一种智能用电负荷预测方法技术

本申请涉及负荷预测技术领域，公开了一种智能用电负荷预测方法，包括以下步骤：获取目标地区用电负荷预测所需的数据集；预处理负荷与时间、气候数据集，选择特征性强的数据用于模型训练与测试；划分目标地区，对各区域历史用电负荷数据进行异常处理用于负荷预测；获取基于MPSO算法优化的多层随机森林算法模型，将训练数据集输入强化学习后的模型中进行训练与测试，得到用电负荷预测模型；对用电负荷预测模型预测性能进行评估，将划区域处理后的历史用电负荷数据输入负荷预测模型进行用电负荷预测，输出预测结果。该智能用电负荷预测方法，构建一种三层随机森林算法模型，提高预测的数据源精准度，提高模型负荷预测的准确性。提高模型负荷预测的准确性。提高模型负荷预测的准确性。

【技术实现步骤摘要】
一种智能用电负荷预测方法


[0001]本申请涉及负荷预测
，具体为一种智能用电负荷预测方法。

技术介绍

[0002]随着经济的不断发展，人民生活水平越来越高，电是保障社会高质量发展的重要能源，当下可再生能源发电的开发与并网运行增加了电力系统的复杂性，对电力系统进行精准的短期负荷预测可以保障电网安全稳定运行，优化电网的经济调度，节约能源，使日常生活更加舒适。
[0003]对于短期用电负荷预测方法一般有两类，传统预测方法与智能预测方法，传统预测方法主要包括趋势外推法、回归分析法、时间序列法与灰色模型法，该类方法主要通过数据的相关性与时序性进行预测，原理比较简单并且容易实现，但是预测精度较低，存在局限性。随着人工智能技术的不断突破，各种用于负荷预测的智能算法得以发展，包括人工神经网络、小波分析法、模糊理论、支持向量机、决策树理论、随机森林算法等，智能预测法对数据与模型的分析处理能力强，可以提高负荷预测的精度。
[0004]然而，当下影响新型电力系统电力负荷的因素很多，各种分布式电源接入电网、新能源发电并网运行都增加了电力负荷预测的复杂度，无论采用传统方法进行预测还是采用智能预测方法进行预测都会存在预测精度较低的问题。

技术实现思路

[0005]针对现有技术的不足，本申请提供了一种智能用电负荷预测方法，解决了采用传统方法进行预测或者采用智能预测方法进行预测都会存在预测精度较低的问题。
[0006]为实现上述目的，本申请提供如下技术方案：一种智能用电负荷预测方法，包括以下步骤：r/>[0007]获取目标地区用电负荷预测所需的数据集；
[0008]预处理负荷与时间、气候数据集，选择特征性强的数据用于模型训练与测试；
[0009]划分目标地区，对各区域历史用电负荷数据进行异常处理用于负荷预测；
[0010]获取基于MPSO算法优化的多层随机森林算法模型，将训练数据集输入强化学习后的模型中进行训练与测试，得到用电负荷预测模型；
[0011]对用电负荷预测模型预测性能进行评估，将划区域处理后的历史用电负荷数据输入负荷预测模型进行用电负荷预测，输出预测结果。
[0012]优选的，所述预处理负荷与时间、气候数据集包括：
[0013]对获取的目标地区用电负荷预测所需的数据集进行数据清洗、数据转换、特征分析、特征选择等步骤，采用样条插值、线性插值或者均值法来对目标地区历史用电负荷数据、时间数据、气候数据异常值进行修正，填补缺失值，并对应历史用电负荷数据与气候数据来删除异常数据，得到特征性强的训练数据集。
[0014]优选的，所述预处理负荷与时间、气候数据集还包括：
[0015]根据用户类别的不同，对不同类别用户所在的区域进行划分，将目标地区划分为住宅区、商业区、工业区三大区域，划分后各区域内历史用电负荷数据差异性较小，将同区域用电负荷数据进行模拟对比来排查出异常数据，采用样条插值、线性插值或者均值法修正异常数据得到更为精准的目标地区历史用电负荷数据集用于负荷预测。
[0016]优选的，基于残差学习的方法将三层随机森林进行结合，构建一种多层随机森林算法模型；
[0017]所述多层随机森林算法模型的决策树棵数n
tree
＝n，每棵树的分裂特征数为m，模型分为三个阶段，第一阶段将初始训练样本中的数据输入第一层随机森林进行训练，输出结果的同时得到训练残差y
′
；将y
′
代入初始样本集组成新的特征集输入生成的第二层随机森林进行第二阶段训练；同样的，将第二阶段所得训练残差y"代入初始样本集组成新的特征集输入生成的第三层随机森林进行第三阶段训练，将三层随机森林模型的输出依次叠加得到最终预测结果。
[0018]优选的，基于构建的多层随机森林算法模型，采用MPSO算法对模型进行参数优化训练，参数包括决策树棵数n
tree
与分裂特征数m，将n
tree
和m与MPSO算法中粒子属性对应，将随机森林模型训练所得袋外误差作为适应度值，在迭代过程中增加变异扰动项来不断优化模型参数，获得最优解。
[0019]优选的，采用MPSO算法对多层随机森林模型进行参数优化训练包括：
[0020]初始化粒子属性，设定粒子群规模、迭代次数、变异扰动项权重等参数；
[0021]将随机森林模型的袋外数据误差作为适应度函数来控制粒子群迭代过程中的适应度值，计算公式：
[0022][0023]其中e(i)为第i棵决策树的袋外数据误差，N为袋外数据集，n为袋外数据集样本个数；
[0024]将当前迭代次数下粒子适应度值与全局最优值进行对比来更新粒子运动方向与速度，在满足迭代次数与收敛精度时输出参数最优解，更新公式：
[0025][0026][0027]其中为上一次迭代过程中粒子个体最优值，为全局最优值；
[0028]基于所得最优粒子，对粒子进行变异，粒子更新公式：
[0029][0030]其中K为柯西扰动项分布系数，rand()为[0,1]内的随机函数；
[0031]达到最大迭代次数后输出最优粒子属性值。
[0032]优选的，多层随机森林算法模型通过对参数进行强化学习，得到全局最优参数值n
best
和m
best
；
[0033]根据n
best
和m
best
生成随机森林模型，将第一阶段训练残差y
′
代入初始样本集组成新的特征集输入生成的第二层随机森林进行第二阶段训练；将第二阶段训练残差y"代入初
始样本集组成新的特征集输入生成的第三层随机森林进行第三阶段训练，将三层随机森林模型的输出依次叠加得到最终预测结果。
[0034]优选的，获取基于MPSO算法优化的多层随机森林算法模型，对模型进行训练得到用电负荷预测模型；
[0035]所述训练数据集包括历史用电负荷数据、时间因素与气候因素数据；
[0036]按照70％:30％划分为训练集与测试集；
[0037]将所述训练数据集中时间因素与气候因素数据输入基于MPSO算法优化的多层随机森林模型中进行用电负荷预测，得到用电负荷预测值；
[0038]将历史用电负荷数据与用电负荷预测值进行对比处理，设定误差最小阈值，当历史用电负荷数据与用电负荷预测值之间的均方误差接近所设阈值时，得到训练结果，根据训练结果中用电负荷数据与日期、气象数据之间的映射关系，得到用电负荷预测模型。
[0039]优选的，将测试数据集输入所得用电负荷预测模型进行测试，通过预测结果与历史用电负荷数据之间的均方误差和相对误差来对用电负荷预测模型进行评估，将划区域处理后的历史用电负荷数据输入训练好并且通过测试的用电负荷预测模型中进行用电负荷预测，输出预测结果。
[0040]本申请提供了一种智能用电负荷预测方法，具备以下有益效果：
[0041]与现有短期用电负荷预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能用电负荷预测方法，其特征在于，包括以下步骤：获取目标地区用电负荷预测所需的数据集；预处理负荷与时间、气候数据集，选择特征性强的数据用于模型训练与测试；划分目标地区，对各区域历史用电负荷数据进行异常处理用于负荷预测；获取基于MPSO算法优化的多层随机森林算法模型，将训练数据集输入强化学习后的模型中进行训练与测试，得到用电负荷预测模型；对用电负荷预测模型预测性能进行评估，将划区域处理后的历史用电负荷数据输入负荷预测模型进行用电负荷预测，输出预测结果。2.根据权利要求1所述的一种智能用电负荷预测方法，其特征在于，所述预处理负荷与时间、气候数据集包括：对获取的目标地区用电负荷预测所需的数据集进行数据清洗、数据转换、特征分析、特征选择等步骤，采用样条插值、线性插值或者均值法来对目标地区历史用电负荷数据、时间数据、气候数据异常值进行修正，填补缺失值，并对应历史用电负荷数据与气候数据来删除异常数据，得到特征性强的训练数据集。3.根据权利要求2所述的一种智能用电负荷预测方法，其特征在于，所述预处理负荷与时间、气候数据集还包括：根据用户类别的不同，对不同类别用户所在的区域进行划分，将目标地区划分为住宅区、商业区、工业区三大区域，划分后各区域内历史用电负荷数据差异性较小，将同区域用电负荷数据进行模拟对比来排查出异常数据，采用样条插值、线性插值或者均值法修正异常数据得到更为精准的目标地区历史用电负荷数据集用于负荷预测。4.根据权利要求1所述的一种智能用电负荷预测方法，其特征在于，基于残差学习的方法将三层随机森林进行结合，构建一种多层随机森林算法模型；所述多层随机森林算法模型的决策树棵数n
tree
＝n，每棵树的分裂特征数为m，模型分为三个阶段，第一阶段将初始训练样本中的数据输入第一层随机森林进行训练，输出结果的同时得到训练残差y
′
；将y
′
代入初始样本集组成新的特征集输入生成的第二层随机森林进行第二阶段训练；同样的，将第二阶段所得训练残差y"代入初始样本集组成新的特征集输入生成的第三层随机森林进行第三阶段训练，将三层随机森林模型的输出依次叠加得到最终预测结果。5.根据权利要求4所述的一种用电负荷预测方法，其特征在于，基于构建的多层随机森林算法模型，采用MPSO算法对模型进行参数优化训练，参数包括决策树棵数n
tree
与分裂特征数m，将n
tree
和m与MPSO算法中粒子属性对应，将随机森林模型训练所得袋外误差作为适应度值，在迭代过程中增加变异扰动项来不断优化模...

【专利技术属性】
技术研发人员：程涛，潮铸，黄安平，周娟，曾荣均，王健华，陈君德，萧嘉荣，李启亮，沙斌，何祥针，左剑，陈卉灿，唐旭辰，禹霁晅，刘维维，邓仁毅，梁伟豪，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：