【技术实现步骤摘要】
本专利技术属于电量预测，涉及一种stacking集成模型电量预测方法及装置，尤其是一种基于鲸鱼优化算法改进的stacking集成模型电量预测方法及装置。
技术介绍
1、随着全球经济的发展和人口的增长，能源消耗已然成为一个全球性的问题，特别是电能在工业、商业和居民生活方面占据了重要地位，电量消耗庞大。引导电量消耗，促进能源的高效利用和可持续发展，也是我国电力市场改革目标之一。在电力市场改革的背景下，电量预测成为了一个关键的技术和工具，通过对电力需求的准确预测，电力公司可以更好地调配资源和规划供应，以满足不同时间段和地区的需求，提高发电计划的合理性。此外，电量预测也有助于优化能源消耗和降低碳排放，从而实现可持续发展的目标。
2、电量预测方法可主要分为3大类：经典预测方法、传统预测技术、现代新型预测技术。经典预测方法是依靠的工作经验或简单的数学推理来对未来电量值做简单的数学的推论，缺乏数学理论支持，预测精度较差。传统预测方法的数学模型较为完整，用各种指标来衡量所搭建的模型与电量历史数据的吻合程度，具有完善的参数估计和误差检验算法。现代新型预测技术是随着数学理论的不断更新、数据挖掘技术的发展，利用机器学习和深度学习等方法进行预测，预测精度大幅提高。其中，机器学习模型是通过学习历史数据中的模式和规律，以预测未来的电量需求。常用的机器学习模型包括支持向量机(svm)、决策树(decision tree)、随机森林(random forest)等；深度学习模型是一种基于神经网络的机器学习方法，能够处理复杂的非线性关系和大规模数据。
3、经检索，未发现与本专利技术相同或相似的现有技术的专利文献。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，一种基于鲸鱼优化算法改进的stacking集成模型电量预测方法及装置，能够解决模型泛化性能差、忽视特征组合对预测的影响、集成算法中基学习器选择形式单一的技术问题。
2、本专利技术解决其现实问题是采取以下技术方案实现的：
3、一种基于鲸鱼优化算法改进的stacking集成模型电量预测方法，包括以下步骤：
4、基于支持向量机svm算法和多相关性融合指标筛选特征，获得最优特征组合；
5、在选出的最优特征组合的基础上，利用鲸鱼优化算法选择堆叠方法stacking中的最优基学习器组合；
6、基于选出的最优特征组合和鲸鱼优化算法选择的最优基学习器组合，构建堆叠方法stacking集成模型进行电量预测。
7、而且，所述基于支持向量机svm算法和多相关性融合指标筛选特征，获得最优特征组合的具体步骤包括：
8、根据人工经验先选择影响电量的特征，包括电量信息、电价信息、日历信息和天气信息；
9、其中，电量信息包括历史时段的电量数据和历史时段中电量最大值、最小值、波动值数据；电价信息包括日前市场电价和实时市场电价；日历信息包括小时、星期、月份、季度、天数、周数和节假日数据；天气信息包括温度、湿度、降雨量、辐射、风速数据；
10、根据人工经验所选取的各个特征，计算皮尔逊相关性指数、互信息熵、斯皮尔曼相关性指数以及三者融合相关性指标，分析各个特征与电量之间的相关性，按相关性将各特征排序，删除相关性指标中极小且趋于0的特征；
11、依据排序后的特征，指定不同的提取特征标准，将满足标准的特征聚合；根据不同的提取标准组成多种特征组合，训练并测试当前特征组合下svm模型预测效果，评估预测性能，为stacking集成预测模型的基学习器选择和构建筛选效果最优的特征组合。
12、而且，所述在选出的最优特征组合的基础上，利用鲸鱼优化算法选择堆叠方法stacking中的最优基学习器组合的具体步骤包括：
13、选择五类不同类别算法组成基学习器库，包括基于树算法、支持向量机、近邻算法、回归分析和神经网络，利用算法不同的原理从不同的角度观测数据空间与结构；
14、利用鲸鱼优化算法从基学习器库中选择最优基学习器组合，每次鲸鱼算法的迭代过程中选取一个基学习器组合，并将当前基学习器组合输入stacking集成预测模型，以此为stacking集成预测的第一层模型预测，以最后的预测误差做为适应度，多次迭代后选取最低适应度值对应的基学习器组合为最优基学习器组合。
15、而且，所述利用鲸鱼优化算法从基学习器库中选择最优基学习器组合的方法为：
16、首先在已建成的基学习器库中初始化基学习器组合，根据初始基学习器组合搭建stacking集成预测模型，计算当前适应度值做为初始最优适应度值；然后利用交叉变异操作更新基学习器组合，建立新的stacking模型，并计算新基学习器组合下适应度值，与最优适应度值比较，若当前适应度值小于最优适应度值，则更新当前基学习器组合为最优基学习器组合，当前适应度值为最优适应度值，否则保留原来最优组合和适应度，一直迭代计算；最后，达到迭代条件时终止，输出最后的全局最优基学习器组合。
17、而且，所述基于选出的最优特征组合和鲸鱼优化算法选择的最优基学习器组合，构建堆叠方法stacking集成模型进行电量预测的具体方法为：
18、基于选出的最优特征组合和鲸鱼优化算法选出的最优基学习器组合，完成最优基学习器组合的stacking集成模型构建，并实现电量预测；首先按照鲸鱼优化算法选出的最优基学习器的个数，划分电量数据和筛选后的特征数据，将划分后的数据分别输入选择后的基学习器进行第一层预测，然后将第一层预测结果汇总输入第二层预测模型，得到最终预测结果，由此完成预测。
19、一种基于鲸鱼优化算法改进的stacking集成模型电量预测装置，包括：
20、特征筛选模块，基于支持向量机svm算法和多相关性融合指标筛选特征，获得最优特征组合；
21、stacking基学习器组合选择模块，在选出的最优特征组合的基础上，利用鲸鱼优化算法选择堆叠方法stacking中的最优基学习器组合；
22、电量预测模块，基于选出的最优特征组合和鲸鱼优化算法选择的最优基学习器组合，构建堆叠方法stacking集成模型进行电量预测。
23、而且，所述特征筛选模块还包括：
24、人工经验选择特征模块，根据人工经本文档来自技高网...
【技术保护点】
1.一种基于鲸鱼优化算法改进的Stacking集成模型电量预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于鲸鱼优化算法改进的Stacking集成模型电量预测方法，其特征在于：所述基于支持向量机SVM算法和多相关性融合指标筛选特征，获得最优特征组合的具体步骤包括：
3.根据权利要求1所述的一种基于鲸鱼优化算法改进的Stacking集成模型电量预测方法，其特征在于：所述在选出的最优特征组合的基础上，利用鲸鱼优化算法选择堆叠方法Stacking中的最优基学习器组合的具体步骤包括：
4.根据权利要求3所述的一种基于鲸鱼优化算法改进的Stacking集成模型电量预测方法，其特征在于：所述利用鲸鱼优化算法从基学习器库中选择最优基学习器组合的方法为：
5.根据权利要求1所述的一种基于鲸鱼优化算法改进的Stacking集成模型电量预测方法，其特征在于：所述基于选出的最优特征组合和鲸鱼优化算法选择的最优基学习器组合，构建堆叠方法Stacking集成模型进行电量预测的具体方法为：
6.一种基于鲸鱼优化算法改进的Stac
7.根据权利要求6所述的一种基于鲸鱼优化算法改进的Stacking集成模型电量预测装置，其特征在于：所述特征筛选模块还包括：
8.根据权利要求6所述的一种基于鲸鱼优化算法改进的Stacking集成模型电量预测装置，其特征在于：所述Stacking基学习器组合选择模块还包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-5任一项所述的电量预测方法的步骤。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1-5任一项所述的电量预测方法的步骤。
...【技术特征摘要】
1.一种基于鲸鱼优化算法改进的stacking集成模型电量预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于鲸鱼优化算法改进的stacking集成模型电量预测方法，其特征在于：所述基于支持向量机svm算法和多相关性融合指标筛选特征，获得最优特征组合的具体步骤包括：
3.根据权利要求1所述的一种基于鲸鱼优化算法改进的stacking集成模型电量预测方法，其特征在于：所述在选出的最优特征组合的基础上，利用鲸鱼优化算法选择堆叠方法stacking中的最优基学习器组合的具体步骤包括：
4.根据权利要求3所述的一种基于鲸鱼优化算法改进的stacking集成模型电量预测方法，其特征在于：所述利用鲸鱼优化算法从基学习器库中选择最优基学习器组合的方法为：
5.根据权利要求1所述的一种基于鲸鱼优化算法改进的stacking集成模型电量预测方法，其特征在于：所述基于选出的最优特征组...
【专利技术属性】
技术研发人员：丁一，刘念，魏立勇，史佳琪，王恩，李欣芝，庞超，高齐，赵晨阳，尚学军，徐科，吴磊，陈亮，
申请(专利权)人：国网天津市电力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。