[发明专利]一种基于梯度提升决策树的短期负荷预测方法

权利要求书

1.一种基于梯度提升决策树的短期负荷预测方法，其特征是：包括以下步骤：

获取待预测日前N天的历史负荷数据，形成原始数据集A₀；

从原始数据集A₀中筛选出构建训练样本的数据集B；

利用数据集B构造GBDT预测模型所需的全部样本集(X，Y)；

由全部样本集(X，Y)训练构造全天GBDT预测模型，根据全天GBDT预测模型预测待预测日的全天负荷向量；

将全部样本集(X，Y)按小时分割为24个样本子集，并分别训练构造小时GBDT预测模型，根据小时GBDT预测模型预测待预测日的24小时负荷向量；

结合全天负荷向量和24小时负荷向量，预测待预测日的最终负荷向量，所述待预测日的最终负荷向量final_pred＝[pred₀，pred₁，...，pred₂₃]，

式中所述predi为最终确定的第i时预测负荷，hourload_i为小时GBDT预测模型得到的i时预测负荷，dayload_i为全天GBDT预测模型得到的i时预测负荷，min()表示取括号中二者值小的一个，max()表示取括号中二者值较大的一个。

2.根据权利要求1所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述原始数据集A₀中，每天的数据作为一个原始数据样本，每个样本中，将当天每小时的负荷数据和时间数据分别作为数据点。

3.根据权利要求2所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述从原始数据集A₀中筛选出构建训练样本的数据集B的具体过程为：

从原始数据集A₀中筛选出与待预测日的日期类型相同的数据集，记为A₁；

根据正常数据点的判定条件，过滤A₁中的异常数据，并统计A₀中正常负荷点的个数，将正常负荷点的个数大于设定值的样本加入正常数据集A₂；

从A₂中筛选出与待预测日相似的M天，记为数据集B。

4.根据权利要求3所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述从A₂中筛选出与待预测日相似的M天的具体过程为：以待预测日前一天负荷数据向量与A₂中所有样本负荷数据向量的欧式距离r_d作为相似度的度量，相似度最大的M天数据加入数据集B，M的取值公式为

M＝min(30，[P*0.7])，

式中，P为数据集A₂的样本个数，[]表示向下取整数，min()表示取括号中二者值之间较小的一个。

5.根据权利要求4所述的一种基于梯度提升决策树的短期负荷预测方法，其特征是：所述全部样本集(X，Y)为

(X，Y)＝{(x_j，i，y_j，i)|i＝0，1，2，...，23；j＝1，2，...，M}

式中x_j，i表示由数据集B中第j个样本i时的负荷数据点构造出的训练输入特征向量x_j，i，y_j，i表示数据集B中第j个样本i时的负荷值，构造为对应训练样本的响应值。