[发明专利]一种基于双层XGBoost考虑多特征的电力系统负荷预测方法

说明书

一种基于双层XGBoost考虑多特征的电力系统负荷预测方法，采用CART树作为基学习器，输入预处理后的历史负荷和特征数据，通过构建多个弱学习器逐层训练得到模型并筛选显著影响负荷的特征集。在第二层模型训练过程中，引入K折交叉验证划分数据的训练集、测试集，避免对模型超参数的影响，最后向模型输入测试集特征得到最终的预测结果。本发明的优点：能够避免对数据特征的标准化、处理字段缺失的数据，不用关心特征间是否相互依赖、且模型学习效果好；为电力系统负荷精准预测提供一种新的预测方法，能够保证电力系统安全稳定的运行、保证供电的可靠性、提高社会经济效益。

技术领域

本发明涉及电力系统负荷预测技术领域，特别涉及一种基于双层XGBoost考虑多特征的负荷预测方法

背景技术

电力负荷预测是根据电力负荷、经济和气象等历史数据，探索历史数据和未来负荷变化之间的规律，从理论上说，电力负荷预测就是寻求电力负荷与各种外界因素之间的内在关系，从而对未来的负荷进行合理预测的过程。

根据电网历史负荷数据，同时考虑电价、气象、节假日等影响因素，对未来某个时间段的用电负荷进行超短期的精准预测。能够保证供电的可靠性；提高社会经济效益；为电网调度、检修计划制定提供重要依据；节省发电资源、保持电网安全稳定运行。

面对目前电力系统负荷预测中普遍存在采集到的数据特征维度较少、特征关系不明、有效数据量较少等特点，为了提高电网超短期负荷预测精度，提出一种基于双层XGBoost算法融合多种特征的超短期电力负荷预测方法。

发明内容

目前电力系统负荷预测中普遍存在采集到的数据特征维度较少、特征关系不明、有效数据量较少等特点。

本发明目的在于提供一种机器学习下明显提高负荷预测精度、速度及泛化能力基于特征工程的电力系统负荷预测方法。为实现上述目的，采用了以下方案，本发明方法包括以下步骤：

S1选择预测日之前的n个相似类型的负荷序列；每个日期的采样点为96点，即每15min采样一次；

S2采集选择n个相似类型日期的特征数据；包括时间、气象、日期类型等；

S3清洗数据，去除选择相似类型日的历史负荷及特征数据集中的异常值、缺失值等噪声数据；

S4建立第一层考虑复杂影响因素的XGBoost模型；获取模型参数、预测结果及特征相关性排名；

S5基于交叉验证对数据进行分块；分为测试集和验证集；

S6通过构建的第二层XGBoost预测模型，将提取的特征向量及历史负荷数据共同作为输入进行预测训练，通过双层XGBoost预测方法预测第n+1天15min粒度的负荷值。

S7计算预测精度。

所述S2中相关负荷影响特征数据集包括时间X0、降水X1、气压X2、最大气压X3、最小气压X4、气温X5、最大气温X6、最小气温X7、相对湿度X8、最小相对湿度X9、地面温度X10、最大地面温度X11、最小地面温度X12、当前天气X13、附近变压器上一时段负荷X14、风向X15、风速X16、上一时段气温X17、上一时段负荷X18、日期类型X19，上述特征数据及对应历史负荷数据将作为第一层XGBoost预测模型数据输入。

所述S3数据清洗中，选择相似类型日的历史负荷及特征数据集中异常值检测原理具体方法如下：

数值属性对异常值检测直接通过数值运算进行检测；异常值针对各个特征的数据中明显偏离与其它数据点的对象。对于数值型数据会出现前后对比差异很大的值，采用3σ原则，分别计算数据的四分位数：第一四分位数(Q₁)和第三四分位数(Q₃)，设定可接受的值的取值范围为：