[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

说明书

本发明公开了一种基于机器学习的超短期电力负荷预测方法，对原始数据归一化操作；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；使用Kmeans方法对各本征模态函数分量进行聚类，得到新负荷序列；考虑影响因素对电力负荷的影响进行特征构造；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。本发明考虑天气、节假日等因素影响构造数据特征并结合VMD、Kmeans、XGBoost方法的优点，可提高超短期负荷预测精度。

技术领域

本发明涉及一种基于机器学习的超短期电力负荷预测方法及装置，属于电力数据处理技术领域。

背景技术

电力负荷预测是保障电力系统安全稳定运行的技术前提之一，其中超短期负荷预测对于实时安全分析和实时经济调度具有重要的意义。当前经济迅速发展，各行业对于电力的需求越来越高，负荷类型也愈发复杂且电力负荷受温度、湿度、节假日等因素的影响，其随机性较强，因此提高负荷预测精度是当前研究的主要目标。

国内外对于负荷预测模型的研究主要分为时间序列模型，机器学习与深度学习模型。XGBoost是机器学习的一种模型，是对Boosting算法的优化，常用于数据挖掘，对于电力负荷数据的拟合有较好的效果。

变分模态分解(VMD)是一种时频分析法，可将非平稳信号分解为多个较平稳的本征模态函数(IMF)。

发明内容

针对电力负荷受复杂环境影响随机性较强，预测精度不高问题，本发明考虑天气及节假日影响构造数据特征并通过数据挖掘和机器学习算法建立模型，提出了一种基于机器学习的超短期电力负荷预测方法及装置。本发明使用变分模态分解(VMD)方法分解电力负荷数据以减少负荷数据非平稳性对预测精度带来的影响。同时，若对分解后的多个IMF依次预测，则预测时间会成倍增加，降低了预测效率，故本发明使用K均值聚类方法Kmeans对各IMF聚类，以保证预测效率。

本发明通过下述技术方案来实现。一种基于机器学习的超短期电力负荷预测方法，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(VMD)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(IMF)分量；

第三步，使用Kmeans方法对各本征模态函数(IMF)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。

进一步地，第四步所述影响因素包括天气、节假日、温度等因素。

进一步地，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(IMF)分量。

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。

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：