[发明专利]电子装置、基于梯度提升回归的建筑物电力负荷预测方法及存储介质

权利要求书

1.一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于梯度提升回归的建筑物电力负荷预测程序，所述基于梯度提升回归的建筑物电力负荷预测程序被所述处理器执行时实现如下步骤：

A1、采集预先确定的建筑物在预测日对应的影响电力负荷的各个因素的取值，其中，影响电力负荷的因素包括温度属性、周属性、节日属性、湿度属性以及预先设置的供电输出功率；

A2、对采集得到的各个因素的取值进行归一化处理，以得到归一化之后的各个因素值；

A3、根据预先训练完成的梯度提升回归预测模型进行电力负荷值预测，以预测出所述预先确定的建筑物在对应预测日的最大电力负荷值。

2.如权利要求1所述的电子装置，其特征在于，在所述步骤A1中，所述温度属性包括根据气象预报确定的预测日的各个时刻的温度值的平均温度、最高温度以及最低温度；所述周属性指的是预测日属于周几；所述节日属性指的是预测日是否属于节日；所述湿度属性包括预测日的平均湿度；所述预先设置的供电输出功率由相关专业人员根据经验值进行设置。

3.如权利要求2所述的电子装置，其特征在于，所述预先训练完成的梯度提升回归模型为梯度提升回归树，所述梯度提升回归树的表达式为：

4.如权利要求3所述的电子装置，其特征在于，所述梯度提升回归模型的训练过程包括：

选取所述预先确定的建筑物在预定义时间段内每天的样本数据，所述样本数据包括电力负荷值、预先设置的充电功率、温度属性、周属性、节日属性以及湿度属性；

对获取的上述样本数据进行预处理，以得到训练样本数据集M＝{(x1,y1),(x2,y2),…,(xN,yN)},其中，xN代表的是第N天，yN代表的是第N天的训练样本向量；

预定义梯度提升回归模型的损失函数为L＝(y,f(x))，输出的梯度提升回归树为f(x)；

将输出的梯度提升回归数进行初始化，以得到只有一个根节点的树f_m(x)，其中，

然后令m＝1,2,3,…M，令n＝1,2,3,…N进行求解，以计算出当前模型的损失函数的负梯度值，并将计算得到的负梯度值作为残差的估计值，其中，计算得到的负梯度值为：

进一步地，用rmn拟合回归树进行线性搜索，以估计叶节点的值c_mk，其中，得到第m棵树的叶结点Rmk，其中，k＝1,2,3,…,K；

令k＝1,2,3,…,K计算叶节点的值c_mk，其中，

对所述只有一个根节点的树f_m(x)进行训练更新，以得到梯度提升回归树。

5.如权利要求4所述的电子装置，其特征在于，对获取的上述样本数据进行预处理，以得到训练样本数据集的步骤包括：

分析采集的电力负荷值是否存在缺失数据和突变数据；

若存在缺失数据和突变数据，则根据电力负荷值的周期性和连续性，用缺失数据前后两日的电力负荷的平均值进行缺失值填充以及用突变数据前后两日的电力负荷的平均值代替突变数据，以得到完整的电力负荷值的训练样本数据集；

对得到的完整的训练样本数据集进行归一化处理，将所述训练样本数据集中的数据映射到[0,1]区间，以得到每天的训练样本向量。

6.一种基于梯度提升回归的建筑物电力负荷预测方法，其特征在于，所述方法包括如下步骤：

S1、采集预先确定的建筑物在预测日对应的影响电力负荷的各个因素的取值，其中，影响电力负荷的因素包括温度属性、周属性、节日属性、湿度属性以及预先设置的供电输出功率；

S2、对采集得到的各个因素的取值进行归一化处理，以得到归一化之后的各个因素值；

S3、根据预先训练完成的梯度提升回归预测模型进行电力负荷值预测，以预测出所述预先确定的建筑物在对应预测日的最大电力负荷值。