[发明专利]一种基于梯度提升决策树的短期负荷预测方法

说明书

本发明实施例公开了一种基于梯度提升决策树的短期负荷预测方法，包括获取待预测日前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，并根据小时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。本发明充分挖掘历史负荷数据中的特征并构造不同的梯度提升决策树模型来提高短期负荷预测的精度。

技术领域

本发明涉及电力系统负荷预测技术领域,具体地说是一种基于梯度提升决策树的短期负荷预测方法。

背景技术

负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据，其中负荷是指电力需求量(功率)或用电量，负荷预测是电力系统经济调度中的一项重要内容。准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。

目前短期负荷预测的方法较多，主要采用时间序列、回归分析、专家系统法、支持向量机和神经网络等方法，这些算法各具优缺点，适应的范围各不相同。但由于存在各种信息获取的限制，在缺少除了历史负荷数据之外的诸如天气温度等信息的情况下，上述算法的预测精度普遍较低。

发明内容

本发明实施例中提供了一种基于梯度提升决策树的短期负荷预测方法，以解决现有技术中负荷预测精度低的问题。

为了解决上述技术问题，本发明实施例公开了如下技术方案：

一种基于梯度提升决策树的短期负荷预测方法，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。

进一步地，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。

进一步地，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。