[发明专利]一种XGBoost在短期负荷预测中的应用

权利要求书

1.一种XGBoost在短期负荷预测中的应用，其特征在于：具体包括以下步骤：

步骤1：对电力负荷数据进行预处理，确定预测模型的输入特征变量和输出目标；

步骤2：使用极端梯度提升算法(xgboost)计算影响电力负荷各输入特征的信息熵，并

归一化各特征的信息熵，以适配聚类算法对数据的要求；

步骤3：以各特征的信息熵作为重要性启发信息构造基于特征权重的聚类，即样本间距离采用加权欧氏距离衡量，调整聚类参数，使得聚类算法得到与要预测时间段负荷使用情况最相似的历史日；

步骤4：依据距离预测时间由远到近将相似的历史日组成时间序列T；

步骤5：时间序列T作为ATTENTION循环神经网络的编码器(Encoder)输入序列，训练预测模型；

步骤6：判断训练模型是否收敛，如果尚未收敛则返回步骤5，否则由解码器(Decoder)获得负荷预测结果。

2.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用，其特征在于：步骤1中xgboost算法的输入特征包括：季节、温度(℃)、湿度(％)、风速(m/s)、降雨量、星期类型、法定节假日、日前负荷峰值、前七天的负荷平均、七天前负荷值、去年同时段负荷值，输出目标为以上各特征对于负荷值得信息熵(重要度)。

3.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用，其特征在于：步骤2中，步骤2.1：构建算法的目标函数为：

第一部分是训练误差，而第二部分是每棵树的复杂度的和，其中IJ＝{i|q(xi)＝j}被定义为每个叶子上面样本集合表示每个数据点的在误差函数上的一阶导数和二阶导数，定义步骤2.2：将转化为如何求一个一维二次函数的最小值的问题，即：

步骤2.3：其中特征信息熵计算公式如下：

将得到的m个特征的信息熵记为{w1，w2，...，wm}。

4.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用，其特征在于：步骤3中，基于特征权重的聚类算法具体步骤为：步骤3.1对于历史日集合X＝{x1，x2，...，xi，...，xn}，其中对于每一个xi都有对应的m个特征，即xi＝{xi1，xi2，...，xim}，先将所有的特征数据归一化处理；

步骤3.2选择要预测日的特征向量作为第一个初始聚类中心u0，从历史集合里选择与u0距离最远的历史日作为u1，从历史集合里选择与{u0，u1}距离最远的历史日作为u2，......，直到找到K个初始聚类中心{u0，u1，...，uj，...，uk}；

步骤3.3对于每个历史日，选取最近的中心点，归为该类，距离计算公式为：

步骤3.4更新聚类中心点为每类的均值；

步骤3.5重复计算步骤3.3和3.4直到聚类中心不再发生改变。

5.根据权利要求1所述的一种XGBoost在短期负荷预测中的应用，其特征在于：步骤5中，用于预测短期负荷的序列到序列(sequence2sequence)的体系结构。该架构由两个LSTM(长短期记忆网络)网络组成：编码器和解码器，编码器的任务是转换可变长度的输入序列并将其编码为固定长度向量，然后将其用作解码器的输入状态，解码器产生长度为n的预测序列，在Encoder输入相似历史日的负荷值y＝{y0，y1，...，ym-1}和特征向量f＝{f0，f1，...，fm}，而注意力机制让解码器在每一步输出时参与到预测输出的不同部分，由模型Decoder部分预测负荷值实现短期负荷的高精度预测。为了提高预测精度，这里循环神经网络用的是长短期记忆网络(LSTM)结构。