[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

说明书

本发明公开了一种基于历史负荷数据的短期负荷预测与修复方法，该方法包括：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。通过使用本发明，能够通过准确的提取历史负荷数据的潜在特征从而提高对异常负荷数据的检测精度。本发明作为一种基于历史负荷数据的短期负荷预测与修复方法，可广泛应用于电力负荷数据挖掘技术领域。

技术领域

本发明涉及电力负荷数据挖掘技术领域，尤其涉及一种基于历史负荷数据的短期负荷预测与修复方法。

背景技术

在我国智能电网不断发展的背景下，电网的负荷数据规模飞速增长；在大数据发展环境下，电力数据价值受到广泛关注，通过对大量的电力数据进行用电负荷预测能够最大程度减少电网问题，但是大数据下负荷数据存在大量冗余信息，其中包括异常负荷，这给负荷预测带来了不便；因此，如何对海量的电网数据进行高效分析，快速准确地检测出异常的电力数据，是电网安全有效运行的重要保证；现有技术大多基于分类器的异常检测模型，可根据分类器的类型进一步分为监督模型和无监督/半监督模型，由于负荷数据规模庞大，有监督学习对异常负荷做标记时间和人工成本巨大，所以不便于异常负荷检测；所以当下的异常负荷检测大多基于无监督学习开展，利用传统的机器学习算法比如k均值、SVM、随机森林算法等进行分类，但受限于异常负荷受多因素的影响(如温度、湿度、降雨量和季节等)，而且异常负荷数据本身是一种时序数据，传统分类器依靠空间特征实现聚类，这导致异常负荷检测精度不足，同时面对海量电力负荷数据，在存在大量嘈杂，低级的特征下，传统单一的机器学习模型难以在高维负荷数据中提取有用的特征用于检测异常负荷，以及不能综合考虑多因素的影响，导致异常负荷检测精度有限。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于历史负荷数据的短期负荷预测与修复方法，能够通过准确的提取历史负荷数据的潜在特征从而提高对异常负荷数据的检测精度。

本发明所采用的第一技术方案是：一种基于历史负荷数据的短期负荷预测与修复方法，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。

进一步，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。

进一步，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。

进一步，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，且为具有相同数量神经元的神经网络；