本发明专利技术公开了一种基于Autoformer模型和XGBoost模型的多任务负荷预测方法及其系统，包括以下步骤：获取历史数据，分别提取时间特征、气象特征、人口特征以及居民负荷数据，从而构造历史时序数据；基于Autoformer模型进行对人口数量和居民负荷进行预测，得到一个时间段内人口数量预测值和居民最大负荷预测值；基于XGboost模型利用时间特征、气象特征以及Autoformer模型预测的人口数量预测值对同一个时间段内的居民最大负荷进行预测；将Autoformer模型和XGboost模型预测到的居民最大负荷进行融合，得到最终预测结果。该系统包括特征提取模块、Autoformer模型预测模块、XGboost模型预测模块和预测结果融合模块；本发明专利技术解决了现有技术中无法有效利用时序数据进行负荷预测这一问题。进行负荷预测这一问题。进行负荷预测这一问题。
【技术实现步骤摘要】
一种基于Autoformer模型和XGBoost模型的多任务负荷预测方法及其系统
[0001]本专利技术涉及电负荷预测
，更具体的说是涉及一种基于Autoformer模型和XGBoost模型的多任务负荷预测方法及其系统。
技术介绍
[0002]用电消耗预测是一个重要的研究领域，准确的电路负荷消耗预测能够给有效帮助电力公司进行电能分配和调度，提高资源的使用效率。
[0003]电量消耗预测是一个典型的时序问题，受到时间、天气、节假日、人口流动等多重因素的影响，具有典型复杂系统的不确定性和复杂性；尤其是近年来，人口流动受限，给电量消耗预测带来了更大的挑战。对于中长期预测而言，较大的预测时间跨度更加放大了系统的不确定因素。
[0004]一般地，时序预测方法可以分为传统的统计学方法、基于机器学习的方法以及基于深度学习的方法。传统统计学代表性算法有ARMA模型、ARIMA模型、AR模型等，传统统计学的算法只能学习时序特征，无法利用额外的特征；基于机器学习的算法可以利用更多的特征，能够以数据驱动的方式学习时间序列的时间动态。XGBoost算法是机器学习算法的典型代表，具有训练速度快，预测精度高等优点，在分类和回归任务上都有非常优秀的表现，但XGBoost是基于树的模型，基于树的模型的缺点在于外推能力较弱，对于预测问题来说，其预测值不会超过训练集数据最大最小值的范围。近些年，深度学习算法如RNN、LSTM以及Tranformer模型等也开始应用到时序预测问题上，基于深度学习的预测算法可以从大量数据中获得的强大表示学习能力，模型的泛化能力较强，其中Autoformer模型利用自相关机制代替了点注意力机制，尝试进一步寻找子序列的相似性，在长时间时序数据预测上更具优势。但是基于深度学习的预测算法主要问题在于模型的黑箱特性，无法有效利用到时序数据的时间特性。
[0005]因此，如何提供一种能有效利用时序数据预测准确的基于Autoformer模型和XGBoost模型的多任务负荷预测方法及其系统是本领域技术人员亟需解决的问题。
技术实现思路
[0006]有鉴于此，本专利技术提供了一种基于Autoformer模型和XGBoost模型的多任务负荷预测方法及其系统，解决了现有技术中无法有效利用时序数据进行负荷预测这一问题。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于Autoformer模型和XGBoost模型的多任务负荷预测方法，包括以下步骤：
[0009]获取历史数据，分别提取时间特征、气象特征、人口特征以及居民负荷数据，从而构造历史时序数据；
[0010]基于Autoformer模型对人口数量和居民负荷进行预测，得到一个时间段内人口数量预测值和居民最大负荷预测值；
[0011]基于XGboost模型利用时间特征、气象特征以及Autoformer模型预测的人口数量预测值对同一个时间段内的居民最大负荷进行预测；
[0012]将Autoformer模型和XGboost模型预测到的居民最大负荷进行融合，得到居民最大负荷最终预测结果，输出居民最大负荷最终预测结果和人口数量预测值。
[0013]优选的，基于Autoformer模型进行对人口数量和居民负荷进行预测的步骤包括：
[0014]S11.将历史时序数据记作x，并对x进行序列分解后得到季节项x
des
和趋势项x
det
；
[0015]S12.通过Autoformer编码器的N个Autoformer编码层对x进行编码，并输出最终编码数据其中第l层编码方法为：
[0016][0017][0018]式中，编码层的输入为式中，编码层的输入为通过对x进行卷积操作得到，_是消除的趋势部分，表示第l个编码层的输出，表示在第l层进行的第i次的序列分解；FeedForward表示前馈操作，Auto
‑
Correlation为序列的自相关系数；
[0019]S13.通过Autoformer解码器的M个解码层对趋势项x
det
和季节项x
des
进行解码，并输出最终解码数据和其中第l层解码方法为：
[0020][0021][0022][0023][0024]式中，表示第l层的输出，由季节项x
des
卷积后得到；卷积后得到；分别表示周期项和趋势项在第l层的第i次的序列分解操作，W
l,i
,i∈{1,2,3}表示的投影；
[0025]S14.根据最终解码数据和通过多层感知机MLP获得预测值
[0026]优选的，对时间特征进行独热编码处理，其余特征进行最大最小归一化处理，从而构造历史时序数据。
[0027]优选的，对于一个离散时序过程{x
t
},自相关系数的具体计算方法为：
[0028][0029]式中，L为序列的长度，L趋近于无穷。
[0030]优选的，在居民负荷预测和人口数量两个任务中使用方差不确定性作为一个基准，来加权不同任务的损失，将预测居民负荷和人口数量分别表示为y
load
和y
pop
，预测目标表示为p(y
load
,y
pop
|f(x|θ))，损失函数为：
[0031][0032]其中θ为学习的参数，分别为居民负荷和人口数量的方差，θ
load
和θ
pop
分别为居民负荷和人口数量任务需要学习的参数。
[0033]优选的，基于XGboost模型利用时间特征、气象特征以及Autoformer模型预测的人口数量预测值对同一个时间段内的居民最大负荷进行预测的具体内容包括：
[0034]S21.根据特征数据训练XGboost模型；
[0035]S22.获取待预测时间段的时间特征、天气特征以及Autoformer模型预测到的人口数量预测值，将人口数量预测值以及天气特征做最大最小值归一化处理后，得到测试集；
[0036]S23.根据XGboost训练模型以及测试集的特征进行预测，得到基于XGboost模型的居民负荷预测值
[0037]优选的，将Autoformer模型和XGboost模型预测到的居民最大负荷进行融合的具体内容包括：
[0038][0039]其中，为通过Autoformer模型预测的居民最大负荷，为通过XGboost模型预测的居民最大负荷，ε
xgboost
和ε
autoformer
分别表示XGboost和Autoformer的训练误差。
[0040]一种基于Autoformer模型和XGBoost模型的多任务负荷预测系统，包括：特征提取模块、Autoformer模型预测模块、XGboost模型预测模块和预测结果融合模块；
[0041]所述特征提取模块，用于获取历史数据，分别提取时间特征、气象本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于Autoformer模型和XGBoost模型的多任务负荷预测方法，其特征在于，包括以下步骤：获取历史数据，分别提取时间特征、气象特征、人口特征以及居民负荷数据，从而构造历史时序数据；基于Autoformer模型对人口数量和居民负荷进行预测，得到一个时间段内人口数量预测值和居民最大负荷预测值；基于XGboost模型利用时间特征、气象特征以及Autoformer模型预测的人口数量预测值对同一个时间段内的居民最大负荷进行预测；将Autoformer模型和XGboost模型预测到的居民最大负荷进行融合，得到居民最大负荷最终预测结果，输出居民最大负荷最终预测结果和人口数量预测值。2.根据权利要求1所述的一种基于Autoformer模型和XGBoost模型的多任务负荷预测方法，其特征在于，基于Autoformer模型进行对人口数量和居民负荷进行预测的步骤包括：S11.将历史时序数据记作x，并对x进行序列分解后得到季节项x
des
和趋势项x
det
；S12.通过Autoformer编码器的N个Autoformer编码层对x进行编码，并输出最终编码数据其中第l层编码方法为：其中第l层编码方法为：式中，编码层的输入为式中，编码层的输入为通过对x进行卷积操作得到，_是消除的趋势部分，表示第l个编码层的输出，表示在第l层进行的第i次的序列分解；FeedForward表示前馈操作，Auto
‑
Correlation为序列的自相关系数；S13.通过Autoformer解码器的M个解码层对趋势项x
det
和季节项x
des
进行解码，并输出最终解码数据和其中第l层解码方法为：其中第l层解码方法为：其中第l层解码方法为：其中第l层解码方法为：式中，表示第l层的输出，由季节项x
des
卷积后得到；卷积后得到；分别表示周期项和趋势项在第l层的第i次的序列分解操作，W
l,i
,i∈{1,2,3}表示的投影；S14.根据最终解码数据和通过多层感知机MLP获得预测值3.根据权利要求2所述的一种基于Autoformer模型和XGBoost模型的多任务负荷预测方法，其特征在于，对时间特征进行独热编码处理，其余特征进行最大最小归一化处理，从而构造历史时序数据。4.根据权利要求2所述的一种基于Autoformer模型和XGBoost模型的多任务负荷预测
方法，其特征在于，对于一个离散时序过程{x
t
},自相关系数的具体计算方法为：式中，L为序列的长度，L趋近于无穷。5.根据权利要求1所述的一种基于Autoformer模...
【专利技术属性】
技术研发人员：蒋志鹏，张建宇，戴帅夫，李莉，
申请(专利权)人：北京九栖科技有限责任公司，
类型：发明
国别省市：
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。