[发明专利]一种基于CatBoost和LSTM模型融合的短期负荷预测方法

权利要求书

1.一种基于CatBoost和LSTM模型融合的短期负荷预测方法，其特征在于：包括以下步骤：

S1、获取样本数据，提取样本数据的特征向量并进行预处理；

S2、利用预处理后的样本数据，使用K折交叉验证分别训练得到多个CatBoost模型和LSTM模型；

S3、利用Stacking策略，用RidgeRegression模型来融合CatBoost模型和LSTM模型的预测结果，用以构建混合模型，再使用混合模型来进行短期负荷的预测；

所述样本数据表示为：

{(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)}；

其中：x_i是第i个样本的特征向量，m是特征维度；y_i是第i个样本的负荷数据；

所述特征向量包括时间特征、天气特征、节假日特征、历史负荷特征；

所述时间特征包括年份、季度、月份、日、星期、一周的第几天和是否是周末；

所述天气特征包括日最高气温、日最低气温、日平均气温、日最大气温差、日最高湿度、日最低湿度、日平均湿度和日最大湿度差；

所述节假日特征包括该日是否为节假日和是否为调休日；

所述历史负荷特征包括使用前一周的历史负荷；

将CatBoost模型和LSTM模型作为Stacking第一层的基学习器，用一个RidgeRegression模型作为Stacking第二层的结合模型，将第一层的基学习器的输出作为第二层的结合模型的输入，构建一个混合模型；

将CatBoost模型和LSTM模型对验证集的预测结果拼接起来，作为第二层的训练集特征；将CatBoost模型和LSTM模型对测试集的预测结果作为第二层的测试集特征，得到最终的短期负荷预测。

2.根据权利要求1所述的基于CatBoost和LSTM模型融合的短期负荷预测方法，其特征在于：所述预处理包括缺失值的处理、归一化处理和独热编码；

所述缺失值处理是采用线性插值对样本数据中的缺失值进行补全，所述线性插值 表示如下：

其中，为缺失值，表示第n个样本的第k维特征向量；表示第n-1个样本的第k维特征向量；表示第n+1个样本的第k为特征向量；

所述归一化处理用于处理天气特征和历史负荷特征，归一化公式如下：

其中：是归一化处理后的数据；x是原始数据；x_max是对应特征在样本数据中的最大值；x_min是对应特征在样本数据中的最小值；

所述独热编码用于处理时间特征和节假日特征；通过对时间特征和节假日特征进行独热编码转换成二进制编码，用于LSTM模型的输入。

3.根据权利要求1所述的基于CatBoost和LSTM模型融合的短期负荷预测方法，其特征在于：所述S2步骤具体如下：将经过预处理的样本数据作为训练集，在训练CatBoost模型和LSTM模型时，采用K折交叉验证法，取K为10，将训练集分为10份，通过10轮训练得到10个CatBoost模型和10个LSTM模型；

在每轮训练的时，依次用每份训练集中的其中9份作为测试集，剩余1份作为验证集，经过10次训练后，用每次训练得到的CatBoost模型和LSTM模型分别对验证集和测试集进行预测，将CatBoost模型和LSTM模型的各自的10个验证集预测结果对应拼接起来，得到原训练集的预测结果；将CatBoost模型和LSTM模型的各自的10个测试集的预测结果取平均值，得到测试集的预测结果。