[发明专利]一种基于Stacking模型融合的楼宇用电量预测方法和系统

说明书

本发明公开了一种基于Stacking模型融合的楼宇用电量预测方法和系统，属于楼宇用电量预测领域。本发明采用Stacking模型融合算法集成多种回归模型，构建用电量Stacking集成模型，集成了多种模型的优势，减少了预测偏差；针对用电量不稳的楼宇，利用了历史用电量、温度、风力、湿度、时间信息等多种影响因素，训练用电量Stacking集成模型，提高了预测的精准度，有利于楼宇的管理者对大楼能耗进行有效的管控，避免出现耗电量与预估电量相差太大的情况，在参与电力市场交易时合理预估和购买，使楼宇管理者有效控制电费支出，同时也便于电力部门或售电公司的售电安排，既能达到节能减排的效果，又有良好的社会效益和经济效益。

技术领域

本发明属于楼宇用电量预测领域，更具体地，涉及基于Stacking模型融合的楼宇用电量预测方法和系统。

背景技术

楼宇月度用电量预测属于时间序列预测类型。时间序列是一组依赖于时间的随机变量，这组变量之间具有依存关系，相关特性表明了预测对象发展的延续性。将其中所蕴含的自相关特性用数学模型描述出来，就可以利用时间序列的过去值和现在值预测未来的值。

楼宇月度用电量预测现有技术中，预测手段大多采用多变量的回归手段进行预测，通过对当地的居民量与生活水平进行多变量的建模，使得预测的残差和最小而得到一个模型。或者使用SVM算法进行一定的逼近，将预测的影响因子投射到不同的维度之上，从而可以预测较之多变量回归更加不稳定的月度用电量系统。也有通过时间序列的自回归滑动平均模型(ARMA)，由于ARMA模型只关注时间序列带来的本身的影响，忽略了许多干扰因子而限制了实际月度用电量预测中的有效性，比如气温、天气、是否属于节假日等。

这些方法各有各的优点，也各有各的缺陷，总体来说这些方法对历史数据准确性要求较高，在耗电稳定的区域预测效果较好，但是在外源性因素(天气变化、节假日)作用之下，存在较大的预测误差。

以写字楼为例，写字楼电力系统是一个复杂的实时动态系统，复杂多变的影响因素使得写字楼电力系统在运行过程中的稳定性和安全性大大降低。同时，写字楼的用电不同于普通居民用电，它受到季节、温度、节假日和外界环境等多种因素的影响，比如在季节交替时，用电量会出现较大幅度波动，这主要是因为冬季存在供暖需求，而夏季则存在供冷需求；再比如室内空间的大小，活动人员的多少会影响室内温度；写字楼设备随着时间的推移存在损耗等。因此，写字楼电力系统，受到季节、节假日、办公楼人数、设备损耗等多种因素影响，电力系统月度用电量并不完全趋于稳定，所以使用传统的单个模型来进行用电量预测无法结合多种模型的优点，并且预测结果与实际用电量存在较大偏差，不能让模型具有较强的泛化能力。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于Stacking模型融合的楼宇用电量预测方法和系统，其目的在于解决现有方法针对电力使用状态不稳定情况下的楼宇用电量预测，存在较大预测误差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于Stacking模型融合的楼宇用电量预测方法，包括：

S1.收集待预测楼宇历史时段的温度、风力、湿度和时间信息，以及对应时段的用电量数据，作为训练集；

S2.构建用电量Stacking集成模型；所述用电量Stacking集成模型采用Stacking模型融合算法集成多种回归模型得到，包括第一层和第二层；其中，第一层中各个模型根据输入的温度、风力、湿度和时间信息，得到初始用电量预测值；第二层对第一层输出的初始用电量预测值进行修正，得到最终的用电量预测值；

S3.以待预测楼宇历史时段的温度、风力、湿度和时间信息作为输入，以对应时段的用电量数据作为期望输出，对用电量Stacking集成模型进行训练；

S4.将待预测的未来月度对应的温度、风力、湿度和时间信息输入训练好的用电量Stacking集成模型，得到对应月度的用电量预测结果。