[發明專利]基于軟集成學習的電力短期滾動負荷預測方法、系統、終端

在審

• 申請號: 202110099887.4
• 申請日: 2021-01-25
• 公開（公告）號: CN112766585A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 游文霞;馮晨洋;郭道鵬
• 申請（專利權）人: 三峽大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06K9/62;G06N20/00
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

本發明屬于大數據在電力負荷預測中的應用領域，公開了一種基于軟集成學習的電力短期滾動負荷預測方法、系統、終端，將在訓練集上訓練好的各學習器在待測樣本的左鄰域上，進行預測偏差率比較；擇擁有最低偏差率的學習器為待測樣本的預測模型；引入滾動輸入概念，通過不斷更新訓練數據對輸出的關聯性，得到預測結果。本發明通過不斷更新訓練集和鄰域集，將新鮮信息的影響因素引入到新模型和新檢驗樣本，形成“滾動預測”過程；通過學習器組的各基學習器在鄰域中的表現，動態選擇學習器用于待測區間的預測，避免一般集成學習中一般結合策略的不足；通過動態比較，選擇最合適的基學習器實現軟集成學習，具有簡便優勢。

技術領域

本發明屬于大數據在電力負荷預測中的應用領域，尤其涉及一種基于軟集成學習的電力短期滾動負荷預測方法、系統、終端。

背景技術

目前，高精度電力短期區間負荷預測為電力系統安全、穩定、經濟的運行提供重要保障，是市場環境下電力調度、供電計劃等基礎工作的重要依據，對機組最優組合、最優潮流、電力市場交易等具有重要意義。

傳統機器學習技術針對電力區間負荷預測任務，首先引入模型評估指標，依靠人工經驗利用多個學習算法基于給定訓練集，訓練出學習器，通過模型評估指標篩選出在驗證集上具有最優表現的學習器，再利用最優表現的學習器進行預測任務。單一模型預測法雖然篩選出了最優學習器，卻拋棄了大量備選個體學習器，缺乏對訓練數據的多維度觀察學習，不利于對區間數據的各階段點進行針對性預測，對負荷區間各階段不同的預測目標，無法得出比較精準的預測結果。

集成學習通過對學習器的有效組合，可以較好地解決因學習器單一而造成的，但集成效果受基學習器的選取對象、集成策略改動的影響而缺乏穩定性。其中，均值法對于如何結合各基學習器的輸出有指導意義，但往往缺乏客觀依據，無法準確指出針對什么樣的學習器組合使用簡單平均或者加權平均，隨意選用均值方式可能會導致強學習器的效果被低估，弱學習器的效果被高估；投票法以多數投票和權重投票為主，則容易因為不可信的結合權重而得到低置信度的預測結果；Stacking為代表的學習法，雖然對樣本學習的更加徹底，但容易因為模型篩選者經驗不足，導致基學習器之間學習能力差距過大，影響Stacking策略的有效性。

基于上述原因，傳統集成學習方法對區間負荷預測的應用有缺陷。

此外，電力負荷區間預測精度和輸入數據時效性關聯度很大，越是靠近預測對象的歷史數據，對模型訓練精度影響越大，也就是信息學中“數據關聯度”的概念。對于訓練數據，現有研究者更傾向于使用劃分好并且固定不變的訓練集，無視了時間序列信息關聯性的重要影響，預測步長的增加，會導致誤差加大，可能導致電力區間負荷預測精度逐步下降，無法達到應用要求。

通過上述分析，現有技術存在的問題及缺陷為：

(1)電力區間負荷預測中，針對負荷區間不同階段，只選用一種學習器來進行預測，缺乏對區間電力數據的多角度觀測和學習，預測結果不可靠。

(2)利用集成學習進行的短期電力負荷預測，其常規結合策略：均值法、投票法對于結合權重的選擇主要依靠于人工經驗，缺乏客觀依據，導致強學習器的學習效果被低估、弱學習器的學習效果被高估，結合后的預測結果不準確；以Stacking為代表的學習法則容易導致過擬合現象。

(3)基于固定訓練集的學習器，隨著預測步長的增加，導致其對區間負荷總體預測精度下降，預測過程中未利用新鮮信息。

解決以上問題及缺陷的難度為：

(1)如何利用靠近預測對象的歷史數據，即新鮮信息。

(2)如何在預測時針對預測大步長實現不同學習器的選擇。

解決以上問題及缺陷的意義為：

(1)提高大步長負荷預測的精度。

(2)充分利用新鮮信息。