一种基于LSTM-XGBoost实现误差修正机制的电力负荷预测方法技术

本发明专利技术涉及电网系统电力负荷预测技术领域，提供了一种基于LSTM

【技术实现步骤摘要】
一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法


[0001]本专利技术涉及电网系统电力负荷预测
，提供了一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法。

技术介绍

[0002]随着能源需求的不断增长和电力市场的不断发展，电力负荷预测工作越来越重要。电力负荷预测是电力生产和电网调度的基础，也是电力市场规划和经营决策的重要依据。然而，电力负荷预测一直是一项具有挑战性的工作，因电力负荷需求总是存在一定的不确定性和随机性，其预测精度受到多种因素的影响，如天气变化、经济发展和社会活动等。当前，电力负荷预测技术主要分为传统的统计学方法和新兴的机器学习方法两种。前者通常是通过建立时间序列回归方程来进行预测，如ARIMA、ETS等方法，但这些方法对于非线性和非平稳的数据具有较大的局限性。而机器学习方法，如基于支持向量机、决策树或神经网络的方法，则是基于大量历史数据进行训练，能够更好地表达数据的复杂性和非线性关系，然而，现有的基于机器学习的方法也存在一些局限性，如参数复杂、高内存要求、训练误差传递与积累的问题，如何提高电力负荷预测的准确性和稳定性，为电力生产和市场决策提供可靠依据。

技术实现思路

[0003]本专利技术涉及一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法，主要解决现有预测方法存在的准确度不高、稳定性不强、误差传递与积累等问题，为电力生产和市场决策提供可靠的依据。一种基于LSTMr/>‑
XGBoost实现误差修正机制的电力负荷预测方法，其特征在于，包括：
[0004]加载并读入原始数据表，原始数据D
orig
＝[X
orig
,Y
orig
]为一组多元时间序列，包含电力负荷Y
orig
和节假日、气候等相关外部特征X
orig
＝[X
orig1
,X
orig2
,...X
orign
]；
[0005]对于原始数据D
orig
，对其进行数据清洗和离差标准化，得到D＝[X,Y]；
[0006]对于D中的历史电力负荷Y列，使用STL时间序列分解法进行分解，得到季节分量seasonal、趋势分量trend和随机分量random三条子序列；
[0007]对于D中的外部特征X＝[X1,X2,...X
n
]列，使用PCC算法对trend和random进行特征选择，分别得到特征空间F
T
和F
R
，满足
[0008]对于trend和random，使用所构建的LSTM
‑
XGBoost误差修正预测模块进行分量预测，得到经过误差修正的趋势分量预测值和随机分量预测值
[0009]对于seasonal，因其在每个周期内的变化规律总是呈现一个固定的模式，故不使用误差修正预测模块进行预测，直接截取历史同期值作为其预测值
[0010]对于LSTM
‑
XGBoost输出的和以及季节分量对应的历史同期值将其相加
得到一条完整的时间序列，即得到电力负荷预测结果；
[0011]使用MAPE指标对模型预测误差进行评估；
[0012]使用训练好的模型进行电力负荷预测。
[0013]优选的，对原始数据进行预处理，包括去除重复行、水平处理异常值以及K
‑
均值填充处理缺失值，确保数据的完整性和可用性，为后续模型建模提供可靠的数据保障。离差标准化是一种常用的数据标准化方法，对于给定原始数据x，其最大和最小值分别为max(x)和min(x)，通过下式将x映射到[0,1]范围内的数值x'：
[0014][0015]对清洗后的数据进行离差标准化，得到D＝[X,Y]，符合模型数据输入规范。
[0016]优选的，使用STL算法将电力负荷数据分解为季节分量seasonal、趋势分量trend和随机分量random三条子序列，满足：
[0017]Y＝seasonal+trend+random。
[0018]优选的，trend变化缓慢，其规律性取决于季节变化和经济发展水平等慢变化因素的影响；random受多种因素影响，包括气象、节假日和突发事件等不确定性因素。对于每列外部特征，根据PCC特征相关性分析算法由下式分别计算与trend和random之间的皮尔逊相关性系数：
[0019][0020]其中，n表示样本数量，X
i
和Y
i
分别为第i个样本的X和Y值，和分别为X和Y的平均值，r
X,Y
为X和Y之间的相关系数。当r
X,Y
>0，表明X和Y之间线性正相关，同理，r
X,Y
<0则线性负相关，r
X,Y
＝0则无明显相关关系。相关系数绝对值越大相关性越强，根据相关系数的大小对特征进行排序，选择与目标变量相关系数较大的前k个特征作为筛选出的重要特征，筛选所得的趋势和随机分量特征空间F
T
和F
R
满足F
T
,
[0021]优选的，seasonal的周期性取决于社会生产生活的周期性，在每个周期内(如：一年、一个月或一周)其变化规律总是呈现一个固定的模式，故无需对其进行特征选择。
[0022]优选的，对于经过数据预处理和特征选择后所得到的D
input
＝[trend,seasonal,random,F
T
,F
R
]，划分最近12个月的数据之前的所有数据作为训练集，用于拟合参数、训练模型；划分最近12个月的数据作为测试集，用于评估模型预测性能。
[0023]优选的，所构建的LSTM
‑
XGBoost误差修正预测模块基于Stacking ensemble的思想，即若干个基础模型的输出作为下一层预测模型的输入，以实现基于误差修正机制的分量预测。
[0024]优选的，所构建的误差修正预测模块使用LSTM作为趋势和随机分量的第一层预测模型。具体来说，分别将trend和random与其特征空间F
T
和F
R
输入到LSTM中进行预测，得到两条新的时间序列数据，分别为趋势分量初步预测值T'和随机分量初步预测值R'。T'和R'作为trend和random的新特征列分别加入到F
T
和F
R
中，得到各自的新特征空间F
T
'和F
R
'，即满
足F
T
'＝[F
T
,T']，F
R
'＝[F
R
,R']。
[0025]优选的，LSTM神经网络预测过程大致本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法，其特征在于，包括：加载并读入原始数据表，原始数据D
orig
＝[X
orig
,Y
orig
]为一组多元时间序列，包含电力负荷Y
orig
和节假日、气候等相关外部特征X
orig
＝[X
orig1
,X
orig2
,...X
orign
]；对于原始数据D
orig
，对其进行数据清洗和离差标准化，得到D＝[X,Y]；对于D中的历史电力负荷Y列，使用STL时间序列分解法进行分解，得到季节分量seasonal、趋势分量trend和随机分量random三条子序列；对于D中的外部特征X＝[X1,X2,...X
n
]列，使用PCC算法对trend和random进行特征选择，分别得到特征空间F
T
和F
R
，满足F
T
,对于trend和random，使用所构建的LSTM
‑
XGBoost误差修正预测模块进行分量预测，得到经过误差修正的趋势分量预测值和随机分量预测值对于seasonal，因其在每个周期内的变化规律总是呈现一个固定的模式，故不使用误差修正预测模块进行预测，直接截取历史同期值作为其预测值对于LSTM
‑
XGBoost输出的和以及季节分量对应的历史同期值将其相加得到一条完整的时间序列，即得到电力负荷预测结果；使用MAPE指标对模型预测误差进行评估；使用训练好的模型进行电力负荷预测。2.根据权利要求1所述的一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法，其特征在于：对原始数据进行预处理，包括去除重复行、水平处理异常值以及K
‑
均值填充处理缺失值，确保数据的完整性和可用性，为后续模型建模提供可靠的数据保障。离差标准化是一种常用的数据标准化方法，对于给定原始数据x，其最大和最小值分别为max(x)和min(x)，通过下式将x映射到[0,1]范围内的数值x'：对清洗后的数据进行离差标准化，得到D＝[X,Y]，符合模型数据输入规范。3.根据权利要求1所述的一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法，其特征在于：使用STL算法将电力负荷数据分解为季节分量seasonal、趋势分量trend和随机分量random三条子序列，满足：Y＝seasonal+trend+random。4.根据权利要求3所述的一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法，其特征在于：trend变化缓慢，其规律性取决于季节变化和经济发展水平等慢变化因素的影响；random受多种因素影响，包括气象、节假日和突发事件等不确定性因素。对于每列外部特征，根据PCC特征相关性分析算法由下式分别计算与trend和random之间的皮尔逊相关性系数：
其中，n表示样本数量，X
i
和Y
i
分别为第i个样本的X和Y值，和分别为X和Y的平均值，r
X,Y
为X和Y之间的相关系数。当r
X,Y
>0，表明X和Y之间线性正相关，同理，r
X,Y
<0则线性负相关，r
X,Y
＝0则无明显相关关系。相关系数绝对值越大相关性越强，根据相关系数的大小对特征进行排序，选择与目标变量相关系数较大的前k个特征作为筛选出的重要特征，筛选所得的趋势和随机分量特征空间F
T
和F
R
满足F
T
,5.根据权利要求3所述的一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法，其特征在于：seasonal的周期性取决于社会生产生活的周期性，在每个周期内(如：一年、一个月或一周)其变化规律总是呈现一个固定的模式，故无需对其进行特征选择。6.根据权利要求1所述的一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法，其特征在于：对于经过数据预处理和特征选择后所得到的D
input
＝[trend,seasonal,random,F
T
,F
R
]，划分最近12个月的数据之前的所有数据作为训练集，用于拟合参数、训练模型；划分最近12个月的数据作为测试集，用于评估模型预测性能。7.根据权利要求1所述的一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法，其特征在于：所构建的LSTM
‑
XGBoost误差修正预测模块基于Stacking ensemble的思想，即若干个基础模型的输出作为下一层预测模型的输入，以实现基于误差修正机制的分量预测。8.根据权利要求7所述的一种基于LSTM
‑
XGBoost实现误差修正机制的电力负荷预测方法，其特征在于：所构建的误差修正预测模块使用LSTM作为趋势和随机分量的第一层预测模型。具体来说，分别将trend和random与其特征空间F
T
和F
R
输入到LSTM中进行预测，得到两条新的时间序列数据，分别为趋势分量初步预测值T'和随机分量初步预测值R'。T'和R'作为trend和random的新特征列分别加入到F
T
和F
R
中，得到各自的新特征空间F
T
'和F
R
'，即满足F
T
...

【专利技术属性】
技术研发人员：侯丽钢，汤向华，沈鑫，张李奇，
申请(专利权)人：国网江苏省电力有限公司南通市海门区供电分公司，
类型：发明
国别省市：