【技术实现步骤摘要】
本专利技术涉及负荷预测，尤其涉及一种基于改进sfs特征树的多特征迭代学习短期负荷预测、装置、设备及介质。
技术介绍
1、随着智能电网和需求响应技术的发展，电力负荷逐渐表现出弹性、灵活性、不确定性和可控性。可调节负荷作为一种灵活的资源，可以更频繁地参与电力系统的供需平衡，为深入挖掘柔性负荷资源隐藏的规律性，充分发挥其调节能力，开展负荷特征分析和负荷预测研究显得尤为重要。其中短期负荷预测因其可以为需求响应提供必要的支持、确保智能电网的高效经济运行，因此成为了重点研究课题之一。
2、目前短期负荷预测的研究，大致可分为两大类：统计和机器学习。统计方法，例如线性回归、指数平滑和自回归积分移动平均模式，都专注于数据拟合，而不注重特征分析。典型的机器学习方法包括神经网络、支持向量机、随机森林等。近年来，机器学习方法主要以深度学习为主。深度学习的长短期记忆网络、门控循环单元为代表的算法以及xgboost为代表的树集成算法在负荷预测中都取得了良好的效果。
3、但是，由于预测中的假设空间较大，单独的模型会产生单边性和随机性较差的泛化性能。此外，训练特征的选择主要是手动或者自动嵌入到学习者的训练过程中，冗余特征及其多重共线性会引起特征权重的变化，影响负荷预测的效果。深度学习的灰色关联分析和神经模糊推理系统等标准关联技术用于在通过某些特定选择标准进行训练之前提取输入特征。这些方法均以不同的选择标准进行不可逆筛选，虽然一定程度上降低了所选特征的冗余度，但这些预测方法并未考虑特征之间的多重协同作用，存在忽略有用信息的偶然性，未能充分
技术实现思路
1、为了克服现有技术的不足，本专利技术的目的之一在于提供一种基于特征树的迭代学习负荷预测方法，其通过改进sfs特征树特征选择算法，优化特征选择方式，进而训练得到准确度高的负荷功率预测模型。
2、本专利技术的目的之一采用以下技术方案实现：
3、一种基于特征树的迭代学习负荷预测方法，包括以下步骤：
4、接收负荷特征、天气特征及日历特征；
5、通过顺序前向选择sfs算法进行特征选择，得到特征集，其中，所述sfs算法通过特征树选择算法进行特征选择；
6、将所述特征集输入xgboost算法模型中进行训练；
7、训练完成，得到负荷功率预测模型。
8、进一步地，所述负荷特征包括历史负荷功率，所述天气特征包括天气类型、温度、湿度，所述日历特征包括小时、星期、月份、节假日。
9、进一步地，所述特征选择包括内部特征选择及外部特征选择，所述负荷特征为内部特征，所述天气特征及所述日历特征为外部特征。
10、进一步地，所述特征树为最优特征生成树，其包括：
11、为所述特征进行编号；
12、初始化生成树，将编号为0的空特征作为根节点；
13、枚举可增加的新特征并更新所述生成树；
14、根据所述生成树筛选出最优特征；
15、根据所述最优特征更新并扩展所述生成树。
16、进一步地，初始化生成树，包括：进行数值初始化，满足ui，j＝+∞(i，j∈x)，ci＝+∞(i∈x)，e＝+∞，其中，ui，j表示基于生成树上特征j代表的特征集sj扩展子集，x为原始特征集，ci是生成树外特征i的最佳评价分数，e表示模型最优选择特征集，e为e的评价分数；
17、枚举可增加的新特征并更新所述生成树，包括：计算uk，prev＝v({sprev，k})，当uk，prev＜ck，更新ck＝uk，prev，srck＝prev，其中，prev表示特征树中新加入的特征，srci表示ci对应的生成树中特征，k为可增加的新特征，v为评价分数；
18、根据所述生成树筛选出最优特征，满足：cw＝min ci(i∈x，srci≠fi)，其中，w为最优特征，满足：
19、若w不存在，停止计算；
20、若将w添加作为父节点srcw的子节点，令fw＝srcw，a＝a+{w}，prev＝w，其中，fi是i在生成树上的父亲节点，a表示已被选择加入生成树中的特征集合；
21、若w∈a，srcw向特征w展开一个新树链，删除特征w的原有特征子树，并令原子树特征集为subw，fw＝srcw，a＝a-subw+{w}，prev＝w，当k∈subw(k≠w)，令fk＝-1，ui，k＝+∞(i∈x)，重新计算uk，i(i∈a)；
22、根据所述最优特征更新并扩展所述生成树，满足：当cw＜e则令e＝cw，e＝sw，并继续扩展生成树，否则输出最优选择特征集e。
23、进一步地，所述评价分数v的计算满足：
24、其中，h为训样本组数量，h表示第h次验证，emh表示训练误差。
25、进一步地，所述特征选择及所述训练通过多特征迭代学习框架进行迭代学习，包括以下步骤：
26、输入特征集及其对应的负荷预测结果；
27、通过顺序前向选择sfs算法进行特征选择，计算得到最优特征集；
28、将所述最优特征集代入xgboost学习器进行训练，得到最新负荷预测结果；
29、持续进行迭代学习，更新负荷预测结果，并计算评价分数，直至下一次迭代学习的评价分数结果等于或劣于上一次评价分数时，迭代结束，完成模型训练。。
30、本专利技术的目的之二在于提供一种短期负荷预测装置，其通过对特征提取进行增强，进而得到高精度的预测模型。
31、本专利技术的目的之二采用以下技术方案实现：
32、一种短期负荷预测装置，其包括：
33、接收模块，用于接收负荷特征、天气特征及日历特征；
34、训练模块，用于通过顺序前向选择sfs算法进行特征选择，得到特征集，其中，所述sfs算法通过特征树选择算法进行特征选择；将所述特征集输入xgboost算法模型中进行训练；训练完成，得到负荷功率预测模型。
35、本专利技术的目的之三在于提供执行专利技术目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的基于特征树的迭代学习负荷预测方法。
36、本专利技术的目的之四在于提供存储专利技术目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于特征树的迭代学习负荷预测方法。
37、相比现有技术，本专利技术的有益效果在于：
38、本专利技术提出改进sfs特征树特征选择算法，优化特征选择方式，将传统特征选择的链式结构变为树型结构，为最优特征集扩展增加及删除的双向动态调整方案，增加跳出局部最优解的可能性，有效减少冗余特征，充分考虑了特征之间的多重协同，增强模型输入特征集的可靠性与性能。此外，本专利技术还提出了多特征迭代学习框架，可以充分挖掘特征间协同关系，阶段性地划分差异化特征组合，使重要特征在训练本文档来自技高网...
【技术保护点】
1.一种基于特征树的迭代学习负荷预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于特征树的迭代学习负荷预测方法，其特征在于，所述负荷特征包括历史负荷功率，所述天气特征包括天气类型、温度、湿度，所述日历特征包括小时、星期、月份、节假日。
3.如权利要求1或2所述的基于特征树的迭代学习负荷预测方法，其特征在于，所述特征选择包括内部特征选择及外部特征选择，所述负荷特征为内部特征，所述天气特征及所述日历特征为外部特征。
4.如权利要求1所述的基于特征树的迭代学习负荷预测方法，其特征在于，所述特征树为最优特征生成树，其包括：
5.如权利要求4所述的基于特征树的迭代学习负荷预测方法，其特征在于，初始化生成树，包括：进行数值初始化，满足Ui，j＝+∞(i，j∈X)，Ci＝+∞(i∈X)，e＝+∞，其中，Ui，j表示基于生成树上特征j代表的特征集Sj扩展子集，X为原始特征集，Ci是生成树外特征i的最佳评价分数，E表示模型最优选择特征集，e为E的评价分数；
6.如权利要求5所述的基于特征树的迭代学习负荷预测方法，其特征在于，
7.如权利要求1所述的基于特征树的迭代学习负荷预测方法，其特征在于，所述特征选择及所述XGBoost算法模型训练通过多特征迭代学习框架进行迭代学习，包括以下步骤：
8.一种基于特征树的迭代学习负荷预测装置，其特征在于，其包括：
9.一种电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于特征树的迭代学习负荷预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于特征树的迭代学习负荷预测方法。
...【技术特征摘要】
1.一种基于特征树的迭代学习负荷预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于特征树的迭代学习负荷预测方法，其特征在于，所述负荷特征包括历史负荷功率，所述天气特征包括天气类型、温度、湿度，所述日历特征包括小时、星期、月份、节假日。
3.如权利要求1或2所述的基于特征树的迭代学习负荷预测方法，其特征在于，所述特征选择包括内部特征选择及外部特征选择，所述负荷特征为内部特征，所述天气特征及所述日历特征为外部特征。
4.如权利要求1所述的基于特征树的迭代学习负荷预测方法，其特征在于，所述特征树为最优特征生成树，其包括：
5.如权利要求4所述的基于特征树的迭代学习负荷预测方法，其特征在于，初始化生成树，包括：进行数值初始化，满足ui，j＝+∞(i，j∈x)，ci＝+∞(i∈x)，e＝+∞，其中，ui，j表示基于生成树上特征j代表的特征集sj扩展子集，x为原始...
【专利技术属性】
技术研发人员：唐雅洁，龚迪阳，林达，刘敏，李志浩，倪筹帷，汪湘晋，马瑜涵，章雷其，陈哲，吴启亮，陈凌宇，叶凌霄，赵波，张雪松，葛晓慧，金星，陈乐祺，杜凯健，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
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。