[发明专利]一种基于快速序列浮动特征选择的短期住宅负荷预测方法

权利要求书

1.一种基于快速序列浮动特征选择的短期住宅负荷预测方法，其特征在于，包括以下步骤：

S1：短期住宅电力负荷的原数据特征经过特征工程生成新数据特征；

S2：针对步骤S1生成的新数据特征进行快速序列浮动后向特征选择，选出有利于预测的特征子集，丢弃不利于预测的特征子集；

S3：把选择后的利于预测的特征子集输入到特定机器学习模型中，得出短期住宅负荷的预测结果。

2.根据权利要求1所述的一种基于快速序列浮动特征选择的短期住宅负荷预测方法，其特征在于，所述步骤S2进行快速序列浮动后向特征选择的具体步骤如下：

S2-1：先使用多种不同的特征评分方法计算各个特征的评分，并根据特征在不同特征评分方法下的排名计算出其综合评分，综合排名越是靠前的特征其综合评分越好；

S2-2：从特征全集Y_full开始，开始时已选择的特征子集Y_k＝Y_full；

S2-3：从已选择的特征子集Y_k中随机抽取R个特征，步骤S2-1中计算出的特征评分越好则该特征被抽到的概率越低，该R个特征组成特征子集Y_t；

S2-4：重复步骤S2-3T次，得到T个特征子集Y_t，t＝1,…,T；

S2-5：在Y_t中选择出丢弃后能使预测效果最好的一个记为最终要丢弃的特征子集Y_d，丢弃特征后更新此时的已选择特征子集Y_k＝Y_k-Y_d；

S2-6：从丢弃的特征子集Y_d中随机抽取lambda*R个特征，0<lambda<1；步骤S2-1中计算出的特征评分越好则该特征被抽到的概率越高，该lambda*R个特征组成特征子集

S2-7：重复步骤S2-6T次，得到T个特征子集

S2-8：在中选择出在加入后能使预测效果最好的一个记为Y_a，加入特征后更新此时的已选择特征子集Y_k＝Y_k+Y_a,更新此时的丢弃特征子集Y_d＝Y_d–Y_a；

S2-9：如果此时的预测效果比上一次执行步骤S2-6至S2-8之前要好，则重复执行步骤S2-6至S2-8，否则进入步骤S2-10；

S2-10：如果此时的预测效果比上一次执行步骤S2-3至S2-5时的预测效果更好，则重复执行步骤S2-3至S2-5，否则进入步骤S2-11；

S2-11：输出预测效率最好时候的Y_k。

3.根据权利要求2所述的一种基于快速序列浮动特征选择的短期住宅负荷预测方法，其特征在于，所述步骤S3的具体过程如下：

将步骤S2通过快速序列浮动后向特征选择而得到的有利于预测的特征子集输入到岭回归、弹性网回归、拉索回归、LassoLar回归、决策回归树和支持向量机中，然后该每个模型分别使用各自选择出的那一份特征来进行训练，然后进行预测并比较预测性能；最后选择在该些机器学习模型中表现最好的一个作为元模型，其余的模型作为基模型，并将该些模型融合为一个集成模型，集成模型的预测结果作为预测方法最终的预测结果。