[发明专利]基于软集成学习的电力短期滚动负荷预测方法、系统、终端

说明书

本发明属于大数据在电力负荷预测中的应用领域，公开了一种基于软集成学习的电力短期滚动负荷预测方法、系统、终端，将在训练集上训练好的各学习器在待测样本的左邻域上，进行预测偏差率比较；择拥有最低偏差率的学习器为待测样本的预测模型；引入滚动输入概念，通过不断更新训练数据对输出的关联性，得到预测结果。本发明通过不断更新训练集和邻域集，将新鲜信息的影响因素引入到新模型和新检验样本，形成“滚动预测”过程；通过学习器组的各基学习器在邻域中的表现，动态选择学习器用于待测区间的预测，避免一般集成学习中一般结合策略的不足；通过动态比较，选择最合适的基学习器实现软集成学习，具有简便优势。

技术领域

本发明属于大数据在电力负荷预测中的应用领域，尤其涉及一种基于软集成学习的电力短期滚动负荷预测方法、系统、终端。

背景技术

目前，高精度电力短期区间负荷预测为电力系统安全、稳定、经济的运行提供重要保障，是市场环境下电力调度、供电计划等基础工作的重要依据，对机组最优组合、最优潮流、电力市场交易等具有重要意义。

传统机器学习技术针对电力区间负荷预测任务，首先引入模型评估指标，依靠人工经验利用多个学习算法基于给定训练集，训练出学习器，通过模型评估指标筛选出在验证集上具有最优表现的学习器，再利用最优表现的学习器进行预测任务。单一模型预测法虽然筛选出了最优学习器，却抛弃了大量备选个体学习器，缺乏对训练数据的多维度观察学习，不利于对区间数据的各阶段点进行针对性预测，对负荷区间各阶段不同的预测目标，无法得出比较精准的预测结果。

集成学习通过对学习器的有效组合，可以较好地解决因学习器单一而造成的，但集成效果受基学习器的选取对象、集成策略改动的影响而缺乏稳定性。其中，均值法对于如何结合各基学习器的输出有指导意义，但往往缺乏客观依据，无法准确指出针对什么样的学习器组合使用简单平均或者加权平均，随意选用均值方式可能会导致强学习器的效果被低估，弱学习器的效果被高估；投票法以多数投票和权重投票为主，则容易因为不可信的结合权重而得到低置信度的预测结果；Stacking为代表的学习法，虽然对样本学习的更加彻底，但容易因为模型筛选者经验不足，导致基学习器之间学习能力差距过大，影响Stacking策略的有效性。

基于上述原因，传统集成学习方法对区间负荷预测的应用有缺陷。

此外，电力负荷区间预测精度和输入数据时效性关联度很大，越是靠近预测对象的历史数据，对模型训练精度影响越大，也就是信息学中“数据关联度”的概念。对于训练数据，现有研究者更倾向于使用划分好并且固定不变的训练集，无视了时间序列信息关联性的重要影响，预测步长的增加，会导致误差加大，可能导致电力区间负荷预测精度逐步下降，无法达到应用要求。

通过上述分析，现有技术存在的问题及缺陷为：

(1)电力区间负荷预测中，针对负荷区间不同阶段，只选用一种学习器来进行预测，缺乏对区间电力数据的多角度观测和学习，预测结果不可靠。

(2)利用集成学习进行的短期电力负荷预测，其常规结合策略：均值法、投票法对于结合权重的选择主要依靠于人工经验，缺乏客观依据，导致强学习器的学习效果被低估、弱学习器的学习效果被高估，结合后的预测结果不准确；以Stacking为代表的学习法则容易导致过拟合现象。

(3)基于固定训练集的学习器，随着预测步长的增加，导致其对区间负荷总体预测精度下降，预测过程中未利用新鲜信息。

解决以上问题及缺陷的难度为：

(1)如何利用靠近预测对象的历史数据，即新鲜信息。

(2)如何在预测时针对预测大步长实现不同学习器的选择。

解决以上问题及缺陷的意义为：

(1)提高大步长负荷预测的精度。

(2)充分利用新鲜信息。