【技术实现步骤摘要】
本专利技术涉及电力，尤其涉及一种基于多视图的短期负荷预测方法。
技术介绍
1、随着电力需求不断增加，电力行业面临着巨大的挑战。电力需求的增加对电力调度部门也提出了更高的管理要求，电力调度部门必须制定合理的调度计划，避免在发、供、用电过程中的浪费，保证电力的有效利用。电力系统的负荷预测对保障电网安全运行，实现电力供需平衡至关重要。
2、目前，现有的负荷预测方法可以分为基于数学模型的预测方法、基于传统机器学习的预测方法和基于深度学习的预测方法；基于数学模型的预测方法，常见的有自回归移动平均、自回归等时间序列模型，此种方法简单，运行速度快，能够解决负荷的时变性，但无法解决非线性和不确定性的问题；基于传统机器学习的预测方法，常用的有支持向量机、决策树、多层感知机等，此种方法可以有效处理非线性的问题，但面对复杂的电力系统，无法对数据特征进行有效及完整的挖掘；基于深度学习的预测方法，随着计算机性能的增强，深度学习技术因其强大的非线性映射和自适应能力在各个行业都有应用且效果显著，例如，以长短期记忆网络和门控循环单元为主的循环神经网络在负荷预测中有广泛应用，但预测精度不够。
技术实现思路
1、本专利技术的主要目的是提出一种基于多视图的短期负荷预测方法，旨在解决如何准确且快速的对短期负荷进行精准预测并输出结果的技术问题。
2、为实现上述目的，本专利技术提供一种基于多视图的短期负荷预测方法，其中，所述基于多视图的短期负荷预测方法包括以下步骤：
3、s1、数据获取，采
4、s2、数据处理，对所述历史电力负荷数据进行异常值识别、缺失值处理、数据归一化和数据平稳性检验，并进行数据增维及特征融合，形成特征集；
5、s3、模型训练，构建xgboost目标函数，并进行xgboost目标函数的性能优化，得到最优目标函数；
6、s4、负荷预测，根据所述最优目标函数对特征集进行短期负荷预测，并输出预测结果。
7、优选方案之一，所述天气数据包括天气、温度、风向和风力。
8、优选方案之一，所述对历史电力负荷数据进行异常值识别，具体为：
9、对数值集中的数据，采用箱线图的方式进行异常值识别；
10、对数值不集中的数据，取当前数据前后两个采样点的数据求平均值，并计算当前数据与平均值的误差占平均值的比例，若比例大于0.5，则为异常值。
11、优选方案之一，所述对历史电力负荷数据进行缺失值处理，具体为：
12、若缺失一个采样点的数据，则取当前缺失值前后两个采样点的数据求平均值确定缺失值；
13、若缺失大于一个采样点且小于n个采样点的数据，则采用线性插值确定采样点的缺失值；
14、若缺失大于n个采样点的数据，则取最后一个缺失值对应的采样时间向前查找对应数据进行缺失值填补。
15、优选方案之一，所述对历史电力负荷数据进行数据归一化，具体为：
16、y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin
17、其中，ymax为输出矩阵y每一行的最大值，ymin为输出矩阵y每一行的最小值，x为输入矩阵，xmax为输入矩阵x每一行的最大值，xmin为输入矩阵x每一行的最小值。
18、优选方案之一，所述步骤s2中采用adf检验历史电力负荷数据的数据平稳性。
19、优选方案之一，所述步骤s2中进行数据增维及特征融合，形成特征集，具体为：
20、采用多项式回归、多层感知机及卷积神经网络对所述历史电力负荷数据进行回归预测，分别得到所述历史电力负荷数据的特征数据，并将多项式回归、多层感知机及卷积神经网络分别得到的特征数据进行特征融合，得到所述历史电力负荷数据的特征集。
21、优选方案之一，所述步骤s3进行xgboost目标函数的性能优化，得到最优目标函数，具体为：
22、将xgboost目标函数进行二阶泰勒展开，去除常数项，优化损失函数项；
23、将xgboost目标函数进行正则化项展开，去除常数项，优化正则化项；
24、将xgboost目标函数中一次项系数和二次项系数进行合并，得到最终目标函数，也即最优目标函数。
25、优选方案之一，所述基于多视图的短期负荷预测方法还包括：
26、s5、模型评估，采用五折交叉验证法对最优目标函数进行性能评估。
27、优选方案之一，所述步骤s5模型评估的评估指标包括平均绝对值百分比误差、平均绝对值误差和均方根误差；
28、所述平均绝对值百分比误差为：
29、
30、所述绝对值误差为：
31、
32、所述均方根误差为：
33、
34、其中，nmape、nmae、nrmse分别为平均绝对值百分比误差、平均绝对值误差和均方根误差，n为电力负荷样本数，yi为真实电力负荷数据，为短期预测电力负荷数据。
35、本专利技术的上述技术方案中，该基于多视图的短期负荷预测方法包括以下步骤：数据获取，采集历史电力负荷数据、天气数据、时间及日期数据；数据处理，对所述历史电力负荷数据进行异常值识别、缺失值处理、数据归一化和数据平稳性检验，并进行数据增维及特征融合，形成特征集；模型训练，构建xgboost目标函数，并进行xgboost目标函数的性能优化，得到最优目标函数；负荷预测，根据所述最优目标函数对特征集进行短期负荷预测，并输出预测结果。在本专利技术中，通过获取历史电力负荷数据以及天气数据，并对数据中的异常值和缺失值等进行预处理，采用多项式回归、多层感知机和卷积神经网络进行特征升维，采用xgboost目标函数进行负荷预测，提高了预测精度，提高了短期负荷预测的精确度及准确度，解决了如何准确且快速的对短期负荷进行精准预测并输出结果的技术问题。
本文档来自技高网...【技术保护点】
1.一种基于多视图的短期负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多视图的短期负荷预测方法，其特征在于，所述天气数据包括天气、温度、风向和风力。
3.根据权利要求1-2任一项所述的一种基于多视图的短期负荷预测方法，其特征在于，所述对历史电力负荷数据进行异常值识别，具体为：
4.根据权利要求3所述的一种基于多视图的短期负荷预测方法，其特征在于，所述对历史电力负荷数据进行缺失值处理，具体为：
5.根据权利要求4所述的一种基于多视图的短期负荷预测方法，其特征在于，所述对历史电力负荷数据进行数据归一化，具体为：
6.根据权利要求5所述的一种基于多视图的短期负荷预测方法，其特征在于，所述步骤S2中采用ADF检验历史电力负荷数据的数据平稳性。
7.根据权利要求1-2任一项所述的一种基于多视图的短期负荷预测方法，其特征在于，所述步骤S2中进行数据增维及特征融合，形成特征集，具体为：
8.根据权利要求1-2任一项所述的一种基于多视图的短期负荷预测方法，其特征在于，所述步骤S3进行X
9.根据权利要求1-2任一项所述的一种基于多视图的短期负荷预测方法，其特征在于，所述基于多视图的短期负荷预测方法还包括：
10.根据权利要求9所述的一种基于多视图的短期负荷预测方法，其特征在于，所述步骤S5模型评估的评估指标包括平均绝对值百分比误差、平均绝对值误差和均方根误差；
...【技术特征摘要】
1.一种基于多视图的短期负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多视图的短期负荷预测方法，其特征在于，所述天气数据包括天气、温度、风向和风力。
3.根据权利要求1-2任一项所述的一种基于多视图的短期负荷预测方法，其特征在于，所述对历史电力负荷数据进行异常值识别，具体为：
4.根据权利要求3所述的一种基于多视图的短期负荷预测方法，其特征在于，所述对历史电力负荷数据进行缺失值处理，具体为：
5.根据权利要求4所述的一种基于多视图的短期负荷预测方法，其特征在于，所述对历史电力负荷数据进行数据归一化，具体为：
6.根据权利要求5所述的一种基于多视图的短期负荷预测方法，其特征在于，所述步...
【专利技术属性】
技术研发人员：韩跟伟，李林峰，易世华，陈永，赵晨阳，谢映海，许健，李君，
申请(专利权)人：威胜信息技术股份有限公司，
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。