CN110826795B - 极端温度气象日母线日前负荷预测方法 - Google Patents

Abstract

一种极端温度气象日母线日前负荷预测方法，属于电力系统母线负荷预测技术领域，该预测方法为根据母线负荷历史数据和气象因素历史数据进行统计分析，确定极端温度气象日；构建XGBoost预测模型，将原始特征集合经过特征选择后的最优特征子集所包含的全部特征作为XGBoost模型的输入训练模型，确定极端温度气象待测日母线负荷；所述原始特征集合由待预测时刻温度、电价、风速、风向、相对湿度、日期类型、气压，以及待预测时刻前一周母线历史负荷组成；所述最优特征子集所包含的全部特征是原始特征集合的部分或者整体。采用本发明的方法能够提高极端温度气象条件下母线负荷日前预测的精度。

Description

极端温度气象日母线日前负荷预测方法

技术领域

本发明涉及电力系统母线负荷预测技术领域，具体涉及极端温度气象日母线日前负荷预测方法。

背景技术

随着社会经济发展水平的不断提高、用电趋势的逐渐多元化，用电负荷的影响因素日益复杂，对电网运行的稳定性和安全性要求日益增加。母线负荷预测作为电力系统负荷预测的重要组成部分，对确保电网安全、经济、稳定运行具有重要意义。极端气象的出现会引起母线负荷急剧变化，特别是连续高温等场景下，空调等制冷负荷会大幅增加母线负荷量；而持续低温时，取暖负荷会急剧增加。极端温度气象的出现使得母线负荷呈现非规律性变化，增加了母线负荷预测难度。

目前母线负荷日前预测主要方法有灰色理论、支持向量机(Support VectorMachine,SVM)、神经网络和模糊信息法等。气象因素已经作为影响负荷的重要影响因素引入母线负荷预测模型中，但是目前研究多是简单地将原始气象因素作为特征输入，或者整体考虑气象因素对负荷的影响，掩盖了极端气象与平稳气象之间的差异性，导致极端气象条件下日前负荷预测精度较低。同时又扩展了预测模型的输入特征集合，增加了选取的特征的数量，进而提高了模型的预测精度，但是过大的特征集也必然会使得模型训练计算量增大且难以避免特征集中信息冗余的负面影响。现在负荷预测研究大都基于大量甚至海量原始数据，但是极端温度气象条件下的样本数据较少，如何在小样本数据场景下开展母线负荷预测，是当前研究难点。

发明内容

针对上述背景技术中存在的问题，为提高极端温度气象条件下母线日前负荷预测的精度，本发明的目的是提供了一种极端温度气象日母线日前负荷预测方法，其为计及多因素差异化影响的母线极端温度气象日日前负荷预测新方法。

为了实现上述目的，本发明采用如下的技术方案：极端温度气象日母线日前负荷预测方法，其特征在于，该预测方法包括如下步骤：

步骤1：根据母线负荷历史数据和气象因素历史数据进行统计分析，以日内母线负荷峰谷差、最大母线负荷平均值和日最大温度为指标，确定极端温度气象日；

步骤2：构建XGBoost预测模型，通过网格搜索法，确定XGBoost预测模型的决策树最大深度max_depth及学习率learning_rate参数，将原始特征集合经过特征选择后的最优特征子集所包含的全部特征作为XGBoost模型的输入训练模型，确定极端温度气象待测日母线负荷；

其中，所述XGBoost预测模型为根据母线负荷历史数据和气象因素历史数据作为样本通过机器学习训练得到的模型；

所述原始特征集合由待预测时刻温度、电价、风速、风向、相对湿度、日期类型、气压，以及待预测时刻前一周母线历史负荷组成；

所述最优特征子集所包含的全部特征是原始特征集合的部分或者整体。

其中，所述气象因素历史数据包括温度、风速、风向、相对湿度及气压。

其中，所述极端温度气象日为最高温度高于30度或最低温度低于零下20度的气象日。

进一步，步骤2中采用滚动方式更新训练集数据实现XGBoost模型的更新，即将预测得到的母线负荷作为历史数据，更新训练集数据，从而实现XGBoost模型的更新。

其中，所述最优特征子集的获取过程如下：采用原始特征集合中全部特征作为XGBoost预测模型输入；对全部特征根据重要度排序，选择不同数目的特征作为特征子集，以各特征子集下的预测精度为决策变量，进行前向特征选择，选择原始特征集合中预测精度高且特征子集维度低构成的特征子集作为最优特征子集。

其中，所述决策树最大深度max_depth范围为2～10，学习率learning_rate范围为0.1～0.5。

优选地，所述决策树最大深度max_depth范围为5，学习率learning_rate为0.24。

进一步，所述日期类型为工作日或非工作日。

通过上述设计方案，本发明可以带来如下有益效果：为克服极端温度气象条件下的母线日前负荷预测中，样本数据少、预测精度低问题，提出一种科学合理、预测精度高、具有较高实用价值的极端温度气象日母线日前负荷预测方法。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明示意性实施例及其说明用于理解本发明，并不构成本发明的不当限定，在附图中：

图1是本发明实施例中极端高温日三条母线的影响因素敏感性分析图谱。

图2是本发明实施例中极端低温日三条母线的影响因素敏感性分析图谱。

图3是本发明实施例中母线A的参数优化过程图谱。

图4是本发明实施例的三条母线的特征选择过程图谱。

图5是本发明实施例的三条母线在不同极端温度气象日母线预测曲线分布图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。为了避免混淆本发明的实质，公知的方法和过程并没有详细的叙述。

请参阅图1至图5，极端温度气象日母线日前负荷预测方法，包括如下步骤：

1、定义极端温度气象日：

首先，对多条实际母线负荷历史数据和气象因素历史数据进行统计分析，根据统计结果，以日内母线负荷峰谷差、最大母线负荷平均值和日最大温度为指标定义极端温度气象日。

具体包括以下两个步骤：

步骤一、首先对历史数据进行预处理，包括对历史数据的修改和填充；对历史数据的归一化处理；

步骤二、对处理后的历史数据进行统计分析，根据统计结果定义极端温度气象日。

需要说明的是，采用的历史数据包括母线历史负荷，该母线历史负荷对应时刻的温度、相对湿度、风速、风向、气压、日期类型(工作日/非工作日)、电价。

对缺失数据的处理采用线性差值的方法，具体计算公式为：

其中L_v为v时刻的历史值，L_v+u为v+u时刻的历史值，L_v+b为v+b时刻的历史值，a和b是时间间隔。

对于异常数据的处理采用水平处理和垂直处理两种方法。首先，对于根据实际情况和对母线负荷特性的认识，设定一个阈值θ，如果真实值L和观测值

的差值大于阈值θ，则认为该观测数值为异常值。对于相邻时刻的异常数据采用水平处理方法，此时阈值θ设定为10MW,超出这个值判定为异常数据，计算公式为：

则/>

其中，L_(d,v)为第d天v时刻的历史值，L_(d,v-1)为第d天v-1时刻的历史值，L_(d,v+1)为第d天v+1时刻的历史值，θ₁和θ₂均为误差值。

对于连续多个时刻数据缺失和异常，或者不同日期间数据异常，采用垂直处理方法，阈值θ设定为40MW，超出这个值判定为异常数据，具体公式为：

则/>

其中L_(d,v)为第d天v时刻的历史值，

是异常数据临近几日同一时刻历史值的平均值，θ是预先设定的阈值。

2、极端温度气象日下母线负荷影响因素敏感性分析：

对极端温度气象条件下的母线负荷与各气象因素之间进行相关性分析，在XGBoost训练过程中，以预测损失误差最小为依据对各特征进行打分，并根据得分结果进行特征排序。分析不同母线对同类气象因素的响应程度；分析同一母线受不同类气象因素的影响程度。

3、构建XGBoost预测模型：

1)构建XGBoost预测模型

设模型存在T棵决策树，样本特征集D＝{(x_i,y_i)}∈R^m，其中i＝1,2,3,…,n，样本数目为n，样本的特征维度是m，R^m为实数集。则预测模型为：

其中，y_i为样本原始输出值，即训练中作为输出的母线历史负荷值，

为当前模型在第i个样本点的输出结果，x_i是模型的第i个样本点的输入特征，是原始特征集合中的全部特征，f_t表示第t棵树对应的叶子权重ω和树映射结构q(x)的相关关系。XGBoost算法的目标函数可以定义为：

式中，

是训练误差，/>

是XGBoost模型中所有树的复杂度之和，C为常数项。定义树的复杂度模型：

P为叶子结点数目，||ω||是叶子节点向量的模值，γ表示区分难度，λ表示L2正则化系数。则目标函数的形式可以表示为：

同时定义叶子节点j的样本集合为I_j＝{i|q(x_i)＝j}，且

和

分别表示j节点一阶导数之和以及二阶导数之和，ω最小化估计值为

代入(7)，得目标函数最终形式：

通过对目标函数最小化的成功约束，构建最优决策树，建立最优预测模型。

2)参数优化

典型的XGBoost算法的模型中有多个参数，各参数对XGBoost都有着不同程度的影响。其中决策树最大深度max_depth决定着模型是否会出现过拟合问题；学习率learning_rate值选取的得当可以使模型具有更好的鲁棒性，本发明通过网格搜索法主要优化上述两个参数。

3)特征选择

选择不同数目的特征作为特征子集，建立XGBoost预测模型，以各特征子集下的预测精度为决策变量，进行前向特征选择。可以在确保尽可能多的考虑差异化因素的同时，避免信息冗余带来的不利影响，选择预测精度相对较高，且特征子集维度相对较低的特征子集作为最优特征子集。

需要说明的是，本发明的输入为原始特征集合选择后的特征子集，输出为待预测日当日母线负荷。其中，原始特征集合包括待预测时刻温度、电价、风速、风向、相对湿度、日期类型(工作日/非工作日)、气压，以及待预测时刻前一周历史负荷。

4)滚动预测结构

极端气象条件下的历史数据样本较少，为有效利用小样本数据训练出可以保证预测精度的预测模型。故采用滚动预测方式。

实施例1

1、极端温度气象日定义

首先，本实例对100条实际母线负荷历史数据和气象因素历史数据进行统计分析，根据统计结果知，母线峰值负荷、平均负荷、峰谷差均与温度强相关，在高于28℃时，随着温度的不断升高，其值也不断升高；在温度低于-10℃时，随着温度的降低，其值不断减少。所以，选择以日内母线负荷峰谷差A、最大母线负荷平均值P和日最大温度F三个指标作为判断依据，据此定义极端温度气象日。部分统计结果见表1，其中母线A、母线B、母线C分别为商业供电、工业供电、农业供电母线中选择的典型母线。

表1历史数据统计结果

根据表1内容和全部统计结果，可以看到，在最高温度高于30℃时，日内母线负荷峰谷差和最大母线负荷平均值均明显高于其他温度情况下的值；在最低温度低于-20℃时，日内母线负荷峰谷差和最大母线负荷平均值均明显低于其他温度情况下的值；所以，定义最高温度高于30度或最低温度低于零下20度的气象日为极端温度气象日。

2、极端温度气象日下母线负荷影响因素敏感性分析

对极端温度气象条件下的母线负荷与各气象因素之间进行相关性分析。分析不同母线对同类气象因素的响应程度；分析同一母线受不同类气象因素的影响程度。分析结果见图1和图2。

根据图1和图2的结果，可以发现不同母线对同类气象因素的响应程度是不同的；一条母线对不同类的气象因素的敏感度是不同的。如本实例中在温度高于30度以上时，母线C负荷明显增加，且日内母线负荷峰谷差较大，超过30MW，温度低于30度时，母线A也有40MW左右的日内母线负荷峰谷差，说明其他因素对该母线负荷的影响较温度更大；但是母线A在温度升高时，负荷趋于平稳，并没有明显波动。所以对于建立极端温度气象日下母线日前负荷XGBoost预测模型进行特征选择是十分必要的。

3、改进XGBoost预测模型

1)构建XGBoost预测模型：具体过程同上；通过目标函数对模型训练过程进行约束，可以达到有效防止过拟合、预测精度高的目标。

2)参数优化

典型的XGBoost算法的模型中有多个参数，各参数对XGBoost都有着不同程度的影响。其中决策树最大深度(max_depth)决定着模型是否会出现过拟合问题；学习率(learning_rate)值选取的得当可以使模型具有更好的鲁棒性，这两个参数对预测模型的影响最为明显和重要，故这两个参数是本发明最主要的优化参数。

网格搜索是一种区间内的穷举检索方法，是指在指定范围内通过交叉验证遍历所有可能取值得到最优组合的优化学习方法。具有简单有效、遍历全面和可并行化等优点，可以有效解决参数选取时的不确定性和随机性，利用该优化方法，构建XGBoost预测模型。本实施例将决策树最大深度(max_depth)范围设置在2～10，将学习率范围设置在0.1～0.5。图3展示了母线A的参数优化过程，最优的参数组合为决策树最大深度选5，学习率选0.24。

3)特征选择

选择不同数目的特征作为特征子集，建立XGBoost预测模型，以各特征子集下的预测精度为决策变量，进行前向特征选择。可以在确保尽可能多的考虑差异化的因素的同时，避免信息冗余带来的不利影响，选择预测精度相对较高，且特征子集维度相对较低的特征子集作为最优特征子集。具体的实施步骤如下：

①将原始特征集合所有特征作为输入进行XGBoost预测模型预测；

②根据预测过程中的特征信息，得到各特征的重要度(f_score)，并对特征进行排序；

③采用前向特征选择方法，首先选择重要度最高的一维特征作为特征子集进行预测，保留预测结果；

④增加一维特征，组建新的特征子集，保留预测结果；

⑤重复④，直至增加完全部的特征；

⑥对不同特征子集下的预测结果进行分析，选择预测精度相对较高且特征子集维度相对较低的特征子集为最优特征子集。

另外说明的是，进行前向特征选择的过程之前需要对各特征进行重要度排序，排序的依据是重要度得分，具体的打分公式为：

I_l和I_r是分割后左节点和右节点的集合，

表示左子树点得分，

表示右子树得分，/>

表示不分割的得分。可以得到每个特征在构建最优决策时的重要度得分。

图4给出了本实例三条母线在XGBoost预测模型下的特征选择过程，可知各母线的最优子集的特征维度不同，输入特征集合不同。

需要说明的是，本发明的输入为原始特征集合选择后的特征子集，输出为待预测日当日母线负荷。其中原始特征集合见表2。

表2原始特征集合及特征意义

其中，原始特征集合中的特征共679维，分别是待预测时刻的温度、日期类型、风向、风速、电价、相对湿度、气压，为7维；待预测日前一周负荷，本实施例每15分钟采集一个点，一天采集96个点，一周共672维。实施例中母线A的输入为从原始特征集合中选择的108维，母线B的输入为从原始特征集合中选择的117维，母线C的输入为从原始特征集合中选择的292维。其输出均为待预测日96个点母线负荷。

4)滚动预测结构

极端温度气象条件下的历史数据样本较少，为有效利用小样本数据训练出可以保证预测精度的预测模型。故采用滚动预测方式，实现步骤如下：

①确定模型的输入特征及输入变量；

②XGBoost预测模型，初始化时刻值v＝1；

③预测v+1时刻母线负荷，反归一化后输出保存；

④将v+1时刻母线负荷作为历史值输入，更新训练集和训练模型；

⑤重复步骤③、④直到得到全部结果。

图5展示了部分实际母线在随机选取的极端温度气象日下的预测曲线，结果可以看到，每天的预测曲线其拟合程度都比较好。表3展示了实施例中三条母线的预测误差结果。

表3实际母线预测结果

需要说明的是，上述实例仅仅是为清楚地说明本发明所作的举例，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出类似抬高定义极端温度气象日的温度、优化其他参数或改变其他条件等变动或改变，这里无需也无法对所有的极端定义予以穷举，或者对所有参数进行穷举优化，而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.极端温度气象日母线日前负荷预测方法，其特征在于，该预测方法包括如下步骤：

步骤1：根据母线负荷历史数据和气象因素历史数据进行统计分析，以日内母线负荷峰谷差、最大母线负荷平均值和日最大温度为指标，确定极端温度气象日；

步骤2：构建XGBoost预测模型，通过网格搜索法，确定XGBoost预测模型的决策树最大深度max_depth及学习率learning_rate参数，将原始特征集合经过特征选择后的最优特征子集所包含的全部特征作为XGBoost模型的输入训练模型，确定极端温度气象待测日母线负荷；

其中，所述XGBoost预测模型为根据母线负荷历史数据和气象因素历史数据作为样本通过机器学习训练得到的模型；

所述原始特征集合由待预测时刻温度、电价、风速、风向、相对湿度、日期类型、气压，以及待预测时刻前一周母线历史负荷组成；

所述最优特征子集所包含的全部特征是原始特征集合的部分或者整体。

2.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述气象因素历史数据包括温度、风速、风向、相对湿度及气压。

3.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述极端温度气象日为最高温度高于30度或最低温度低于零下20度的气象日。

4.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：步骤2中采用滚动方式更新训练集数据实现XGBoost模型的更新，即将预测得到的母线负荷作为历史数据，更新训练集数据，从而实现XGBoost模型的更新。

5.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述最优特征子集的获取过程如下：采用原始特征集合中全部特征作为XGBoost预测模型输入；对全部特征根据重要度排序，选择不同数目的特征作为特征子集，以各特征子集下的预测精度为决策变量，进行前向特征选择，选择原始特征集合中预测精度高且特征子集维度低构成的特征子集作为最优特征子集。

6.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述决策树最大深度max_depth范围为2～10，学习率learning_rate范围为0.1～0.5。

7.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述决策树最大深度max_depth范围为5，学习率learning_rate为0.24。

8.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述日期类型为工作日或非工作日。

Images