[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

说明书

本发明公开了一种考虑数据缺失和特征冗余的超短期负荷预测方法及系统，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，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。本发明考虑到了负荷数据的形态相似性，可以有效筛选出优选特征集合，提高超短期负荷预测的精度。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，进一步提高算法对长时间序列模型的预测能力，避免传统负荷预测任务中输入序列和输出序列长度的限制。

技术领域

本发明涉及电力数据处理领域，具体涉及考虑数据缺失和特征冗余的超短期负荷预测方法及系统。

背景技术

精准的超短期负荷预测是实时电力市场运行和辅助服务精细化发展的重要依据。随着电力信息化的推进和智能电表、高级量测技术体系的发展，用电信息呈现出海量化、多元化的特点。目前，用电信息除电力负荷数据外，还包括电压、电流、各用电器能耗等多元异构数据。在更加复杂的电力大数据背景下，有效地利用多元异构的用电信息进行精确的超短期负荷预测具有重要意义。

传统的超短期负荷预测方法主要分为统计模型和机器学习模型两类。统计模型主要包括线性回归模型、卡尔曼滤波器模型、以及时间序列模型，这些模型能够较好地学习数据序列相关性，但是无法准确地拟合其非线性性质。机器学习预测方法则以人工神经网络、支持向量机以及决策树模型等为代表，这些方法可以较好地把握负荷与特征变量之间的非线性关系，但在处理大数据量负荷预测方面，存在收敛速度慢、对时序数据相关性学习能力较差等缺点。近年来，以深度学习为代表的人工智能方法在学习数据深层特征方面表现出优异的性能，其中循环神经网络相较其他神经网络能更好地对动态时序数据进行建模，GRU神经网络和LSTM神经网络通过引入特殊的门结构，可以进一步解决原始循环神经网络中存在的梯度消失问题，被广泛用于时序数据模型中。

但是，现有的超短期负荷预测研究较少考虑到多变量时序数据的数据缺失和特征冗余问题，缺失数据能否有效补全，会很大程度上影响超短期负荷预测的精度；且多变量时序数据的特征冗余问题不仅会造成巨大的计算开销，不相关或部分相关的特征变量还会对模型的预测精度产生负面作用。另一方面，尽管深度学习中的深度LSTM网络、GRU网络等模型具有较好的时序数据学习能力，但其在负荷预测任务中由于输入序列和输出序列长度的限制，一次只能预测一个时间步长，并在下次预测时更新网络状态，这种模式会极大程度上受到先前时间步长预测结果的影响。

发明内容

本发明所要解决的技术问题是现有的超短期负荷预测研究较少考虑到多变量时序数据的数据缺失和特征冗余,直接影响超短期负荷预测的精度，目的在于提供一种考虑数据缺失和特征冗余的超短期负荷预测方法及系统，解决了如何提高超短期负荷预测精度的问题。

本发明通过下述技术方案实现：

一种考虑数据缺失和特征冗余的超短期负荷预测方法，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，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。