[发明专利]一种电力负荷预测中应用多重插补补充缺失值的方法

说明书

在电力负荷预测模型中，准确有效的电力历史负荷数据十分重要，在电力预测数据分析和模型演算中起到重要作用，当这些异常的数值被纳入到电力负荷预测模型或者数学分析中将会大大的降低电力负荷预测的精度以及模拟效果，就需要通过数理统计方法分析及剔除这些异常值。除此以外，在电力运行过程中也会因为各种不可控的原因造成很多缺失值，就会造成历史电力负荷数据集的不完整性。这些缺失值是可通过合理有效的方法进行补充的，补充后的数据集是保障电力负荷预测模型准确预测的一个重要部分。本发明提出了一种对历史电力负荷数据中的缺失值应用多重插补（MICE）方法补充缺失数据的方法，补充缺失数据以保障历史电力负荷数据的完整性。

技术领域

本发明涉及电力负荷预测技术领域，具体涉及一种电力负荷预测中对历史负荷数据中的缺失值应用多重插补（MICE）方法补充缺失数据的方法。

背景技术

对电力负荷的准确预测是保证电力系统安全，经济运行和实现电网科学管理及调度的重要基础, 也是电力能源管理系统的核心组成部分。电力负荷预测中的一些算法会假设所有值都是数值型且包含意义的。然而在实际应用中，电网运营过程中会有各种原因造成的数据缺失情况，例如剔除异常值，运行中的意外造成时间序列上的缺失等等。处理这种数据缺失问题的一种途径是直接删除包含缺失值的各个数据对，但是这种做法存在丢失有价值信息的风险。另一种更优的策略则是插补来补充缺失值，也就是从观测的数据中推测出缺失值的大小，这样可以最大限度的保持数据的完整性，也可以使得之后的电力预测模型有更准确的输入数据，进而给出更准确的输出预测值。本发明公开了一种电力负荷预测中对历史负荷数据的缺失值应用多重插补（MICE）的方法补充缺失数据，达到历史负荷电力数据集完整有效的目的，继而保障电力负荷预测模型的有效与准确。

发明内容

本发明提出了一种对电力负荷数据缺失值或者异常剔除数据进行补充，复原的方法, 其特点在于应用了多重插补（MICE）的方法，包含了缺失值识别和MICE插值补充和填补缺失值验证三大功能模块。

多重插补（MICE）是一种基于重复模拟的处理缺失值的方法。在面对复杂的缺失值问题时，它将从一个包含缺失值的数据集中生成一组完整的数据集（通常是3到10个）。每个模拟数据集中，缺失数据将用Monte carlo方法来填补。多重插补的实现过程如图1所示，函数mice()首先从一个包含缺失数据的数据框开始，然后返回一个包含多个（默认为5个）完整数据集的对象。每个完整数据集都是通过对原始数据框中的缺失数据进行插补而生成的。由于插补有随机的成分，因此每个完整数据集都略有不同。然后，with()函数可依次对每个完整数据集应用统计模型（如线性拟合模型LR（）或广义线性模型（GLM））。最 后 ，pool()函数将这些单独的分析结果整合为一组结果。最终模型的标准误和p值都将准确地反映出由于缺失值和多重插补而产生的不确定性。with函数中一般有多个插补数据集的回归模型，通过对数据集进行T检验来确定其中某一个线性模型得出的数据集是否合格。pool函数把多个回归模型汇总后进行数据集整体的F检验来确定整个方法是否合格。合格后的数据即可输出作为填补后的数据集。T检验及F检验的阈值需要由数据质量控制要求决定。

填补缺失值前的原始数据集合及填补缺失值后的数据集合将进行单因素方差分析（one way-ANOVA），计算两组数据间显著性差异值，需要保证两组数据间没有显著性差异。如果两组数据验证后存在显著性差异，则需要调整with函数数据集的数量，或者仍然剔除缺失值以确保填补后的数据与原始数据不存在显著性差异，整体数据集可以保持一定的有效性。

实际收集到的电力负荷历史数据经过上述模块的处理，可以达到补充数据集完整性的效果，提高了原始数据的有效性。将进行过填充处理后的电力负荷历史数据用于电力负荷预测模型将大大的提高电力负荷预测的可靠度与准确性。

附图说明

图1是本发明实施例中多重插补模型的原理示意图。

图2是本发明实施例中历史负荷数据缺失值进行补充的方法的处理流程示意图。