[发明专利]一种大工业电力用户长期负荷预测方法

摘要

一种大工业电力用户长期负荷预测方法，包括以下步骤：步骤S10，选择需要进行预测的对象提取出用电量数据，并对数据进行清洗；步骤S20，对清洗完的电量数据进行时间序列分析；步骤S30，使用时间序列分析决定以过去几天的用电量；步骤S40，将完成特征工程后的数据输入梯度上升决策树算法模型中；步骤S50，加入一些预测特殊时段的业务规则，对上一部训练出的模型进行精细调优得出最终预测结果。本发明解决了负荷预测对气象数据的强依赖，并且在预测时间上有了很大提升可以进行长期预测，具有思路清晰，经济价值高，适合推广使用的优点。

主权项

1.一种大工业电力用户长期负荷预测方法，其特征在于，包括以下步骤：步骤S10，选择需要进行预测的大用户提取出用电量数据，采用将原始的15分钟电量数据融合为日电量结构，并使用统计概率分布中的正态分布检验法筛选出异常数据，一个数据在正态分布的情况下出现的概率为其中μ为数据期望值，σ为数据方差值，根据每组数据对象的不同设置概率阈值，当该数据出现的概率小于该阈值时则视为异常数据，使用牛顿插值法将其替换，并先将大于中位数10倍以上的数据使用中位数替换；步骤S20，对修改完的电量数据进行时间序列相关分析，首先根据时间序列分析的前提条件将电量数据序列使用差分法变为平稳序列，一个时间序列由长期趋势T，季节变动S，循环变动C，不规则变动I组成，只提取出预测对象的历史季节变化系数S作为之后训练模型的一个数据特征；步骤S30，对对象历史用电量数据进行特征工程，将历史某几天的用电量以及这几天的用电量的差分作为新的数据特征，天数的选择根据时间序列分析结果中的对象自相关系数，自相关系数描述的是这段序列在两个不同时段之间互相影响的程度，计算公式为其中μ_s为数据在s时间段的期望，σ_s为数据在s时间段的方差，μ_t为数据在t时间段的期望，σ_t为数据在t时间段的方差,针对每个月的不同情况择优选择历史用电量特征互相影响系数最大的天数；步骤S40，构建梯度上升算法模型，将完成特征工程后的数据输入梯度上升决策树算法模型中，并且对模型参数进行调优，通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练,每一个弱分类器的损失函数的参数最大拟然求法为F_m‑1(x)为当前的模型，T(x_i,θ_m)为每一轮迭代生成的新弱分类器，将每轮迭代的分类器和新生成的弱分类器线性叠加，最终训练出负荷预测模型；步骤S50，将模型变为滚动窗口预测模型，上一步训练出的模型理论上进行任意天数的负荷预测，加入滚动预测窗口，只用之前的模型进行一天的负荷预测，然后将新预测数据加入训练数据集，将训练数据距离目前最远的数据移除出训练集，训练集的长度即为滚动窗口的长度，然后重新训练模型，再进行下一天的预测，这样滚动预测一个月后将预测数据合起来即为这个月的负荷预测；步骤S60，根据不同用户的自身特征，加入预测特殊时段的业务规则，对上一部训练出的模型进行精细调优，最终得到月负荷预测结果。