[发明专利]一种基于Blending集成学习的短期负荷预测方法

权利要求书

1.一种基于Blending集成学习的短期负荷预测方法，该方法用于对电力负荷进行预测，其特征在于，包括下列步骤：

1)对采集的电力负荷特征数据进行预处理；

2)将预处理后的数据集分为训练集、验证集和测试集；

3)搭建八个单一模型，包括极端梯度提升XGBoost模型、轻量级梯度提升机LightGBM、长短记忆网络LSTM模型、梯度下降树GBDT模型、深度信念网络DBN模型、K近邻法KNN模型、支持向量机SVM和BP神经网络模型，采用同一批数据对各个单一模型单独进行负荷预测，选取六个单一模型作为第一层的预测模型；

4)将步骤二划分好的训练集与验证集划分为两部分，利用第一部分数据集的训练集和验证集来训练选取的六个单一模型，通过判断评价指标RMSE是否达到最小，来调整超参数，并将训练好的模型对第二部分数据集进行预测，将预测结果作为新的训练集；

5)将第一部分数据集的训练集和验证集训练选取的六个单一模型，将训练好的模型对步骤二的测试集进行预测，并将预测结果作为新的测试集；

6)选取XGBoost作为第二层的预测模型，采用步骤4)中新的训练集对该单一模型进行训练，调整超参数；

7)将步骤6)训练好的XGBoost模型对步骤5)中新的测试集进行预测，获取预测结果并计算MAPE和RMSE两个评价指标的值，完成短期负荷预测。

2.根据权利要求1所述的一种基于Blending集成学习的短期负荷预测方法，其特征在于，步骤1)中，对采集的电力负荷数据进行预处理包括对所采集到的数据进行离散点分析，对异常值进行剔除，对缺失值利用拉格朗日插值法进行插值，并对除了星期类型、时间以外的特征数值进行归一化处理。

3.根据权利要求2所述的一种基于Blending集成学习的短期负荷预测方法，其特征在于，对所采集到的数据进行离散点分析包括对采取到的特征进行多维Pearson相关系数分析，Pearson相关系数的计算公式为：

式中，和分别为电力负荷数据中各向量中元素的平均值，P_xy的取值范围为-1≤P_xy≤1，一般情况下当P_xy＝0时，表示特征之间完全不相关，当P_xy>0时，表示特征之间正相关，P_xy<0，则表示特征之间负相关，m为电力负荷数据各向量中元素的总数。

4.根据权利要求2所述的一种基于Blending集成学习的短期负荷预测方法，其特征在于，对电力负荷数据中除星期类型、时间以外的特征数值进行归一化处理的归一化公式为：

式中，x为除星期类型、时间以外的特征数值，x_max，x_min分别为除星期类型、时间以外的特征数值中的最大值、最小值。

5.根据权利要求1所述的一种基于Blending集成学习的短期负荷预测方法，其特征在于，步骤3)中，选取六个单一模型作为第一层的预测模型的具体内容为：

搭建八个单一模型分别为极端梯度提升XGBoost、轻量级梯度提升机LightGBM、长短记忆网络LSTM、梯度下降树GBDT、深度信念网络DBN、K近邻法KNN、支持向量机SVM、BP神经网络；分别设计实验将各单一模型单独进行负荷预测，根据每个模型产生的预测准确度及预测误差分步情况进行比较，将Pearson相关系数作为相关性指标，计算每个模型之间的相关度，并选择相关性低的六个模型作为第一层的预测模型。