基于集成学习的累积负荷基线预测方法技术

本发明专利技术提供一种基于集成学习的累积负荷基线预测方法，包含步骤：S1、基于聚类算法，为M个电力用户生成N种不同的划分方式，共得到多个集群；S2、将集群在一天中的累积负荷、累积负荷基线作为集群在该天的输入特征、标签；基于各集群在不同日期的输入特征，分别建立训练集、验证集、测试集；S3、通过训练集训练网络模型，网络模型根据单天所述多个集群的输入特征，在多个分位点预测各种划分方式下，M个电力用户的累积负荷基线；S4、将验证集中的样本输入训练好的网络模型，基于损失函数，在各分位点，为网络模型预测的N种划分方式下的累积负荷基线分别设置权重系数；S5、基于训练好的网络模型和设置的权重系数，通过测试集检验预测方法的准确性。方法的准确性。方法的准确性。

【技术实现步骤摘要】
基于集成学习的累积负荷基线预测方法


[0001]本专利技术涉及电力控制
，特别涉及一种基于集成学习的累积负荷基线预测方法。

技术介绍

[0002]在多种商业模式中，需求响应(DemandResponse，DR)旨在通过价格信号或金融激励来改变消费模式，从而推迟新电力基础设施的建设以满足用电高峰需求。总体而言，居民负荷具有良好的需求响应潜力。根据中国国家能源局的报告，2019年，中国居民用户用电量10.25亿千瓦时，占能源消费总量的14.19％。虽然居民用电的需求响应潜力很大，但单个用户很难单独参与需求响应项目，因此需求响应聚合商(Demand Response Aggregators,DRA)是用户参与DR计划的重要工具。为了定量测量DRA在DR事件中的响应能力，获得它的聚合负荷基线(Aggregated baseline load，ABL)非常重要。因此，研究DRA层面的ABL估计具有重要意义。
[0003]虽然对于聚合商的ABL估计和对于用户的累积负荷估计/预测存在一些差异，但累积负荷预测的结果对于ABL估计具有十分重要的参考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的累积负荷基线预测方法，其特征在于，包含步骤：S1、基于聚类算法，根据电力用户一年内的负荷曲线，为M个电力用户生成N种不同的划分方式，共得到个集群；N
k
表示通过第k种划分方式得到的集群数量，k∈[1,N]，N为设定的常数；S2、将集群在一天中的累积负荷、累积负荷基线作为集群在该天的输入特征、标签；基于各集群在于各集群在于各集群在于各集群在的输入特征，分别建立训练集、验证集、测试集；S3、通过训练集训练网络模型；所述网络模型根据单天个集群的输入特征，在多个分位点预测各种划分方式下，M个电力用户的累积负荷基线；S4、将验证集中的样本输入训练好的网络模型，基于损失函数，在各分位点，为网络模型预测的N种划分方式下的累积负荷基线分别设置权值，一个权值对应一种划分方式；S5、基于训练好的网络模型和步骤S4中设置的权值，通过测试集中的样本预测M个电力用户的累积负荷基线的最终预测结果，并基于损失函数检验所述预测方法的准确性。2.如权利要求1所述的基于集成学习的累积负荷基线预测方法，其特征在于，步骤S1中：令为由第i用户一年的负荷曲线组成的矩阵，X
i
中的一行对应在一天内的T个时间点采集的用电负荷；第i用户的年平均负荷作为聚类算法的输入，i∈[1,M]；通过k
‑
means聚类算法或层次聚类方法，对M个电力用户进行聚类分组。3.如权利要求2所述的基于集成学习的累积负荷基线预测方法，其特征在于，通过k
‑
means聚类算法对M个电力用户进行聚类分组时，分组结果满足；其中，P
*
为与k
‑
means聚类方法等效的NP
‑
hard优化问题；K为给定集群的数量；p
j
表示聚类分组得到的第j个集群，j∈[1,K]；c
j
是集群p
j
的质心，||
·
||2表示求二范数平方的运算。4.如权利要求2所述的基于集成学习的累积负荷基线预测方法，其特征在于，通过层次聚类算法对M个电力用户进行聚类分组，包含步骤：S11、计算M个电力用户之间的欧几里得距离矩阵，D(i,j)为所述欧几里得距离矩阵中第i行第j列的元素，表示第i用户与第j用户之间的欧几里得距离；第i行第j列的元素，表示第i用户与第j用户之间的欧几里得距离；为第j用户的年平均负荷，j∈[1,M]；若将第i用户与第j用户划分为同一个簇；S12、计算任意两个簇之间的距离，记当前的簇数为N
′
，N
′
>N1，N1为目标簇数；将与第i1簇的欧几里得距离最小的一个簇与第i1簇合并，更新N
′
；重复步骤S12，直至N
′
＝N1。
5.如权利要求1所述的基于集成学习的累积负荷基线预测方法，其特征在于，步骤S2包含：S21、建立训练集训练集包含N
tr
个样本，一次向网络模型输入训练集中的一个样本；训练集中的第t个样本XL
t
为特征向量为特征向量表示第k种划分方式得到的第j个集群在第t天的累积负荷；agg表示累积，Tr表示训练集，n
k,j
为第k次聚类分组得到的第j个集群中的电力用户数量；x
i,t
表示第k种划分方式得到的第j个集群中的第i个电力用户在第t天的用电负荷；为设置标签设置标签为与对应的累积负荷基线；y
i,t
为第k种划分方式得到的第j个集群中的第i个电力用户在第t天的负荷基线；S22、建立验证集验证集包含N
va
个样本，一次向网络模型输入验证集中的一个样本；验证集中的第t
′‑
N
tr
个...

【专利技术属性】
技术研发人员：艾芊，张宇帆，黄兴德，陈赟，李昭昱，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：