[发明专利]一种基于XGBoost算法的大工业用电用户负荷预测方法

说明书

本发明涉及电网供电配电领域，为大工业用电用户的负荷预测方法，包括：对用电用户的原始数据进行清洗和处理；从多个影响因素维度构建影响因素指标体系，在每个影响因素维度下构建多个影响因素指标；建立XGBoost算法模型，XGBoost算法模型的输入为历史影响因素指标数据，以月度最大负荷为学习目标；通过XGBoost算法进行模型训练，输出结果为各个影响因素指标的权重；通过XGBoost算法模型，对用电用户的月度最大负荷进行预测，提供月度负荷预测结果。本发明通过构建大工业用户的月度最大负荷预测模型，为其提供准确的月度负荷预测结果，以便选择合理的计费方式，降低用电成本。

技术领域

本发明涉及电网供电配电领域，具体为大工业用电用户的负荷预测方法。

背景技术

用电负荷预测是通过历史用电负荷数据、经济发展水平、气象数据等影响因素来预测未来用电负荷的方法。现有的负荷预测技术按照预测的时间长短，可以分为超短期、短期、中期、长期负荷预测；按照预测对象不同，可以分为按地区、行业负荷预测。传统的负荷预测方法包括回归分析法、时间序列法、灰色模型法等。随着智能算法的兴起和普及，智能算法在国内外关于负荷预测的研究中占了很高比重，主要包括人工神经网络法、支持向量机法、小波分析法等。

主流的负荷预测技术主要用于指导电力系统的规划、运行、控制和稳定等方面，以保障电力系统安全运行，提升电网企业经济效益为主要目的，主要针对地区性、行业性且整体存在明显周期规律的宏观负荷数据。单个大工业企业的受电容量小，负荷数据由于受到企业生产变动、原材料价格波动、宏观政策等不确定因素影响，缺乏周期性规律，波动性大，预测难度高。主流的负荷预测方法在大工业企业负荷预测的应用上适用性较差。

发明内容

为解决现有技术所存在的技术问题，本发明提供基于XGBoost算法的大工业用电用户负荷预测方法，通过构建大工业用户的月度最大负荷预测模型，为其提供准确的月度负荷预测结果，以便选择合理的计费方式，降低用电成本。

本发明采用以下技术方案来实现：一种基于XGBoost算法的大工业用电用户负荷预测方法，包括以下步骤：

对用电用户的原始数据进行清洗和处理；

从多个影响因素维度构建影响因素指标体系，在每个影响因素维度下构建多个影响因素指标；

建立XGBoost算法模型，XGBoost算法模型的输入为历史影响因素指标数据，以月度最大负荷为学习目标；通过XGBoost算法进行模型训练，输出结果为各个影响因素指标的权重；

通过XGBoost算法模型，对用电用户的月度最大负荷进行预测，提供月度负荷预测结果。

优选地，XGBoost算法模型为一种提升树，以每一棵树的节点预测值与节点真实值之差作为该棵树分裂生成的残差，以上一棵树分裂生成的残差为样本，拟合下一棵回归树，通过累加所有提升树的结果作为最终结果。

优选地，，对原始数据进行清洗和处理的过程包括：首先对原始数据开展一致性检验、异常识别、缺失识别，对缺失数据和异常数据进行标识；然后对每个用电用户计算其历史同期均值，以填补缺失数据和替换异常数据；最后生成衍生指标。

本发明与现有技术相比，具有如下优点和有益效果：基于XGBoost算法，综合考虑单个企业月最大负荷变动的天气、历史期数负荷、用户基本信息、企业生产情况、节假日、行业整体生产情况等影响因素，构建大工业用户的月度最大负荷预测模型，为大工业企业提供月度负荷预测结果，帮助企业选择合理的计费方式，降低用电成本。大工业用电用户可以根据月度最大负荷预测模型的预测结果，合理选择基本电费计费方案，降低用电成本，提升市场竞争力；电网企业通过为用电客户提供精准负荷预测结果，指导用户优化用电，为用户提供增值服务，提升电网企业市场竞争力。

附图说明

图1是本发明的预测流程图；