[发明专利]基于机器学习的变电站电量趋势预测分析的方法

权利要求书

1.基于机器学习的变电站电量趋势预测分析的方法，其特征在于，包括以下步骤：

S1.分析变电站电量趋势预测的影响因子，确定构建模型所需的特征量类型，所述特征量类型包括节假日电量、月份电量、周电量、日电量、气象数据、模型滞后期；

S2.基于已采集的电量数据和所述特征量类型构建多维度特征量数据集，其中，所述节假日电量、月份电量、周电量、日电量均基于各自时间节点的均值、方差、最大值、最小值的特征数据上进行特征提取；

S3.生成模型评估数据集，所述数据集包括训练集和测试集；

S4.基于回归的GBDT集成学习算法构建GBDT预测模型，使用所述训练集进行迭代训练获取最终强学习器；

S5.基于Adaboost集成学习算法构建Adaboost预测模型，使用所述训练集进行迭代训练获取最终强分类器；

S6.获取所述GBDT预测模型和Adaboost预测模型的电量预测结果，并根据所述测试集，分别计算所述GBDT预测模型和Adaboost预测模型的均方根误差；

S7.采用所述均方根误差的值评估预测模型的预测效果，所述均方根误差越小，相应预测模型的预测结果越准确。

2.根据权利要求1所述的基于机器学习的变电站电量趋势预测分析的方法，其特征在于：所述电量数据包括变电站ID、电压等级、日期、电量。

3.根据权利要求1所述的基于机器学习的变电站电量趋势预测分析的方法，其特征在于：所述步骤S2还包括在月份电量的基于月份的偏度和峰度上的特征数据进行特征提取。

4.根据权利要求1所述的基于机器学习的变电站电量趋势预测分析的方法，其特征在于：所述气象数据包括温度和湿度。

5.根据权利要求2所述的基于机器学习的变电站电量趋势预测分析的方法，其特征在于：所述电量包括正向电量、反向电量、转换后的正向电量、转换后的反向电量。

6.根据权利要求4所述的基于机器学习的变电站电量趋势预测分析的方法，其特征在于：所述步骤S2还包括对基于某天的温度、湿度的特征数据进行特征提取。