[发明专利]考虑数据缺失和特征冗余的超短期负荷预测方法及系统

权利要求书

1.考虑数据缺失和特征冗余的超短期负荷预测方法，其特征在于，通过基于改进KNN的缺失数据补全算法,对存在数据缺失问题的数据集进行处理；通过基于最大信息系数MIC的包裹式特征选择方法,得到超短期负荷预测的优选特征集合，降低多变量时序数据的特征冗余度；采用S2S-GRU超短期负荷预测模型，通过序列到序列进行负荷预测；

其中，通过基于改进KNN的缺失数据补全算法,对存在数据缺失问题的数据集进行处理，具体包括以下步骤：

步骤S11：设X^C为样本数据x的集合，x表示为n维空间的特征向量(a₁(x),a₂(x),...,a_n(x))，其中x^*为集合X^C中数据有缺失的样本；

步骤S12：计算x^*与集合X^C中其他所有样本x之间的弗雷歇距离，计算弗雷歇距离时只考虑x^*中没有缺失数值的坐标，最终确定x^*的K个最近邻；

步骤S13：根据所述K个最近邻相应坐标位置上数据的均值，插补x^*的缺失坐标值；

其中，通过MIC算法对输入特征变量和负荷数据做相关性分析，结合负荷预测模型，通过后向搜索策略得到最优的特征集合，基于MIC的包裹式特征选择算法流程包括以下步骤：

步骤S21：对每一个特征变量和待预测变量计算MIC；

步骤S22：将全部特征自变量集合作为第一轮的特征候选集，从完整的特征候选集合开始，将其作为输入数据输入负荷预测模型进行训练，每轮舍弃一个相关性最低的特征变量，直至负荷预测模型满足终止阈值；

步骤S23：将步骤S22中负荷预测准确率最高的特征集合作为最终优选特征集合，准确率评价指标采用平均绝对误差MAE和平均绝对百分比误差MAPE评价函数；

其中，采用S2S-GRU模型通过序列到序列对多变量多步长用电信息集合进行有监督学习，所述用电信息集合的特征变量包括：家庭总有功能耗、家庭总无功能耗、电压强度、电流强度、厨房的有功能耗、洗衣房的有功能耗、气候控制系统的有功能耗和其他有功能耗。

2.根据权利要求1所述考虑数据缺失和特征冗余的超短期负荷预测方法，其特征在于，使用超短期负荷预测模型S2S-GRU，通过序列到序列对多变量多步长用电信息集合，进行有监督学习，包括以下步骤：

步骤S31：GRU采用门控循环神经网络结构，包括更新门和重置门，所述更新门用于控制前一时刻的状态信息保留到当前状态中的程度，所述重置门用于确定是否要结合当前状态与先前的信息；

步骤S32：所述S2S-GRU模型将原始序列通过编码和解码转换到另一个序列，更好地学习到数据之间的时序关系。

3.一种考虑数据缺失和特征冗余的超短期负荷预测系统，其特征在于，包括时序数据缺失处理单元、特征冗余处理单元和S2S-GRU模型处理单元；

所述时序数据缺失处理单元：用于通过基于改进KNN的缺失数据补全算法,对存在数据缺失问题的数据集进行处理；具体包括以下步骤：

步骤S11：设X^C为样本数据x的集合，x表示为n维空间的特征向量(a₁(x),a₂(x),...,a_n(x))，其中x^*为集合X^C中数据有缺失的样本；

步骤S12：计算x^*与集合X^C中其他所有样本x之间的弗雷歇距离，计算弗雷歇距离时只考虑x^*中没有缺失数值的坐标，最终确定x^*的K个最近邻；

步骤S13：根据所述K个最近邻相应坐标位置上数据的均值，插补x^*的缺失坐标值；

所述特征冗余处理单元：用于通过基于最大信息系数MIC的包裹式特征选择方法,得到超短期负荷预测的优选特征集合，降低多变量时序数据的特征冗余度；

其中，通过MIC算法对输入特征变量和负荷数据做相关性分析，结合负荷预测模型，通过后向搜索策略得到最优的特征集合，基于MIC的包裹式特征选择算法流程包括以下步骤：

步骤S21：对每一个特征变量和待预测变量计算MIC；

步骤S22：将全部特征自变量集合作为第一轮的特征候选集，从完整的特征候选集合开始，将其作为输入数据输入负荷预测模型进行训练，每轮舍弃一个相关性最低的特征变量，直至负荷预测模型满足终止阈值；

步骤S23：将步骤S22中负荷预测准确率最高的特征集合作为最终优选特征集合，准确率评价指标采用平均绝对误差MAE和平均绝对百分比误差MAPE评价函数；

所述S2S-GRU模型处理单元：用于采用S2S-GRU超短期负荷预测模型，通过序列到序列进行负荷预测，提高对时序信息的处理能力，从而提升超短期负荷预测的精度；

其中，采用S2S-GRU模型通过序列到序列对多变量多步长用电信息集合进行有监督学习，所述用电信息集合的特征变量包括：家庭总有功能耗、家庭总无功能耗、电压强度、电流强度、厨房的有功能耗、洗衣房的有功能耗、气候控制系统的有功能耗和其他有功能耗。