[发明专利]一种基于历史负荷数据的短期负荷预测与修复方法

权利要求书

1.一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，包括以下步骤：

对历史负荷数据集进行数据预处理，得到预处理后的历史负荷数据集；

通过深度自编码器对预处理后的历史负荷数据集进行特征提取处理，得到重构数据集；

通过Stacking集成模型对重构数据集进行负荷预测，得到预测值；

根据预测值对历史负荷数据集进行修复，得到修复后的历史负荷数据集。

2.根据权利要求1所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述对历史负荷数据集进行数据预处理，得到预处理后的历史负荷数据集这一步骤，其具体包括：

获取历史负荷数据集并根据历史负荷数据采集对应的相关特征，构建原始特征数据；

对原始特征数据的数据缺失部分进行平均值修正，得到平均修正值；

根据平均修正值对原始特征数据的数据缺失部分进行填充处理，得到填充后的历史负荷数据集；

对填充后的历史负荷数据集进行归一化处理，得到预处理后的历史负荷数据集。

3.根据权利要求2所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述归一化处理的计算函数如下所示：

上式中，表示第i个原始样本数据，u表示原始样本数据的均值，σ表示原始样本数据的标准差，表示第i个样本的归一化值。

4.根据权利要求2所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述通过深度自编码器对预处理后的历史负荷数据集进行特征提取处理，得到重构数据集这一步骤，其具体包括：

将预处理后的历史负荷数据集输入至深度自编码器，所述深度自编码器包括编码器模块和解码器模块；

基于深度自编码器的编码器模块，对预处理后的历史负荷数据集进行编码与压缩处理，输出具有低维隐向量特征的历史负荷数据集；

基于深度自编码器的解码器模块，通过重构误差损失计算函数对具有低维隐向量特征的历史负荷数据集进行解码与重构处理，得到重构数据集。

5.根据权利要求4所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述深度自编码器包括互为对称结构的编码器模块和解码器模块，所述编码器模块与解码器模块由隐藏层网络组成，其中隐藏层网络的计算函数如下所示：

H(x)＝δ(wx+b)

上式中，x表示输入数据，w表示隐藏层网络的权重，b表示隐藏层网络所加的偏置，δ表示选择sigmoid函数，H(x)表示隐藏层网络的输出。

6.根据权利要求5所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述重构误差损失计算函数的表达式如下所示：

θ＝(w,b)

上式中，h_θ(·)表示编码器函数，g_θ(·)表示解码器函数,θ表示隐藏层网络的参数选取，x表示训练数据，x_i表示第i个样本数据，n表示一共有n个样本数据。

7.根据权利要求4所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述通过Stacking集成模型对重构数据集进行负荷预测，得到预测值这一步骤，其具体包括：

对重构数据集进行划分处理，得到训练数据集与验证数据集；

通过k折交叉验证对训练数据集进行处理，将数据划分为k个子集，其中k-1个子集做训练集，剩下1个子集作为验证集；

将验证后的数据集输入至Stacking集成模型，所示Stacking集成模型包括基学习器模块和元学习器模块；

基于Stacking集成模型的基学习器模块，对验证后的数据集进行迭代训练，得到初步的预测值；

基于Stacking集成模型的元学习器模块，结合对基学习器模块得到初步的预测值作为训练数据，进行n次迭代训练得到最终预测值，完成Stacking集成模型的训练；

基于训练后的Stacking集成模型，对验证数据集进行负荷预测，得到预测值。