[发明专利]一种基于多XGBoost模型融合的母线负荷预测方法

说明书

本发明公开了一种基于多XGBoost模型融合的母线负荷预测方法，包括如下步骤：首先，对母线负荷数据及其相关数据进行预处理，并构建样本集；其次，构建分层预测系统，共2层，在第一层建立N个不同的XGBoost模型，在第二层建立1个XGBoost模型，将第一层N个XGBoost模型的输出作为其输入，即由第一层的XGBoost模型进行一次学习，再由第二层的XGBoost模型对第一层的学习结果进行二次学习；采用粒子群算法(PSO)优化分层预测系统参数；最后应用样本集进行训练与测试，输出母线负荷预测结果。本发明的方法强化了学习效果，提升了泛化能力，适合于解决随机性较强的母线负荷的预测问题。

技术领域

本发明涉及母线负荷预测技术领域，具体为一种基于多XGBoost模型融合的母线负荷预测方法。

背景技术

母线负荷是指由变电站的主变压器供给某一供电区域的终端负荷的总和。由于供电区域通常较小，母线负荷量级低，一般仅为几百兆瓦。此外由于不同供电区域的用户性质存在差异，例如，某些区域居民负荷偏多，而某些区域工业负荷偏多，因此各母线的负荷成分往往不同，导致预测难度更大。

近年来，机器学习技术快速发展，被广泛应用于负荷预测领域。极限梯度提升(XGBoost)是基于梯度提升手段实现的机器学习模型，在各类机器学习预测比赛中表现优异。对于母线负荷预测，由于母线负荷的随机性较强，模型学习不充分的现象时有发生。为此，可考虑采用模型融合手段将多个模型集成，构成综合预测系统，以强化学习效果，提升预测精度。

综上，对于母线负荷预测问题，单一的机器学习模型难以有效应对，因此可考虑结合模型融合手段解决母线负荷预测问题。

发明内容

本发明所要解决的技术问题是如何提高母线负荷的预测精度。

为实现以上目的，本发明提出的技术方案为：一种基于多XGBoost模型融合的母线负荷预测方法，包括以下步骤：

步骤A：对母线负荷数据及其相关数据进行数据预处理；

步骤B：构建样本集，划分训练集与测试集；

步骤C：构建分层预测系统，共2层，第一层为N个XGBoost模型，第二层为1个XGBoost模型；N≥1；

步骤D：利用粒子群算法优化分层预测系统参数；

步骤E：应用分层预测系统进行训练与预测。

进一步，步骤A中，对母线负荷数据及其相关数据进行数据预处理，包括：

步骤A1：获取母线负荷数据及其相关数据，相关数据包括日期类型、时刻、气象条件等；

步骤A2：采用线性插值法填补母线负荷数据中的缺失值，并对填补后的母线负荷数据进行归一化处理；

步骤A3：对日期类型、时刻、风速、降雨量等数据进行独热编码，对温度、湿度等数据进行归一化处理。

进一步，步骤C中，构建分层预测系统，共2层，第一层为3个XGBoost模型，第二层为1个XGBoost模型，包括：

步骤C1：建立3个XGBoost模型，以并行方式分布，用于一次学习，3个XGBoost模型的输出为母线负荷一次预测值；

步骤C2：建立1个XGBoost模型，顺序连接在3个XGBoost模型之后，即以第一层的3个XGBoost模型的输出作为第二层的XGBoost模型的输入，整体构成分层预测系统。

进一步，步骤D中，利用粒子群算法优化分层预测系统参数，包括：

步骤D1：初始化分层预测系统中各个XGBoost模型的参数，参数集合即为粒子；

步骤D2：设定粒子群算法的适应度函数，计算公式如下：