[发明专利]一种基于Blending集成学习的短期负荷预测方法

说明书

本发明涉及一种基于Blending集成学习的短期负荷预测方法，包括步骤：1、数据预处理；2、将数据分为训练集、验证集、测试集；3、搭建两层Blending模型，第一层模型选择学习能力、预测性能优秀的多个不同模型作为初学习器，第二层选择XGBoost模型作为次学习器，并再将训练集、验证集以HOLD‑OUT方法分成两部分，第一部分数据集作为第一层模型的训练数据，将训练好的优秀模型分别预测第二部分数据集和步骤2中的测试集；4、将步骤3中预测的输出作为一个新的数据集，来训练XGBoost模型；5、调整XGBoost模型超参数，使其达到最好的效果得到预测结果。与现有技术相比，本发明具有更好的泛化能力，比单一模型具有更好的自适应能力及更高的精度。

技术领域

本发明涉及基于深度学习的短期负荷预测技术领域，尤其是涉及一种基于Blending集成学习的短期负荷预测方法。

背景技术

近几年人工智能和机器学习的快速发展和普及，为负荷预测提供了一种崭新的思路方式。目前，短期负荷预测的方法有很多，例如卡尔曼滤波预测方法、神经网络预测方法、支持向量机预测方法等。这些方法可以实现对负荷的预测，但是由于电力负荷具有随机性和非线性。通过单一算法不能达到较高的精度，在遇到一定突发情况下，不能具有较快的应变能力，不能做出准确的预测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于 Blending集成学习的短期负荷预测方法。

本发明的目的可以通过以下技术方案来实现：

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，具体包括如下步骤：

步骤1、对采集的电力负荷特征数据进行预处理。

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。具体内容为：

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。

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。

步骤2、将预处理后的数据集分为训练集、验证集和测试集。

步骤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。

选取六个单一模型作为第一层的预测模型的具体内容为：