO特征选择方法对所述原始特征集进行筛选，得到初始特征数据集，包括：基于mRMR算法的相关性特性和最大相关最小冗余特性从所述原始特征集中筛选出初选特征子集；对所述初选特征子集进行二进制编码并产生初始化种群；基于IPSO算法对所述初始化种群进行迭代更新，得到初始特征数据集。3.如权利要求1所述的短期负荷预测模型构建方法，其特征在于，在所述基于所述初始特征数据集对初始Stacking集成学习模型进行优化训练，得到初始预测模型的步骤之前，还包括：基于所述初始特征数据集分别对预设的预测模型集合中的多个独立预测模型进行训练，得到多个训练后预测模型；基于模型预测精度和模型预测误差相关性从多个训练后预测模型中筛选出至少一个第一预测模型和一个第二预测模型；基于第一预测模型和第二预测模型构建初始Stacking集成学习模型，所述第一预测模型作为所述初始Stacking集成学习模型的基模型，所述第二预测模型作为所述初始Stacking集成学习模型的元模型。4.如权利要求3所述的短期负荷预测模型构建方法，其特征在于，所述预测模型集合包括LightGBM模型、LSTM模型、RF模型、XGBoost模型、GBDT模型、DBN模型、SVR模型和KNN模型。5.如权利要求3所述的短期负荷预测模型构建方法，其特征在于，所述基于所述初始特征数据集对初始Sta...

【专利技术属性】
技术研发人员：胡志坚，焦龄霄，李天格，刘盛辉，
申请(专利权)人：武汉大学，
类型：发明
国别省市：