[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

说明书

本申请涉及一种短期负荷预测模型构建方法、装置、设备及可读存储介质，涉及短期负荷预测技术领域，基于mRMR‑IPSO对包括日历规则、天气影响和历史负荷等特征的原始特征集进行筛选得到初始特征数据集；基于初始特征数据集对初始Stacking集成学习模型进行训练得到初始预测模型；将初始特征数据集输入初始预测模型得到负荷预测误差序列，基于负荷预测误差序列构建误差特征集，并基于mRMR‑IPSO对误差特征集进行筛选得到误差特征数据集；基于误差特征数据集对初始Stacking集成学习模型进行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，提高了短期负荷预测模型的预测精度和泛化性能。

技术领域

本申请涉及短期负荷预测技术领域，特别涉及一种短期负荷预测模型构建方法、装置、设备及可读存储介质。

背景技术

短期负荷预测能够在电力系统规划方面、电力系统调度运行方面、电力市场交易方面、电力系统储能调控方面以及电力系统稳定性分析等各个方面发挥重要作用。短期负荷预测的本质就是对历史数据进行深入挖掘，从中找出负荷与多种影响因素的内在关联，建立映射关系，达到准确预测的目的。但是电力负荷具有易受人们工作作息、生活习惯和气候条件等多方面因素的影响以及复杂多变的特性，这也使得深入挖掘负荷特性变得困难，给负荷预测工作带来了不便。

相关技术中，关于短期负荷预测模型一般采用传统的统计预测模型进行预测。其中，统计预测模型包括时间序列模型、回归分析模型和指数平滑模型等。比如，时间序列模型根据时间序列呈现出的过程特性来建立和估计该随机过程的模型，然后用该模型进行预测，其可以分为处理平稳时序的自回归模型、移动平均模型和自回归动平均模型以及处理非平稳时序的累积式自回归移动平均模型。传统的统计预测模型虽然具有预测效率高和模型简单的优点，但是其对于非线性序列的预测精度不高且鲁棒性较差。

此外，目前的负荷预测模型在进行模型训练时，往往未对输入特征进行选择，以致模型训练效果较差，进而导致预测精度较差；且当前的负荷预测模型一般是单一预测模型，其存在泛化性能弱的问题，而随着在新型电力系统中新能源和主动负荷的广泛接入，以致短期负荷随机、波动性增强，进而导致短期负荷预测面临更大的挑战。

发明内容

本申请提供一种短期负荷预测模型构建方法、装置、设备及可读存储介质，以解决相关技术中传统负荷预测模型存在的预测精度差和泛化性能弱的问题。

第一方面，提供了一种短期负荷预测模型构建方法，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。

一些实施例中，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。