[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

说明书

本发明公开了一种基于负荷特征及模型融合的售电量预测方法及系统，包括：建模数据采集和预处理；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；将所述电力负荷特征分解成趋势项、季节项和剩余项，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，与时间特征、天气因素特征一起输入短、中期预测的学习器模型，并网格优化各模型的参数，将所述学习器模型均融合，得到售电量的短、中期预测值；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。本发明解决了在特殊事件发生后售电量预测误差较大的问题。

技术领域

本发明涉及电力技术领域，尤其涉及一种基于负荷特征及模型融合的售电量预测方法及系统。

背景技术

对售电量的预测方法中，由于月度数据的数据量很少，以往都是通过时间序列方法，比如Holt-Winters算法、ARIMA算法或者X11分解法等；或者是简单的机器学习模型(强学习模型不适用于样本过少的场景)比如线性回归算法、SVM算法或者感知机算法等。由于售电量预测务必要预测位置的变量，而与电量相关的重要特征(工业增加值于工业用电量，居民可支配收入于居民用电量等等)均为实时特征，即无法给出未来的相关特征值(预估势必会有很大误差)，因此机器学习模型并不适用。而关于时间序列模型，经历了特殊事件之后，电量势必会有反弹趋势，而时间序列并不能捕捉这一趋势。因此，现有售电量的预测方法在特殊事件发生后的预测结果上误差较大。

发明内容

(一)要解决的技术问题

基于上述问题，本发明提供一种基于负荷特征及模型融合的售电量预测方法及系统，改善在特殊事件发生后售电量预测误差较大的问题。

(二)技术方案

基于上述的技术问题，本发明提供一种基于负荷特征及模型融合的售电量预测方法，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。

进一步的，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。

进一步的，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。

进一步的，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：