一种基于线性组合模型的电量预测方法及介质技术

本发明专利技术涉及一种基于线性组合模型的电量预测方法及介质，方法包括：确定若干不同的用于电量预测的基础模型，对各基础模型分别进行训练；通过各基础模型分别对历史电量数据进行预测，得到预测用电量，将预测用电量与实际用电量组合形成数据集，其中，预测用电量作为解释变量，实际用电量作为被解释变量；对数据集进行数据清洗，并划分成训练集和测试集；对各基础模型进行线性组合，得到线性组合模型；通过训练集中的数据求解线性组合模型，得到各基础模型的加权系数；通过线性组合模型对用电量进行预测

【技术实现步骤摘要】
一种基于线性组合模型的电量预测方法及介质


[0001]本专利技术涉及一种基于线性组合模型的电量预测方法及介质，属于电力负荷预测

。

技术介绍

[0002]用电量是国民经济运行的“晴雨表”和“风向标”。
用电量预测在电力系统的运行管理中具有重要作用，一方面可以帮助电力系统合理安排发电计划和调峰能力，提高电力系统的稳定性和可靠性；另一方面可以为用户提供科学合理的电力服务，以保证电力供应的质量和效率
。
[0003]用电量预测的研究已经十分成熟
。
无论是工业还是学术上都有大量的预测方法
。
传统时间序列方法有
ARIMA,ARMA
模型等，机器学习方法有随机森林
、GBDT
等，深度神经网络有
CNN、LSTM
等
。
[0004]传统时间序列方法
、
机器学习方法
、
深度神经网络这些方法虽然都适用于用电量预测，但他们都有一定的局限
。
例如，<br/>ARIMA<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于线性组合模型的电量预测方法，其特征在于，包括：确定若干不同的用于电量预测的基础模型，对各所述基础模型分别进行训练；通过各所述基础模型分别对历史电量数据进行预测，得到预测用电量，将所述预测用电量与实际用电量组合形成数据集，其中，预测用电量作为解释变量，实际用电量作为被解释变量；对所述数据集进行数据清洗，并划分成训练集和测试集；对各所述基础模型进行线性组合，得到线性组合模型；通过所述训练集中的数据求解所述线性组合模型，得到各所述基础模型的加权系数；通过所述线性组合模型对用电量进行预测
。2.
根据权利要求1所述基于线性组合模型的电量预测方法，其特征在于，所述基础模型包括
ARIMA
模型
、GBDT
模型
、CNN_LSTM
模型
、Prophet
模型和
Prophet_lightgbm
模型
。3.
根据权利要求1所述基于线性组合模型的电量预测方法，其特征在于，所述线性组合模型具体为：模型具体为：模型具体为：其中，为第
j
个线性回归系数，
p
为所述基础模型的数量，
x
ij
为第
j
个基础模型的预测值，
y
i
为真实值
。4.
根据权利要求3所述基于线性组合模型的电量预测方法，其特征在于，通过最小二乘法求解所述线性组合模型中各所述基础模型的加权系数，具体为：构建被解释变量与解释变量的线性回归模型：其中，为第
i
组解释变量对应的被解释变量，
x
ij
为第
i
组解释变量的第
p
个值，
ε
i
为第
i
组解释变量对应的误差；将所述线性回归模型转换为矩阵形式：
y
＝
X
β
+
ε
；；
其中，
y
为被解释变量矩阵，
y
n
为第
n
组解释变量对应的被解释变量，
X
为解释变量矩阵，
x
np
为第
n
组解释变量的第
p
个值，
β
为线性回归系数矩阵，
ε
为误差矩阵，
ε
n
为第
n
组解释变量对应的误差；求解所述线性回归模型，使得残差平方和
Q
最小，所述残差平方和
Q
如下：残差平方和为0时，所述线性回归模型的矩阵形式可表...

【专利技术属性】
技术研发人员：林女贵，洪华伟，朱玲玲，沈一民，钱晓瑞，詹祥澎，肖恺，陈菲菲，刘林，涂夏哲，杨丝雨，黄王晔，李淅，
申请(专利权)人：国网福建省电力有限公司营销服务中心，
类型：发明
国别省市：