[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

说明书

技术领域

本发明涉及电能表计量领域，具体涉及一种基于机器学习的变电站电量趋势预测分析的 方法。

背景技术

随着国民经济的不断发展和人们生活水平的不断提高，每年的用电量也在稳步增长。对 变电站电量数据的分析对电力企业和区域经济利益密切相关，学术、行业对变电站电量分析 和预测一直有所尝试。现有的变电站电量分析和预测方法主要包括基于经典理论公式的预测 算法分析和基于单变量的时序预测分析：

1、基于经典理论公式的预测算法分析主要依据历史数据数学分析并结合业务分析得到一 套经典理论公式，基于该公式进行变电站电量预测。

这类方法在的问题比较明显，就是这种基于经典理论公式的算法，难以反映将来造成数 据变动的更多未知因素。它只考虑了历史数据，很难应用未来的实际数据进行迭代和修正， 因此具有一定的局限性。

2、基于单变量的时序预测分析主要是通过基于电量这个单一数据和时间这两个维度采用 典型的时间序列分析算法例如三次指数平滑算法和差分自回归滑动平均算法。

这类方法能够解决应用未来的实际数据进行模型参数的迭代和修正，能够融合未来实际 数据的抖动变化规律实现对数据的预测，但该方法只考虑电量这一单一因素，未考虑导致电 量变化的其他因素，如节假日、温度等，因此也具有一定的局限性。

发明内容

针对现有技术的不足，本发明的主要目的在于：基于多维数据特征工程设计和数据构建， 利用机器学习的方式形成一种可靠的变电站电量预测的方法。

为实现前述目的，本发明公开了一种基于机器学习的变电站电量趋势预测分析的方法， 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，其预测 模型的预测结果越准确。

优选地，所述电量数据包括变电站ID、电压等级、日期、电量。

优选地，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。

优选地，所述气象数据包括温度和湿度。

优选地，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。

优选地，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。

与现有技术相比，本发明的有益效果在于在海量数据的基础上，充分考虑影响预测效果 可能的特征因子，并实现针对这些数据集的特征进行工程设计和数据构建以及多维数据融合， 最后采用基于回归的GBDT、Adaboost集成学习算法构建集成预测模型进行预测，可防止数据 过拟合，并可实现预测模型可持续训练、分析和优化，提升预测能力。

附图说明

图1是本发明一典型实施例公开的部分样本数据示例图；

图2是本发明一典型实施例公开的部分数据集示例图。

具体实施方式

鉴于现有技术中的不足，本案发明人经长期研究和大量实践，得以提出本发明的技术方 案。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。

本发明基于多维数据特征工程设计和数据构建，并利用历史数据和机器学习方式实现对 变电站未来电量的预测。包括：

1.基于已采集的变电站电量数据进行多维数据特征工程设计和数据构建、多维数据融合；

对可能影响预测效果的特征因子进行分析，例如节假日电量、月份电量、周电量、日电 量，温度、湿度等，突破传统、单一特征的局限性。