[发明专利]极端温度气象日母线日前负荷预测方法

权利要求书

1.极端温度气象日母线日前负荷预测方法，其特征在于，该预测方法包括如下步骤：

步骤1：根据母线负荷历史数据和气象因素历史数据进行统计分析，以日内母线负荷峰谷差、最大母线负荷平均值和日最大温度为指标，确定极端温度气象日；

步骤2：构建XGBoost预测模型，通过网格搜索法，确定XGBoost预测模型的决策树最大深度max_depth及学习率learning_rate参数，将原始特征集合经过特征选择后的最优特征子集所包含的全部特征作为XGBoost模型的输入训练模型，确定极端温度气象待测日母线负荷；

其中，所述XGBoost预测模型为根据母线负荷历史数据和气象因素历史数据作为样本通过机器学习训练得到的模型；

所述原始特征集合由待预测时刻温度、电价、风速、风向、相对湿度、日期类型、气压，以及待预测时刻前一周母线历史负荷组成；

所述最优特征子集所包含的全部特征是原始特征集合的部分或者整体。

2.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述气象因素历史数据包括温度、风速、风向、相对湿度及气压。

3.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述极端温度气象日为最高温度高于30度或最低温度低于零下20度的气象日。

4.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：步骤2中采用滚动方式更新训练集数据实现XGBoost模型的更新，即将预测得到的母线负荷作为历史数据，更新训练集数据，从而实现XGBoost模型的更新。

5.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述最优特征子集的获取过程如下：采用原始特征集合中全部特征作为XGBoost预测模型输入；对全部特征根据重要度排序，选择不同数目的特征作为特征子集，以各特征子集下的预测精度为决策变量，进行前向特征选择，选择原始特征集合中预测精度高且特征子集维度低构成的特征子集作为最优特征子集。

6.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述决策树最大深度max_depth范围为2～10，学习率learning_rate范围为0.1～0.5。

7.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述决策树最大深度max_depth范围为5，学习率learning_rate为0.24。

8.根据权利要求1所述的极端温度气象日母线日前负荷预测方法，其特征在于：所述日期类型为工作日或非工作日。