[发明专利]基于CatBoost模型的低温预测

说明书

本发明提出了一种基于CatBoost模型的低温预测方法，具体实现步骤如下：(1)获取气象数据；(2)通过自相关系数建立气象数据之间的滞后特征；(3)数据预处理，具体包括缺失值填充和数据归一化；(4)通过LassoCV进行特征的选择；(5)建立LassoCV‑CatBoost模型进行低温预测；(6)通过遗传算法GA对CatBoost模型的参数进行优化从而得到最终的低温预测模型；(7)模型评估。

技术领域

本发明属于输电线路覆冰灾害预警监测技术领域，更进一步涉及低温预测技术领域中的一种基于CatBoost模型的低温预测方法。本发明可用于对低温进行预测。

背景技术

电网运行经验表明，由于输电线路覆冰灾害引发的导线断裂、杆塔倾倒事故对输电线路的破坏极大，对电网系统的安全稳定运行同样造成不利的影响。输电线路的覆冰事故多数发生于微气象区域，其是一种受温度、湿度、冷暖空气对流、环流以及风等因素影响的综合物理现象。低温是造成输电线路覆冰的重要原因之一，因此精确的低温预测可以为输电线路的短期覆冰预测提供良好的数据支撑。低温数据具有时间序列特征，传统的预测方法大多是单元时间序列建模，实际上气温的变化受多种气象因素的综合作用，与气温的相关性较高的因素有风向、风速与相对湿度。传统的时间序列气温预测模型主要有多元线性回归法、自回归移动平均法(ARIMA)以及灰色预测法，以上方法的预测效果很难满足气温的动态变化，预测结果基本趋向于平均值。陶晔等提出了基于随机森林的长短期记忆网络气温预测模型，牛志娟等提出了采用主成分分析的反向传播神经网络(back propagationneural network,BP)和径向基函数神经网络(radial basis function neural network,RBF)建立气温预测模型，以上方法虽然考虑了多元气象数据对气温的影响，但并未将多元气象数据自身的时间序列特征考虑在内。蒋艮维等提出了一种PSO-RBF-ANN在气温预测中的应用模型，虽然通过粒子群优化算法对RBF模型的结构参数进行了优化，但同样存在单元时间序列预测问题，因而预测精度不高。

发明内容

本发明的目的在于针对传统的预测方法难以学习海量的数据且没有充分考虑多元气象数据及其自身的时间相关性对气温变化的影响，提出一种基于CatBoost模型的低温预测方法。

实现本发明目的的思路是，首先利用自相关系数(Autocorrelation)建立滞后特征，之后利用LassoCV能够衡量单个特征变量重要性的特点，从建立的多个特征中筛选出与低温高度相关的特征作为CatBoost模型的输入变量对低温时间序列数据进行建模,最后通过遗传算法GA对CatBoost模型的参数进行优化从而得到最终的低温预测模型。

本发明实现的具体步骤包括如下：

(1)获取气象数据；

(2)通过自相关系数建立气象数据之间的滞后特征；

(3)数据预处理，具体包括缺失值填充和数据归一化；

(4)通过LassoCV进行特征的选择；

(5)建立LassoCV-CatBoost模型进行低温预测；

(6)通过遗传算法GA对CatBoost模型的参数进行优化从而得到最终的低温预测模型；

(7)模型评估；

进一步地，步骤(2)中所述的滞后特征建立方法如下：

通过自相关系数来度量当前时刻y_t与k阶滞后y_t-k之间的相关性。相关性度量的是两个随机变量的相关程度，相关系数就可以衡量两个变量之间的线性相关关系。