[发明专利]基于多模型融合的多因素电力需求中短期预测方法

说明书

本发明公开了基于多模型融合的多因素电力需求中短期预测方法，通过融合多种模型对不同时长条件下的电力需求进行预测，在有效提升预测精度的前提下节省大量预测时间。GBDT、XGBoost和LightGBM三种模型均属于Boosting模型，是基于决策树的一种决策模型，通过在决策树中寻找最优解求解目标问题的答案。使用Stacking框架分两层对电力数据进行预测，在由GBDT、XGBoost和LightGBM三种Boosting模型完成预测后，由LR模型对预测结果进行修正后输出，增强了预测的准确度和可信度。将三个模型进行联合，共同对电力需求进行预测，从而使三个模型能够形成互补，带来更高精度的预测结果。本方法属于决策搜索型优化求解算法，因此在决策所需时间上远低于人工智能算法。

技术领域

本发明涉及一种基于多模型融合的多因素电力需求中短期预测方法，属于电力需求评估技术领域。

背景技术

电力是全球范围内最重要的基础能源之一，它能够为工业生产加工和居民日常生活提供基本支撑和保障。由于现阶段电能没有优质的存储载体，单纯依靠蓄电池组或者抽水储能电站存在着存储效率低下的问题，因此发电量应当与需求量大致相等，否则会带来资源浪费等后果。加之全球范围内大多以火力发电方式为主要电能产生方式，因此过度发电还会带来严重的环境污染问题。除此以外，在近现代电力发展进程中，还曾多次出现电力供应不足、电力紧缺的情况，电力需求预测非常重要。

电力需求预测是指对电力市场在未来一段时间内的电力需求做出推测，一般按照时间跨度将电力预测分为三大类：短期预测、中期预测和长期预测。短期预测一般是指按照天为最小单位进行预测，常用的方法有有线性递推最小二乘法、基于卡尔曼滤波的状态空间法等方法。中期预测一般指按照月份或者季度为最小单位进行预测，常用方法主要有季节指数法和ARIMA模型法等方法。而长期预测一般是指按年为最小单位进行预测，常用方法主要有移动平均法和神经网络法等方法。从预测特点来看，短期预测时所能够使用的历史数据量较大，同时在不同节假日时也会受到不同影响，因此在预测时需要综合考虑；中期预测的数据存在较为明显的季节特征，因此需要结合这一特点开展预测工作；长期预测由于历史数据有限，加之外界干扰因素较多，因此在预测时需要充分挖掘数据特征，从而才能够取得较好的预测结果。对于短期预测而言，能够对电网实时调度提供相应的决策指导；而长期预测能够在指导电力系统规划建设的基础上为电网的扩建和增容等提供数据支持。

以往电力预测技术主要使用统计学理论的时间序列、多元线性回归和ARIMA等方法为主，这些方法理论简单且计算量较少，因此在电力预测初期的研究中获得了较多应用。但由于这些方法难以结合外部因素开展预测工作，因此预测精度受到了很大程度上的限制，难以满足实际需求。与传统的统计学预测方法相比，人工智能技术能够在短时间内对大量数据进行分析和学习，并显著提升预测精度，具有较为明显的优势。

目前，针对中短期电力数据信息量较少、预测难度较大的问题，本发明充分考虑气象因素对用电量的影响，将LightGBM、XGBoost和GBDT进行融合，通过融合后的模型充分发掘电力需求与气象数据中之间的相关性，并利用数据内部存在的时序关系对模型进行训练，从而获取更加精确的预测效果。

发明内容

本发明主要用于电力需求预测，本发明通过融合多种模型对不同时长条件下的电力需求进行预测，帮助电力公司合理分配电力资源，合理安排电力调度。现阶段电力预测存在着短时预测准确率不高、预测所需时间较长等多种问题，本发明方法在有效提升预测精度的前提下节省大量预测时间。GBDT、XGBoost和LightGBM三种模型均属于Boosting模型，是基于决策树的一种决策模型，通过在决策树中寻找最优解求解目标问题的答案。相较于现阶段研究广泛的人工智能算法，该方法能够更加快速的取得较高的预测精度。同时为取得更好的预测效果，本发明使用Stacking框架分两层对电力数据进行预测，在由GBDT、XGBoost和LightGBM三种Boosting模型完成预测后，由LR模型对预测结果进行修正后输出，增强了预测的准确度和可信度。