[发明专利]基于机器学习的变电站电量趋势预测分析的方法

摘要

本发明公开了一种基于机器学习的变电站电量趋势预测分析的方法，包括分析变电站电量趋势预测的影响因子，确定构建模型所需的特征量类型；基于已采集的电量数据和所述特征量类型构建多维度特征量数据集；构建GBDT和Adaboost集成预测模型，并采用均方根误差的值比较评估模型的预测效果。本发明提供的基于机器学习的变电站电量趋势预测分析的方法，充分考虑影响预测效果可能的特征因子，使得预测分析更加准确；并采用基于回归的GBDT、Adaboost集成学习算法，防止数据过拟合，且可实现预测模型可持续训练、分析和优化。

主权项

基于机器学习的变电站电量趋势预测分析的方法，其特征在于，包括以下步骤：S1.分析变电站电量趋势预测的影响因子，确定构建模型所需的特征量类型，所述特征量类型包括节假日电量、月份电量、周电量、日电量、气象数据、模型滞后期；S2.基于已采集的电量数据和所述特征量类型构建多维度特征量数据集，其中，所述节假日电量、月份电量、周电量、日电量均基于各自时间节点的均值、方差、最大值、最小值的特征数据上进行特征提取；S3.生成模型评估数据集，所述数据集包括训练集和测试集；S4.基于回归的GBDT集成学习算法构建GBDT预测模型，使用所述训练集进行迭代训练获取最终强学习器；S5.基于Adaboost集成学习算法构建Adaboost预测模型，使用所述训练集进行迭代训练获取最终强分类器；S6.获取所述GBDT预测模型和Adaboost预测模型的电量预测结果，并根据所述测试集，分别计算所述GBDT预测模型和Adaboost预测模型的均方根误差；S7.采用所述均方根误差的值评估预测模型的预测效果，所述均方根误差越小，相应预测模型的预测结果越准确。