[发明专利]一种基于机器学习的超短期电力负荷预测方法及装置

权利要求书

1.一种基于机器学习的超短期电力负荷预测方法，其特征在于，步骤如下：

第一步，对原始数据归一化操作；

第二步，使用变分模态分解方法对负荷数据进行处理，将波动性较强的原始负荷数据分解为多个较平稳的本征模态函数分量；

第三步，使用Kmeans方法对各本征模态函数分量进行聚类，为确定聚类数，对不同聚类数进行效果测试，使用轮廓系数法和模糊划分系数评价效果，得到效果最好的聚类数后进行聚类，然后依次将同一类的负荷分量叠加，得到新负荷序列；

第四步，考虑影响因素对电力负荷的影响进行特征构造；

第五步，利用XGBoost模型对新负荷序列进行预测，之后对各预测值叠加重构得到最终预测结果。

2.如权利要求1所述的基于机器学习的超短期电力负荷预测方法，其特征在于，第四步所述影响因素包括天气、节假日、温度。

3.如权利要求1所述的基于机器学习的超短期电力负荷预测方法，其特征在于，其特征在于，第二步中，分解过程为：首先，根据前人研究结果和实际应用经验设置惩罚参数为2000，初始中心频率为0；然后，预设分解阶数K值范围，依次进行分解实验，将中心频率最为接近的一组实验的分解阶数K值设定为最佳参数；最后，设置最佳参数对原始数据进行分解，得到n个本征模态函数分量。

4.如权利要求1所述的基于机器学习的超短期电力负荷预测方法，其特征在于，第三步中，聚类过程为：首先，需确定聚类数，预设不同聚类数如2-8类，依次进行聚类并使用轮廓系数法与模糊划分系数对聚类效果进行评分以此确定最佳聚类数；其中，轮廓系数法与模糊划分系数评分两者得分越高则表示聚类效果越好；然后，设置最佳聚类数进行聚类，将同类中负荷分量叠加，得到m组新负荷序列。

5.如权利要求1所述的基于机器学习的超短期电力负荷预测方法，其特征在于，第五步的具体过程如下：首先，对XGBoost模型参数进行初始化，设置初始参数；然后，根据前人研究及实际应用经验设置调参范围；最后，使用网格搜索与交叉验证法寻找最优参数，评估指标为平均绝对百分误差MAPE，其计算公式如下：

式中，式中，表示预测值，y_i述表示真实值，i＝1,2,3...n,；使用网格搜索进行遍历寻优，计算并记录MAPE值进行对比，得到最佳参数；将最佳参数替换最大树高初始值，继续下一参数寻优，以此类推得到一组最佳参数；

在XGBoost模型设置已找寻的最佳参数，将构造特征后的各组数据按照8:2划分训练集与测试集，依次预测后叠加重构得到最后连续96个点的预测值，计算并记录MAPE、平均绝对误差MAE、均方根误差RMSE对预测模型进行评估。

6.一种基于机器学习的超短期电力负荷预测装置，其特征在于，包括数据导入及归一化模块、分解模块、聚类模块、特征构造模块、预测模块和评估模块，所述分解模块接收数据导入及归一化模块处理后的数据，并进行变分模态分解处理，得到本征模态函数分量；所述聚类模块对本征模态函数分量聚类分析得到新负荷序列；所述特征构造模块根据新负荷序列历史信息、天气、节假日特征构造特征；所述预测模块对新负荷序列进行预测得到最终预测结果：所述评估模块比较预测结果与真实值之间的误差，评估超短期电力负荷预测装置的预测效果。

7.如权利要求6所述的基于机器学习的超短期电力负荷预测装置，其特征在于，数据导入及归一化模块用于对原始数据使用峰值法归一化处理并导入超短期电力负荷预测装置。

8.如权利要求6所述的基于机器学习的超短期电力负荷预测装置，其特征在于，分解模块用于变分模态分解模型参数确定，包括惩罚参数、初始中心频率及分解阶数，之后对数据进行分解得到多个本征模态函数分量。

9.如权利要求6所述的基于机器学习的超短期电力负荷预测装置，其特征在于，聚类模块用于Kmeans参数确定，之后对分解模块得到的分量聚类并分别对同一类分量叠加，得到新负荷序列。

10.如权利要求6所述的基于机器学习的超短期电力负荷预测装置，其特征在于，预测模块用于XGBoost模型参数寻优，之后对特征构造模块得到的各序列特征预测，最后叠加重构得到预测值。