[发明专利]一种基于Blending集成学习的短期负荷预测方法

摘要

本发明涉及一种基于Blending集成学习的短期负荷预测方法，包括步骤：1、数据预处理；2、将数据分为训练集、验证集、测试集；3、搭建两层Blending模型，第一层模型选择学习能力、预测性能优秀的多个不同模型作为初学习器，第二层选择XGBoost模型作为次学习器，并再将训练集、验证集以HOLD‑OUT方法分成两部分，第一部分数据集作为第一层模型的训练数据，将训练好的优秀模型分别预测第二部分数据集和步骤2中的测试集；4、将步骤3中预测的输出作为一个新的数据集，来训练XGBoost模型；5、调整XGBoost模型超参数，使其达到最好的效果得到预测结果。与现有技术相比，本发明具有更好的泛化能力，比单一模型具有更好的自适应能力及更高的精度。

主权项

1.一种基于Blending集成学习的短期负荷预测方法，该方法用于对电力负荷进行预测，其特征在于，包括下列步骤：/n1)对采集的电力负荷特征数据进行预处理；/n2)将预处理后的数据集分为训练集、验证集和测试集；/n3)搭建八个单一模型，包括极端梯度提升XGBoost模型、轻量级梯度提升机LightGBM、长短记忆网络LSTM模型、梯度下降树GBDT模型、深度信念网络DBN模型、K近邻法KNN模型、支持向量机SVM和BP神经网络模型，采用同一批数据对各个单一模型单独进行负荷预测，选取六个单一模型作为第一层的预测模型；/n4)将步骤二划分好的训练集与验证集划分为两部分，利用第一部分数据集的训练集和验证集来训练选取的六个单一模型，通过判断评价指标RMSE是否达到最小，来调整超参数，并将训练好的模型对第二部分数据集进行预测，将预测结果作为新的训练集；/n5)将第一部分数据集的训练集和验证集训练选取的六个单一模型，将训练好的模型对步骤二的测试集进行预测，并将预测结果作为新的测试集；/n6)选取XGBoost作为第二层的预测模型，采用步骤4)中新的训练集对该单一模型进行训练，调整超参数；/n7)将步骤6)训练好的XGBoost模型对步骤5)中新的测试集进行预测，获取预测结果并计算MAPE和RMSE两个评价指标的值，完成短期负荷预测。/n