[发明专利]一种基于负荷特征及模型融合的售电量预测方法及系统

权利要求书

1.一种基于负荷特征及模型融合的售电量预测方法，其特征在于，所述方法包括以下步骤：

S1、建模数据采集和预处理，采集的数据包括月度电量数据和日度电量数据；

S2、构建特征工程：针对建模数据选择、提取预测目标售电量的相关特征，并对相关特征通过相关系数进行优化；所述相关特征包括电力负荷特征、时间特征和天气因素特征；

S3、将所述电力负荷特征分解成趋势项、季节项和剩余项三个分解项，对所述三个分解项分别预测后重构得到预估的电力负荷特征；

S4、对所述时间特征、天气因素特征和预估的电力负荷特征输入短、中期预测的学习器模型，并网格优化各所述学习器模型的参数：

S5、将所述学习器模型均融合，得到售电量的短、中期预测值。

2.根据权利要求1所述的基于负荷特征及模型融合的售电量预测方法，其特征在于，所述方法还包括以下步骤：

S6、对所述电力负荷特征、时间特征和天气特征进行Prophet模型调优，得到售电量的长期预测值。

3.根据权利要求1所述的基于负荷特征及模型融合的售电量预测方法，其特征在于，所述步骤S2中的时间特征包括：day_of_year本年第几天、day_of_month本月第几天、day_of_week本周第几天、year年份、month月份、week_total_id总第几周、week_year_id年第几周、if_holiday本日是否为节假日、month_year_id年第几月、month_total_id总第几月、holiday_num周末。

4.根据权利要求1所述的基于负荷特征及模型融合的售电量预测方法，其特征在于，所述步骤S2中的天气因素特征通过以下步骤得到：

S2.2.1、设置低温阈值和高温阈值：根据日度售电量与每日平均气温绘制拟合曲线，由所述拟合曲线的趋势设置阈值；

S2.2.2、根据所述低温阈值和高温阈值计算采暖系数与制冷系数：

hd_i＝max(T_low-T_i,0)，

cd_i＝max(T_i-T_high,0)，

其中hd_i和cd_i分别表示第i天的采暖系数和制冷系数；T_low和T_high分别为低温阈值温度和高温阈值温度；T_i为当天的日平均温度；

S2.2.3、根据所述采暖系数与制冷系数求得当天对应的温度系数：

HCD_i＝α*hd_i+cd_i，

其中，第X年的第m个月的售电量记为S_m:m+1，售电量峰值月份m月和n月，故峰值售电量的比值为S_m:m+1/S_n:n+1，α为X、X+1年峰值售电量的比值的平均值。

5.根据权利要求1所述的基于负荷特征及模型融合的售电量预测方法，其特征在于，步骤S3包括以下步骤：

S3.1、将所述电力负荷特征通过X11分解成趋势项、季节项和剩余项三个分解项；

S3.2、对所述三个分解项分别预测：

S3.3、将所述三个分解项的预测数据根据X11加法模型相加得到预估的电力负荷特征。

6.根据权利要求5所述的基于负荷特征及模型融合的售电量预测方法，其特征在于，步骤S3.2的预测方法包括：

S3.2.1、趋势项预测：利用Prophet回归模型，得到趋势项预测结果；

S3.2.2、季节项周期填充：季节项规律性强，按其周期项进行填充；

S3.2.3、剩余项噪声填充：对剩余项进行LB检验为白噪声序列，使用随机高斯模型对其进行白噪声填充。

7.根据权利要求1所述的基于负荷特征及模型融合的售电量预测方法，其特征在于，步骤S4所述的短、中期预测的学习器模型包括LightGBM、XGBoost以及GBDT。