[发明专利]一种日高峰负荷预测方法、计算机设备以及可读存储介质

权利要求书

1.一种基于多算法融合的双层精细化日高峰负荷预测方法，其特征在于，

包括如下步骤：

步骤1.原始数据分解；

获取电力负荷数据，计算每日最大用电量，形成日高峰负荷数据时间序列；利用ICEEMDAN分解方法对日高峰负荷时间序列进行分解，得到频率由高至低的多个模态分量；

对各个模态分量进行过零率计算，并将其划分为高频部分与低频部分；

步骤2.建立特征工程；

建立特征工程，确定第一层预测模型的原始输入特征，原始输入特征包括负荷历史数据、星期、节假日以及平均温度；将步骤1得到的高频部分和低频部分作为标签信息，配合经特征工程分析确定的原始输入特征，形成第一层预测模型所需的数据集；

步骤3.构建第一层预测模型数据集；

将步骤2形成的数据集中原始输入特征与标签信息进行Z-score标准化处理，并划分为第一层预测模型初始训练集与第一层预测模型测试集；

第一层预测模型初始训练集包括高频部分初始训练集和低频部分初始训练集；

第一层预测模型测试集包括高频部分测试集和低频部分测试集；

将所述高频部分初始训练集进一步划分为高频部分训练集和高频部分验证集；将所述低频部分初始训练集进一步划分为低频部分训练集和低频部分验证集；

步骤4.搭建第一层预测模型，第一层预测模型包括针对高频部分的Bagging-XGBoost预测模型以及针对低频部分的MLR预测模型；

步骤4.1.针对高频部分，首先利用高频部分训练集对XGBoost模型进行训练，同时引入SSA算法进行超参数寻优，通过高频部分验证集对初步训练好的XGboost模型进行验证；

在高频部分验证集上通过不断调整XGBoost模型的超参数集，获得XGBoost模型的最优超参数集，进而得到调整好的XGBoost模型；引入Bagging并行集成算法对调整好的XGBoost模型进行并行集成，从而形成Bagging-XGBoost预测模型；

利用高频部分训练集对Bagging-XGBoost模型进行并行训练，进而在高频部分验证集上对Bagging-XGBoost模型进行测试，并记录高频部分验证集上的预测结果；

利用高频部分初始训练集对Bagging-XGBoost模型进行训练，进而在高频部分测试集上对高频部分进行预测，并保留在高频部分测试集上的预测结果；

步骤4.2.针对低频部分，利用低频部分训练集对MLR模型进行训练，进而在低频部分验证集上对低频部分进行预测，保留预测结果；

利用低频部分初始训练集对MLR模型进行训练，进而在低频部分测试集上对低频部分进行预测，并保留在低频部分测试集上的预测结果；

步骤5.构建第二层预测模型数据集；

将高频部分和低频部分在各自验证集上的预测结果直接相加，并结合对应的原始输入特征中的星期、节假日以及平均温度数据作为第二层预测模型的输入特征，同时结合对应的实际高峰负荷值作为标签信息，共同形成新的训练数据集，即第二层预测模型初始训练集；

将高频部分和低频部分在各自测试集上的预测结果直接相加，形成日高峰负荷数据时间序列的初步预测结果，并结合对应的原始输入特征中的星期、节假日以及平均温度数据作为第二层预测模型的输入特征，同时结合对应的实际高峰负荷值作为标签信息，共同形成第二层预测模型测试集；

将第二层预测模型初始训练集划分为第二层预测模型训练集与第二层预测模型验证集；

步骤6.搭建第二层预测模型，第二层预测模型为Bagging-RBFNN模型；

采用RBFNN网络对日高峰负荷数据时间序列的初步预测结果进一步修正，利用第二层预测模型训练集对RBFNN网络训练，在第二层预测模型验证集上验证调整RBFNN网络的超参数，进而得到调整好的RBFNN网络；引入Bagging并行集成学习方法将调整好的RBFNN网络进行并行集成，形成Bagging-RBFNN预测模型；

采用第二层预测模型初始训练集对Bagging-RBFNN模型进行训练；当Bagging-RBFNN模型训练好后，利用Bagging-RBFNN模型对第二层预测模型测试集进行测试，实现对步骤5的日高峰负荷数据时间序列的初步预测结果的误差修正，得到最终的日高峰负荷预测结果。