[发明专利]短期负荷预测模型构建方法、装置、设备及可读存储介质

权利要求书

1.一种短期负荷预测模型构建方法，其特征在于，包括以下步骤：

获取原始特征集，所述原始特征集包括日历规则特征、天气影响特征和历史负荷特征，并基于mRMR-IPSO特征选择方法对所述原始特征集进行筛选，得到初始特征数据集；

基于所述初始特征数据集对初始Stacking集成学习模型进行优化训练，得到初始预测模型；

将所述初始特征数据集输入至所述初始预测模型，得到负荷预测误差序列，并基于所述负荷预测误差序列构建误差特征集，所述误差特征集包括日历规则特征、天气影响特征和历史误差特征，且基于mRMR-IPSO特征选择方法对所述误差特征集进行筛选，得到误差特征数据集；

基于所述误差特征数据集对初始Stacking集成学习模型进行优化训练，得到误差预测模型；

基于初始预测模型和误差预测模型创建短期负荷预测模型。

2.如权利要求1所述的短期负荷预测模型构建方法，其特征在于，所述基于mRMR-IPSO特征选择方法对所述原始特征集进行筛选，得到初始特征数据集，包括：

基于mRMR算法的相关性特性和最大相关最小冗余特性从所述原始特征集中筛选出初选特征子集；

对所述初选特征子集进行二进制编码并产生初始化种群；

基于IPSO算法对所述初始化种群进行迭代更新，得到初始特征数据集。

3.如权利要求1所述的短期负荷预测模型构建方法，其特征在于，在所述基于所述初始特征数据集对初始Stacking集成学习模型进行优化训练，得到初始预测模型的步骤之前，还包括：

基于所述初始特征数据集分别对预设的预测模型集合中的多个独立预测模型进行训练，得到多个训练后预测模型；

基于模型预测精度和模型预测误差相关性从多个训练后预测模型中筛选出至少一个第一预测模型和一个第二预测模型；

基于第一预测模型和第二预测模型构建初始Stacking集成学习模型，所述第一预测模型作为所述初始Stacking集成学习模型的基模型，所述第二预测模型作为所述初始Stacking集成学习模型的元模型。

4.如权利要求3所述的短期负荷预测模型构建方法，其特征在于，所述预测模型集合包括LightGBM模型、LSTM模型、RF模型、XGBoost模型、GBDT模型、DBN模型、SVR模型和KNN模型。

5.如权利要求3所述的短期负荷预测模型构建方法，其特征在于，所述基于所述初始特征数据集对初始Stacking集成学习模型进行优化训练，得到初始预测模型，包括：

基于所述初始特征数据集和K折交叉验证对各个基模型进行训练，并输出各个基模型的测试结果，其中，K为正整数；

将各个基模型的测试结果进行合并，得到测试结果集；

基于所述测试结果集对元模型进行训练，生成初始预测模型。

6.如权利要求1所述的短期负荷预测模型构建方法，其特征在于，所述负荷预测误差序列E的计算公式为：

式中，L_tranin表示与初始特征数据集对应的负荷真实值，表示与初始特征数据集对应的负荷预测值。

7.如权利要求1所述的短期负荷预测模型构建方法，其特征在于，在所述基于所述初始预测模型和所述误差预测模型创建短期负荷预测模型的步骤之后，还包括：

使所述短期负荷预测模型基于初始预测模型输出的负荷初步预测值和误差预测模型输出的负荷误差预测值计算得到短期负荷预测值。