[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

说明书

本发明公开了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，首先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；然后针对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，最后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。本发明基于特征评分和特征搜索该两类方法的优点，既考虑到了特征评分对于特征的重要性，也能通过搜索算法为不同的机器学习模型找到最合适的特征子集。同时，其还克服了特征搜索中需要大量计算资源以及计算时间的缺点，能够在较短的计算时间内搜索出合适的特征子集。

技术领域

本发明涉及机器学习的技术领域，尤其涉及到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。

背景技术

随着电力系统分发展，可再生能源将以更加分散的方式出现，分散于各个住宅的可再生能源产生与存储系统(如光伏屋顶)是潜在的未来电力系统工程。在此情形下，针对单个家庭或者住宅的负荷预测变得尤为重要。因为高精度的住宅负荷预测不仅有利于可再生能源系统的维护，还能最大化能源的利用效率，产生更高的经济效益。

电力负荷预测是一个电力系统的一个典型任务，根据预测对象的不同级别，可以分为系统级别的负荷预测和住宅级别的负荷预测。现有的研究大多数是对于系统级别的负荷预测，如全市或者全小区的电力负荷预测。随着分布式能源的发展，住宅级别的负荷预测变得越来越重要，也受到了越来越高的关注。相比于系统级别的电力负荷预测，单个住宅的电力负荷波动性与随机性更高，因此预测的难度也越大。

根据目的的不同，电力负荷可以分为长期、中期、短期几种。长期负荷预测是指未来3到5年甚者更长时间段内的负荷预测，主要是用于进行电网改造和扩建工作的规划；中期负荷是月至年的负荷预测，主要用于确定机组的运行方式和设备大修计划等；短期负荷预测是指周以内的负荷预测，可用于安排电力调度计划，包括负荷经济分配，电力系统安全性检测，设备检修等。在未来的多变且分布式电网场景中，短期负荷预测变得更加重要，本发明是用于短期住宅负荷预测的预测方法。

对于短期住宅负荷预测，现有的方法大多将研究的重点放在了对于预测模型的改进或者创新上。如使用创新的机器学习模型用于电力负荷预测、使用改进的机器学习模型用于电力负荷预测或者使用集成方法把不同的集成学习模型组合成一个更好的模型用于电力负荷预测。但是电力负荷预测精度的上限是由数据本身决定的，一个好的预测模型只是能更好地接近这个上限。而对于数据本身的研究和处理是能够去提高预测精度的上限的，所以对电力负荷数据本身的研究处理是负荷预测的关键一环。特征工程就是从数据处理的角度去提高住宅电力负荷预测的一种方式，现有的方法一般是通过在原有的负荷数据基础上加入一些领域特征如电压、电流、风速和温度等，又或者加入一些由已有特征经过线性组合而成的多项式特征。这种方法有一个问题便是新创造的特征对于负荷预测不一定有用，还有可能造成维度灾难而使计算资源消耗增大等问题。所以需要通过一种叫做特征选择的手段去丢弃无用的特征，保留有用的特征。

现有的特征选择方法主要分为两大类：一是通过各种方式对数据的特征进行评分，然后选择评分高的特征用于预测；二是通过搜索方法搜索原有特征集中的特征子集并用于预测，选择预测效果最好的特征子集用于预测。这两种方法各有缺点，第一种特征评分的方法无法确定具体选择哪些特征的预测效果会更好，第二种特征的搜索方法则需要大量的计算资源与计算时间。

发明内容

本发明的目的在于克服现有技术的不足，提供一种消耗资源少、预测性能和预测精度高的基于快速序列浮动特征选择的短期住宅负荷预测方法。

为实现上述目的，本发明所提供的技术方案为：

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，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；