CN110503251B - 一种基于Stacking算法的非节假日负荷预测方法 - Google Patents
一种基于Stacking算法的非节假日负荷预测方法 Download PDFInfo
- Publication number
- CN110503251B CN110503251B CN201910738748.4A CN201910738748A CN110503251B CN 110503251 B CN110503251 B CN 110503251B CN 201910738748 A CN201910738748 A CN 201910738748A CN 110503251 B CN110503251 B CN 110503251B
- Authority
- CN
- China
- Prior art keywords
- model
- predicted
- load
- data
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012856 packing Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 85
- 238000012549 training Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 230000007547 defect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Stacking算法的非节假日负荷预测方法,包括以下步骤:S1、获取样本数据,包括电力系统用户短期负荷数据、气象数据和时间因素;S2、对S1获得的样本数据,做数据预处理,包括缺失值处理和标准化处理;S3、使用Stacking算法对S2已经处理好的样本数据进行负荷预测建模;S4、使用S3已经建好的模型对待预测点进行负荷预测;S5、使用平均绝对误差比率和准确度来评估该负荷预测模型的性能。本发明提供的一种基于Stacking算法的非节假日负荷预测方法,拥有良好的自学习能力和非线性表达能力,能够提升预测精度和扩大使用范围。
Description
技术领域
本发明涉及一种基于Stacking算法的非节假日负荷预测方法,属于大数据应用、计算机应用、电力系统及其自动化技术领域。
背景技术
非节假日负荷预测指的是一般工作日、休息日(区别于重大节假日)的日负荷曲线的预测,属于短期负荷预测。短期负荷由于受天气变化、社会活动和节日类型等各种因素的影响,在时间序列上表现为非平稳的随机过程,但是影响系统负荷的各因素中大部分具有规律性,从而为实现有效的预测奠定了基础。目前用于短期负荷预测的方法很多,可以分为经典预测方法、传统预测方法、智能预测方法和组合预测方法等。
经典预测方法主要有回归分析法、时间序列法。回归分法的优点是计算原理和结构形式简单,预测速度快,外推性能好,但是不足的是结构形式过于简单,精度较低。时间序列方法优点是所需数据少,工作量小、计算速度较快,反映负荷近期变化的连续性,但是不足的是对原始时间序列的平稳性要求较高,只适用于负荷变化比较均匀的短期预测,并且没有考虑影响负荷变化的因素,预测误差较大。
传统预测方法主要有负荷求导法、相似日法、卡尔曼滤波法、指数平滑法、灰色预测法。负荷求导法原理清楚,便于理解和应用,但是负荷求导法要求电力负荷的变化率具有稳定性和规律性,并且预测误差有累计效应。相似日法原理简单、应用简便,但是建立合适的评价函数找到相似日比较困难。卡尔曼滤波法在实际应用中难以估计出噪音的统计特性。指数平滑法只对某个单一指标进行预测,方法简单,但是很难反映当今经济、政治和天气等条件因素的影响。灰色系统理论可以应用于任何非线性变化的负荷预测,而不需要考虑特征因素,但是不足之处是要求负荷变化具有指数变化趋势,当不满足要求时预测精度非常差。
智能预测方法主要有专家系统法、模糊预测法、小波分析方法和机器学习方法。专家系统法的优点是可以避免繁杂的数值运算,且具有优越的扩展性能,不足是需要利用高质量的专业知识来对其训练,针对性明显,数学转化能力差。模糊预测法可以描述广泛存在的不确定性,同时具有强大的非线性映射能力,但是单纯的模糊方法由于缺乏学习能力,对于负荷预测精度往往不尽如人意。小波分析方法通过选择合适的小波,对不同性质的负荷进行分类,从而可以针对某种性质的负荷,根据其规律采用相应的预测方法,对分解出的序列分别进行预测,再将预测得到的序列进行重构,得到负荷的预测结果,但是由于重构可能造成误差的累加,因此对各小波系数序列的预测精度要求较高,这也增加了模型的复杂性。
随着短期电力负荷预测技术的发展,对短期电力负荷影响因素考虑的愈发全面,并且影响因素与负荷之间的关系并非简单的线性关系,使得传统和经典的预测方法表现很大的劣势,并且大样本数据的处理对传统和经典的预测方法也是巨大的挑战,而一些机器学习算法凭借其强大的学习能力和自适应能力表现出卓越性能。应用机器学习算法进行负荷预测的实质先假设一个模型,然后通过学习求解使损失函数最小的模型参数,常用的机器学习算法有人工神经网络法、支持向量机法、随机森林、梯度提升决策树(GBDT)、岭回归等,这些方法在电力负荷预测的精度提升上有着显著的表现。
综上所述均为单一负荷预测方法,实际上单一算法总有各自的缺点,可以通过组合预测方法扬长避短。组合预测方法通过加权把不同的算法结合起来,共同完成预测,降低单一算法的敏感度,从而提高负荷预测精度,但是传统的组合预测方法只是获得一个固定权重的线性组合,没有自学习能力和非线性表达能力。
发明内容
本发明要解决的技术问题是,克服现有技术的缺陷,提供一种拥有良好的自学习能力和非线性表达能力,能够提升预测精度和扩大使用范围的基于Stacking算法的非节假日负荷预测方法。
为解决上述技术问题,本发明采用的技术方案为:
一种基于Stacking算法的非节假日负荷预测方法,包括以下步骤:
S1、获取样本数据,包括电力系统用户短期负荷数据、气象数据和时间因素;
S2、对S1获得的样本数据,做数据预处理,包括缺失值处理和标准化处理;
S3、使用Stacking算法对S2已经处理好的样本数据进行负荷预测建模;
S4、使用S3已经建好的模型对待预测点进行负荷预测;
S5、使用平均绝对误差比率和准确度来评估该负荷预测模型的性能。
S1中,获得的样本数据为:{(x1,y1),(x2,y2),…,(xn,yn)},其中xi是第i个特征向量,yi是第i个负荷数据,n代表样本数据的个数,待预测点的特征数据为{xn+1,xn+2,...,xn+m},m代表特征数据的个数,xi=[xi1,xi2,...,xi10],xi1,xi2,...,xi10分别为日最高温度、日平均温度、日最低温度、日降雨量、日相对湿度、日风速、日气象类型、月份类型、日期类型和时刻类型。
S2中使用的缺失值处理方法为:利用分段线性插值方法进行缺失值填充,在每个时间区间[ti,ti+1]上,用1阶多项式逼近
S3中具体包括以下步骤:
S31、将样本数据分为训练集Train和测试集Dev,待预测点的待预测输入集记为Test,将训练集T随机分成5折:Train1,Train2,Train3,Train4,Train5;
S32、建立初级学习器,得到次级学习器的输入,使用的初级学习器有:BP神经网络算法、随机森林算法、GBDT算法、支持向量机算法和岭回归算法,使用的次级学习器为:BP神经网络算法;
S33、使用新的训练集Train训练次级学习器BP神经网络算法,得到最终的负荷预测模型M,并且得到训练集准确度,将测试集的数据Dev代入模型M得到测试集的预测负荷。
S32具体包括如下步骤:
S321、首先建立初级模型:BP神经网络,
1)使用Train2,Train3,Train4,Train5组成的样本数据训练BP神经网络模型M11,用此模型测试Train1,得到Train1的预测负荷向量P11,用此模型M11测试测试集Dev得到Dev的预测负荷向量S11,再用此模型M11预测待预测输入集Test得到待预测点的预测结果Q11;
2)使用Train1,Train3,Train4,Train5组成的样本数据训练BP神经网络模型M12,用此模型测试Train2,得到Train2的预测负荷向量P12,用此模型M12测试测试集Dev得到Dev的预测负荷向量S12,再用此模型M12预测待预测输入集Test得到待预测点的预测结果Q12;
3)使用Train1,Train2,Train4,Train5组成的样本数据训练BP神经网络模型M13,用此模型测试Train3,得到Train3的预测负荷向量P13,用此模型M13测试测试集Dev得到Dev的预测负荷向量S13,再用此模型M13预测待预测输入集Test得到待预测点的预测结果Q13;
4)使用Train1,Train2,Train3,Train5组成的样本数据训练BP神经网络模型M14,用此模型测试Train4,得到Train4的预测负荷向量P14,用此模型M14测试测试集Dev得到Dev的预测负荷向量S14,再用此模型M14预测待预测输入集Test得到待预测点的预测结果Q14;
5)使用Train1,Train2,Train3,Train4组成的样本数据训练BP神经网络模型M15,用此模型测试Train5,得到Train5的预测负荷向量P15,用此模型M15测试测试集Dev得到Dev的预测负荷向量S15,再用此模型M15预测待预测输入集Test得到待预测点的预测结果Q15;
6)合并P11、P12、P13、P14和P15,得到P1,平均S11、S12、S13、S14和S15得到S1,平均Q11、Q12、Q13、Q14和Q15,得到Q1;
S3.2.2、同理,可以训练随机森林模型得到P2、S2和Q2,训练GBDT模型得到P3、S3和Q3,训练支持向量机模型得到P4、S4和Q4,训练岭回归模型得到P5、S5和Q5;
S323、以P1、P2、P3、P4和P5组成5维的特征矩阵P,仍以原来的负荷数据作为预测目标,新的训练集仍记为Train,以S1、S2、S3、S4和S5组成新的测试集的特征矩阵S,仍以原来的负荷数据作为预测目标,新的测试集仍记为Dev,以Q1、Q2、Q3、Q4和Q5组成待预测点的特征输入向量仍记为Test。
S4中方法是将待预测点的输入数据Test代入模型M得到待预测点的负荷。
本发明的有益效果:本发明提供一种基于Stacking算法的非节假日负荷预测方法,采用集中预测精度较高的机器学习算法作为初级学习器,一方面弥补了传统预测方法在预测精度和使用范围上有着明显的不足,另一方面提升了对影响负荷的特征因素的提取能力;并且本发明使用新的组合预测方法:Stacking集成方法,利用五种单一机器学习模型:人工神经网络法、支持向量机法、随机森林、梯度提升决策树(GBDT)、岭回归,将他们的预测结果作为输入,训练一个次级学习器BP神经网络算法,预测电力系统非节假日负荷曲线,克服了单一模型由于存在某些方面不足而难以取得良好预测效果的难题,另外,新的组合预测方法相比传统组合预测方法,拥有良好的自学习能力和非线性表达能力,进一步提升预测精度和扩大使用范围。
附图说明
图1为本发明一种基于Stacking算法的非节假日负荷预测方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述,以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
Stacking模型融合方法首先训练多个不同的初级学习器,然后把之前训练的各个模型的输出作为一个新的输入来训练一个次级学习器,得到最终模型的输出。Stacking模型融合算法的具体流程如下:在训练阶段,直接使用初级学习器的训练样本来训练产生次级训练样本的过拟合风险较大,因此需要进行改进,具体实践中一般采用k折交叉验证或者留一法来产生次级训练样本。本文以k折交叉验证为例来做简要叙述,初始训练集D被随机划分为k个大小相似的集合{D1,D2,...Dk},令Dj和分别表示第j折的测试集和训练集。给定T个初级学习算法,初级学习器通过在上使用第t个学习算法而得。对Dj中每个样本xi,令则由xi所产生的次级训练样例的示例部分为zi=(zi1,zi2,...,ziT),标记部分为yi。于是,在整个交叉验证过程结束后,从这T个初级学习器产生的次级训练集是然后D′将用于训练次级学习器。
如图1所示,本发明提供一种基于Stacking算法的非节假日负荷预测方法,一种基于Stacking算法的非节假日负荷预测方法,包括以下步骤:
步骤一、获取样本数据,包括电力系统用户短期负荷数据(96点日负荷曲线数据)、气象数据和时间因素。获得的样本数据为:{(x1,y1),(x2,y2),…,(xn,yn)},其中xi是第i个特征向量,yi是第i个负荷数据,n代表样本数据的个数,待预测点的特征数据为{xn+1,xn+2,...,xn+m},m代表特征数据的个数,xi=[xi1,xi2,...,xi10],xi1,xi2,...,xi10分别为日最高温度、日平均温度、日最低温度、日降雨量、日相对湿度、日风速、日气象类型、月份类型、日期类型和时刻类型。
步骤二、对步骤一获得的样本数据,做数据预处理,包括缺失值处理和标准化处理。其中,使用的缺失值处理方法为:利用分段线性插值方法进行缺失值填充,在每个时间区间[ti,ti+1]上,用1阶多项式(直线)逼近f(t):其中t为特征数据的时间。使用的标准化处理方法为:其中,x为待处理数据,为标准化处理后的数据,xmax为样本数据中的最大值,xmin为样本数据中的最小值。
步骤三、使用Stacking算法对步骤二已经处理好的样本数据进行负荷预测建模,具体包括以下步骤:
S31、将样本数据分为训练集Train和测试集Dev,待预测点的待预测输入集记为Test,将训练集T随机分成5折:Train1,Train2,Train3,Train4,Train5;
S32、建立初级学习器,得到次级学习器的输入,使用的初级学习器有:BP神经网络算法、随机森林算法、GBDT算法、支持向量机算法和岭回归算法,使用的次级学习器为:BP神经网络算法,具体包括如下步骤:
S321、首先建立初级模型:BP神经网络,
1)使用Train2,Train3,Train4,Train5组成的样本数据训练BP神经网络模型M11,用此模型测试Train1,得到Train1的预测负荷向量P11,用此模型M11测试测试集Dev得到Dev的预测负荷向量S11,再用此模型M11预测待预测输入集Test得到待预测点的预测结果Q11;
2)使用Train1,Train3,Train4,Train5组成的样本数据训练BP神经网络模型M12,用此模型测试Train2,得到Train2的预测负荷向量P12,用此模型M12测试测试集Dev得到Dev的预测负荷向量S12,再用此模型M12预测待预测输入集Test得到待预测点的预测结果Q12;
3)使用Train1,Train2,Train4,Train5组成的样本数据训练BP神经网络模型M13,用此模型测试Train3,得到Train3的预测负荷向量P13,用此模型M13测试测试集Dev得到Dev的预测负荷向量S13,再用此模型M13预测待预测输入集Test得到待预测点的预测结果Q13;
4)使用Train1,Train2,Train3,Train5组成的样本数据训练BP神经网络模型M14,用此模型测试Train4,得到Train4的预测负荷向量P14,用此模型M14测试测试集Dev得到Dev的预测负荷向量S14,再用此模型M14预测待预测输入集Test得到待预测点的预测结果Q14;
5)使用Train1,Train2,Train3,Train4组成的样本数据训练BP神经网络模型M15,用此模型测试Train5,得到Train5的预测负荷向量P15,用此模型M15测试测试集Dev得到Dev的预测负荷向量S15,再用此模型M15预测待预测输入集Test得到待预测点的预测结果Q15;
6)合并P11、P12、P13、P14和P15,得到P1,平均S11、S12、S13、S14和S15得到S1,平均Q11、Q12、Q13、Q14和Q15,得到Q1;
S3.2.2、同理,可以训练随机森林模型得到P2、S2和Q2,训练GBDT模型得到P3、S3和Q3,训练支持向量机模型得到P4、S4和Q4,训练岭回归模型得到P5、S5和Q5;
S323、以P1、P2、P3、P4和P5组成5维的特征矩阵P,仍以原来的负荷数据作为预测目标,新的训练集仍记为Train,以S1、S2、S3、S4和S5组成新的测试集的特征矩阵S,仍以原来的负荷数据作为预测目标,新的测试集仍记为Dev,以Q1、Q2、Q3、Q4和Q5组成待预测点的特征输入向量仍记为Test。
S33、使用新的训练集Train训练次级学习器BP神经网络算法,得到最终的负荷预测模型M,并且得到训练集准确度,将测试集的数据Dev代入模型M得到测试集的预测负荷。
步骤四、使用步骤三已经建好的模型对待预测点进行负荷预测;S4中方法是将待预测点的输入数据Test代入模型M得到待预测点的负荷。
步骤五、使用平均绝对误差比率和准确度来评估该负荷预测模型的性能,使用的平均绝对误差比率公式为:其中,xt为负荷的实际值,为负荷的预测值,T为负荷采样的总数;使用的准确度公式为:accuracy=1-error。
本发明采用某省2018年历史统调负荷数据,对原始数据进行数据清洗、数据规范化等特征处理后,使用本产品进行训练和预测,为了比较需要,同时使用传统模型和单一的机器学习模型进行训练和预测,得到下面的表1的非节假日负荷预测结果评估。
结果表明:进行非节假日负荷预测时,当样本量较大时,单个机器学习模型的性能是高于传统负荷预测方法的,而Stacking方法的性能较单个机器学习模型有明显的提升。本发明对负荷预测做了一段时间的跟踪,得到了待预测点的真实负荷,通过误差计算,得到五个传统模型的准确率为:93.75%、94.21%、94.58%、93.72%、92.91%,五个机器学习模型的准确率为:95.22%、95.38%、95.46%、94.91%、96.18%,而Stacking方法的准确率为:97.13%,准确率得到了显著提高,再次验证了Stacking方法的性能优于各单一模型的性能。因此,本产品选择Stacking方法预测非节假日负荷,经过实践检验是有应用价值的。
表1
本发明采用集中预测精度较高的机器学习算法作为初级学习器,一方面弥补了传统预测方法在预测精度和使用范围上有着明显的不足,另一方面提升了对影响负荷的特征因素的提取能力;并且本发明使用新的组合预测方法:Stacking集成方法,克服了单一模型由于存在某些方面不足而难以取得良好预测效果的难题,另外,新的组合预测方法相比传统组合预测方法,拥有良好的自学习能力和非线性表达能力,进一步提升预测精度和扩大使用范围。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于Stacking算法的非节假日负荷预测方法,其特征在于:包括以下步骤:
S1、获取样本数据,包括电力系统用户短期负荷数据、气象数据和时间因素;
S2、对S1获得的样本数据,做数据预处理,包括缺失值处理和标准化处理;
S3、使用Stacking算法对S2已经处理好的样本数据进行负荷预测建模,S3中具体包括以下步骤:
S31、将样本数据分为训练集Train和测试集Dev,待预测点的待预测输入集记为Test,将训练集T随机分成5折:Train1,Train2,Train3,Train4,Train5;
S32、建立初级学习器,得到次级学习器的输入,使用的初级学习器有:BP神经网络算法、随机森林算法、GBDT算法、支持向量机算法和岭回归算法,使用的次级学习器为:BP神经网络算法;
S33、使用新的训练集Train训练次级学习器BP神经网络算法,得到最终的负荷预测模型M,并且得到训练集准确度,将测试集的数据Dev代入模型M得到测试集的预测负荷;
S4、使用S3已经建好的模型对待预测点进行负荷预测;
S5、使用平均绝对误差比率和准确度来评估负荷预测模型的性能。
2.根据权利要求1所述的一种基于Stacking算法的非节假日负荷预测方法,其特征在于:S1中,获得的样本数据为:{(x1,y1),(x2,y2),…,(xn,yn)},其中xi是第i个特征向量,yi是第i个负荷数据,n代表样本数据的个数,待预测点的特征数据为{xn+1,xn+2,...,xn+m},m代表特征数据的个数,xi=[xi1,xi2,...,xi10],xi1,xi2,...,xi10分别为日最高温度、日平均温度、日最低温度、日降雨量、日相对湿度、日风速、日气象类型、月份类型、日期类型和时刻类型。
5.根据权利要求1所述的一种基于Stacking算法的非节假日负荷预测方法,其特征在于:S32具体包括如下步骤:
S321、首先建立初级模型:BP神经网络,
1)使用Train2,Train3,Train4,Train5组成的样本数据训练BP神经网络模型M11,用此模型测试Train1,得到Train1的预测负荷向量P11,用此模型M11测试测试集Dev得到Dev的预测负荷向量S11,再用此模型M11预测待预测输入集Test得到待预测点的预测结果Q11;
2)使用Train1,Train3,Train4,Train5组成的样本数据训练BP神经网络模型M12,用此模型测试Train2,得到Train2的预测负荷向量P12,用此模型M12测试测试集Dev得到Dev的预测负荷向量S12,再用此模型M12预测待预测输入集Test得到待预测点的预测结果Q12;
3)使用Train1,Train2,Train4,Train5组成的样本数据训练BP神经网络模型M13,用此模型测试Train3,得到Train3的预测负荷向量P13,用此模型M13测试测试集Dev得到Dev的预测负荷向量S13,再用此模型M13预测待预测输入集Test得到待预测点的预测结果Q13;
4)使用Train1,Train2,Train3,Train5组成的样本数据训练BP神经网络模型M14,用此模型测试Train4,得到Train4的预测负荷向量P14,用此模型M14测试测试集Dev得到Dev的预测负荷向量S14,再用此模型M14预测待预测输入集Test得到待预测点的预测结果Q14;
5)使用Train1,Train2,Train3,Train4组成的样本数据训练BP神经网络模型M15,用此模型测试Train5,得到Train5的预测负荷向量P15,用此模型M15测试测试集Dev得到Dev的预测负荷向量S15,再用此模型M15预测待预测输入集Test得到待预测点的预测结果Q15;
6)合并P11、P12、P13、P14和P15,得到P1,平均S11、S12、S13、S14和S15得到S1,平均Q11、Q12、Q13、Q14和Q15,得到Q1;S3.2.2、同理,可以训练随机森林模型得到P2、S2和Q2,训练GBDT模型得到P3、S3和Q3,训练支持向量机模型得到P4、S4和Q4,训练岭回归模型得到P5、S5和Q5;
S323、以P1、P2、P3、P4和P5组成5维的特征矩阵P,仍以原来的负荷数据作为预测目标,新的训练集仍记为Train,以S1、S2、S3、S4和S5组成新的测试集的特征矩阵S,仍以原来的负荷数据作为预测目标,新的测试集仍记为Dev,以Q1、Q2、Q3、Q4和Q5组成待预测点的特征输入向量仍记为Test。
6.根据权利要求1所述的一种基于Stacking算法的非节假日负荷预测方法,其特征在于:S4中方法是将待预测点的输入数据Test代入模型M得到待预测点的负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910738748.4A CN110503251B (zh) | 2019-08-12 | 2019-08-12 | 一种基于Stacking算法的非节假日负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910738748.4A CN110503251B (zh) | 2019-08-12 | 2019-08-12 | 一种基于Stacking算法的非节假日负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503251A CN110503251A (zh) | 2019-11-26 |
CN110503251B true CN110503251B (zh) | 2022-06-07 |
Family
ID=68587223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910738748.4A Active CN110503251B (zh) | 2019-08-12 | 2019-08-12 | 一种基于Stacking算法的非节假日负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503251B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110685857B (zh) * | 2019-10-16 | 2021-10-15 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
CN110969304A (zh) * | 2019-12-04 | 2020-04-07 | 汇鼎数据科技(上海)有限公司 | 数字工厂生产产能预测方法、系统、装置 |
CN111199343B (zh) * | 2019-12-24 | 2023-07-21 | 上海大学 | 一种多模型融合的烟草市场监管异常数据挖掘方法 |
CN111507507B (zh) * | 2020-03-24 | 2023-04-18 | 重庆森鑫炬科技有限公司 | 基于大数据的月用水量预测方法 |
CN111489036B (zh) * | 2020-04-14 | 2023-06-09 | 天津相和电气科技有限公司 | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 |
CN112465256A (zh) * | 2020-12-08 | 2021-03-09 | 华中科技大学 | 一种基于Stacking模型融合的楼宇用电量预测方法和系统 |
CN112842342B (zh) * | 2021-01-25 | 2022-03-29 | 北京航空航天大学 | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 |
CN112991091A (zh) * | 2021-02-09 | 2021-06-18 | 江南大学 | 一种基于Stacking算法的短期电力负荷预测方法及装置 |
CN113934158A (zh) * | 2021-10-20 | 2022-01-14 | 东南大学 | 一种基于改进随机森林的电弧炉建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108416366A (zh) * | 2018-02-06 | 2018-08-17 | 武汉大学 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
-
2019
- 2019-08-12 CN CN201910738748.4A patent/CN110503251B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108416366A (zh) * | 2018-02-06 | 2018-08-17 | 武汉大学 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110503251A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503251B (zh) | 一种基于Stacking算法的非节假日负荷预测方法 | |
Nalcaci et al. | Long-term load forecasting: models based on MARS, ANN and LR methods | |
CN109816221B (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
Rathnayaka et al. | A hybrid statistical approach for stock market forecasting based on artificial neural network and ARIMA time series models | |
Sánchez et al. | Forecasting airborne pollen concentration time series with neural and neuro-fuzzy models | |
JPH05342191A (ja) | 経済時系列データ予測及び解析システム | |
Kultur et al. | Ensemble of neural networks with associative memory (ENNA) for estimating software development costs | |
Podgorskaya | Fuzzy cognitive models for socio-economic systems as applied to a management model for integrated development of rural areas | |
CN111652271A (zh) | 一种基于神经网络的非线性特征选择方法 | |
CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN111489259A (zh) | 一种基于深度学习的股票市场风险预测智能实现方法 | |
Hu et al. | Adaptive exploration strategy with multi-attribute decision-making for reinforcement learning | |
Yu et al. | A model integrating ARIMA and ANN with seasonal and periodic characteristics for forecasting electricity load dynamics in a state | |
Amin-Naseri et al. | Neural network approach to lumpy demand forecasting for spare parts in process industries | |
Khalyasmaa et al. | The analysis of efficiency of artificial intelligence methods application for an assessment of feasibility of scientific and technical decisions | |
CN115392113A (zh) | 一种跨工况条件复杂机电系统剩余寿命预测系统及方法 | |
Altundogan et al. | A noise reduction approach using dynamic fuzzy cognitive maps for vehicle traffic camera images | |
CN114254828A (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
Hadjistoykov et al. | Remark on intuitionistic fuzzy cognitive maps | |
Słoń et al. | Remarks on the uncertainty expansion problem in calculations of models of relational fuzzy cognitive maps | |
CN111160662A (zh) | 一种风险预测方法、电子设备及存储介质 | |
Klebanova et al. | Сomparison of using fuzzy logic and neuro-fuzzy networks for modelling corporate bankruptcy risk estimation | |
Gao et al. | Price analysis of used sailboats based on LightGBM model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |