[发明专利]基于混合机器学习和空间地址匹配的区域用电量预测方法

说明书

本发明公开了一种基于混合机器学习和空间地址匹配的区域用电量预测方法。该方法首先利用空间地址匹配技术将电表的文本地址信息映射为空间坐标；然后使用聚类算法对所有电表进行用户分类；之后，利用Stacking技术融合XGBoost和LightGBM两个机器学习模型，完成对每类用户的用电量混合预测模型的构建；最后，通过空间叠加分析筛选出待预测区域内的所有电表，并基于构建的预测模型对位于待预测区域内的每个电表的用电量进行预测，将结果相加后得到区域的预测用电量。此方法考虑了影响用电量的多方面因素，包括用户类别、周期用电规律、天气变化等，并通过空间匹配技术和空间叠加分析实现了任意区域未来用电量的准确预测，结果可为电力调度提供科学的支撑。

技术领域

本发明涉及电力领域，尤其涉及一种基于混合机器学习和空间地址匹配的区域用电量预测方法。

背景技术

准确预测用户用电量对电力系统优化及调度具有重要意义，提升用电量预测的精度一直是智能电网建设的热点研究方向。用电量预测本质上与负荷预测类似，是一个时间序列的回归问题。传统的用电量预测方法如自回归滑动平均模型、自回归积分滑动模型等。随着机器学习、深度学习的发展，这些技术被用于用电量预测，如随机森林、支持向量机、长短时记忆网络等。通过比较发现，深度学习方法总体比传统方法具备更好的精度。

综上，目前用电量预测方法较多，但现有的大多数预测多基于单一模型，在复杂应用场景下适应性较差，而且大多数预测的输入为历史用电量数据，未考虑外部因素如天气等的影响；此外，目前的区域用电量预测多基于行政区划，无法实现任意空间区域的用电量预测。因此研究一种预测精度高、预测范围灵活、健壮性强的区域用电量预测方法意义重大。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于混合机器学习和空间地址匹配的区域用电量预测方法，可有效解决上述问题。本发明具体采用的技术方案如下：

一种基于混合机器学习和空间地址匹配的区域用电量预测方法，其包括以下步骤：

S1.输入覆盖待预测区域的空间范围中所有电表的原始用电量监测数据，包含一张元数据表和若干张用户表，其中元数据表中存储每个电表的设备类别和电表地址；每张用户表记录一个电表的时序监测数据，包括监测时间和每个监测时间对应的用电量；

S2.遍历元数据表，对其中以文本形式表示的电表地址进行空间地址匹配分析，将电表地址映射为空间点位坐标；

S3.将所有用户表的用电量时序数据进行k-means聚类分析，按用电量特征分为多个用户类别；

S4.针对每类的用户，以近期用电量时序、周期用电规律、历史天气情况和未来天气情况四类数据作为输入，利用Stacking技术将XGBoost和LightGBM两个机器学习模型进行融合，完成每类用户的用电量混合预测模型构建，用于对待预测日期的用电量进行预测；

S5.将待预测区域的空间区域与所有电表的空间点位进行叠加分析，筛选出位于预测区域内的电表；

S6.基于构建的用电量混合预测模型对位于预测区域内每个电表的用电量进行预测，并将预测结果进行叠加，结果即为预测区域的预测总用电量。

作为优选，所述S2包括以下步骤：

S21.中文分词：基于jieba中文分词工具对每张电表中记录的监测文本地址进行分词；

S22.生成词向量：利用Word2Vec工具将分词后的字符转化为词向量；

S23.生成句向量：利用TF-IDF加权平均方法基于词向量在地址语料库中出现的词频生成其地址句向量；

S24.空间点位坐标映射：将S23中得到的地址句向量输入基于地址语料库预训练好的深度文本匹配模型ESIM中，得到地址句向量对应的经纬度坐标，即每张电表的空间点位坐标。