[发明专利]一种基于CatBoost和LSTM模型融合的短期负荷预测方法

说明书

本发明公开了一种基于CatBoost和LSTM模型融合的短期负荷预测方法，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。本发明具有预测准确的优点。

技术领域

本发明涉及电力系统负荷预测技术领域，具体为一种基于CatBoost和LSTM模型融合的短期负荷预测方法。

背景技术

电力系统的稳定运行是社会高速发展的基础，保障电力系统运行的安全性和可靠性具有重要的意义。为了保障电力系统稳定运行，满足用户变化的用电需求，电力部门需要制定合理的电力调度方案，准确的短期负荷预测是制定科学合理的调度方案的必要条件。

短期负荷预测以日负荷值为预测目标，主要用来给电网的日常调度提供参考。短期负荷容易受到很多因素的影响，例如经济、天气、社会活动等因素，这些因素对负荷的影响都是非线性的，这使得精准的短期负荷预测成为了一个巨大的挑战。

传统的负荷预测方法主要包括线性回归模型和自回归移动平均模型。线性回归模型容易理解，实现方便，但缺点在于难以用于复杂的非线性拟合中。自回归移动平均模型是一种时间序列预测方法，对平稳的时间序列预测精度较高，但其高阶模型的参数估计较为困难，并且负荷序列多为非平稳序列，因此该方法具有很大的局限性。

随着人工智能技术和负荷预测技术的发展，越来越多机器学习和深度学习方法被用于解决负荷预测问题，这些模型凭借其强大的学习能力和泛化能力，对各种因素和负荷之间的非线性关系进行拟合，展示出了不俗的预测性能。

CatBoost是一种新颖且强大的梯度提升决策树算法，对类别型特征进行了有效的处理，在某些领域取得了优异的预测精度，而负荷预测问题中正有很多具有很大挖掘价值的类别型特征。神经网络模型广泛应用于各个领域中，其中，LSTM模型主要用于解决时间序列问题，而负荷预测问题就是典型的时间序列问题，历史负荷数据会对当前的负荷值产生影响。由于短期负荷值受到多种因素的影响，不同的模型关注的重点不同，单一的预测模型容易陷入局部最优解，导致预测结果出现误差。

发明内容

本发明的目的在于，提供一种基于CatBoost和LSTM模型融合的短期负荷预测方法。本发明具有预测准确的优点。

本发明的技术方案：一种基于CatBoost和LSTM模型融合的短期负荷预测方法，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。

上述的基于CatBoost和LSTM模型融合的短期负荷预测方法，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；