CN115276006A - 一种用于电力集成系统的负荷预测的方法及系统 - Google Patents

Abstract

本发明提供了一种用于电力集成系统的负荷预测的方法及系统，涉及电力负荷预测技术领域，采集历史电力负荷数据并进行预处理，确定目标历史数据并组建负荷影响因素集，进而确定多组因素特征，利用最大信息系数原理进行因素特征集筛选，组成目标因素特征集，基于算法原理分析组建单项预测模型集，根据目标因素特征集进行模型训练，基于集成学习方法原理对其行融合确定负荷预测模型，解决了现有技术中存在的电力集成系统的负荷预测方法由于智能度不足，且预测流程不够严谨，数据分析处理精度不足，使得最终的预测结果与实际贴合度不足的技术问题，通过对多个不同算法原理组建的模型进行融合，可有效提升模型预测性能，以提高负荷预测结果的准确度。

Description

一种用于电力集成系统的负荷预测的方法及系统

技术领域

本发明涉及电力负荷预测技术领域，具体涉及一种用于电力集成系统的负荷预测的方法及系统。

背景技术

电力行业作为国民经济发展中的基础能源产业，是维系社会正常运作的基础条件，可通过从电力系统的运行特性、系统规模、自然条件等多因素出发，对电力负荷进行预测，以保障系统内的可用发电容量，维系电力系统的供求平衡，一般而言，在正常运行条件下，应保证任何时候都能满足系统内负荷的要求，现如今，主要通过历史负荷数据进行系统的负荷评估，例如构建负荷动态变化趋势曲线进行后续预测评估，但由于现有技术的局限性，进行电力负荷预测时还存在着一定的弊端，以影响最终的电力负荷预测结果。

现有技术中，对于电力集成系统的负荷预测方法由于智能度不足，且预测流程不够严谨，数据分析处理精度不足，使得最终的预测结果与实际贴合度不足。

发明内容

本申请提供了一种用于电力集成系统的负荷预测的方法及系统，用于针对解决现有技术中存在的电力集成系统的负荷预测方法由于智能度不足，且预测流程不够严谨，数据分析处理精度不足，使得最终的预测结果与实际贴合度不足的技术问题。

鉴于上述问题，本申请提供了一种用于电力集成系统的负荷预测的方法及系统。

第一方面，本申请提供了一种用于电力集成系统的负荷预测的方法，所述方法包括：采集目标电力集成系统的历史电力负荷数据 ，并对所述历史电力负荷数据进行预处理，得到目标历史数据；对所述目标历史数据进行分析，并根据分析结果组建负荷影响因素集，其中，所述负荷影响因素集包括多个负荷影响因素；对所述多个负荷影响因素中各负荷影响因素依次进行分析，分别得到多组因素特征，并组成因素特征集；利用最大信息系数原理对所述因素特征集进行筛选，并根据筛选结果组成目标因素特征集；基于算法原理分析组建单项预测模型集，其中，所述单项预测模型集包括支持向量机、循环神经网络、梯度提升决策树；将所述目标因素特征集作为输入信息依次对所述支持向量机、所述循环神经网络、所述梯度提升决策树进行训练，分别得到目标支持向量机、目标循环神经网络、目标梯度提升决策树；基于集成学习方法原理对所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行融合 ，得到负荷预测模型，并通过所述负荷预测模型进行负荷预测。

第二方面，本申请提供了一种用于电力集成系统的负荷预测的系统，所述系统包括：数据采集模块，所述数据采集模块用于采集目标电力集成系统的历史电力负荷数据 ，并对所述历史电力负荷数据进行预处理，得到目标历史数据；数据分析模块，所述数据分析模块用于对所述目标历史数据进行分析，并根据分析结果组建负荷影响因素集，其中，所述负荷影响因素集包括多个负荷影响因素；特征获取模块，所述特征获取模块用于对所述多个负荷影响因素中各负荷影响因素依次进行分析，分别得到多组因素特征，并组成因素特征集；特征筛选模块，所述特征筛选模块用于利用最大信息系数原理对所述因素特征集进行筛选，并根据筛选结果组成目标因素特征集；模型集组建模块，所述模型集组建模块用于基于算法原理分析组建单项预测模型集，其中，所述单项预测模型集包括支持向量机、循环神经网络、梯度提升决策树；模型集训练模块，所述模型集训练模块用于将所述目标因素特征集作为输入信息依次对所述支持向量机、所述循环神经网络、所述梯度提升决策树进行训练，分别得到目标支持向量机、目标循环神经网络、目标梯度提升决策树；预测模型获取模块，所述预测模型获取模块用于基于集成学习方法原理对所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行融合 ，得到负荷预测模型，并通过所述负荷预测模型进行负荷预测。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的一种用于电力集成系统的负荷预测的方法，采集目标电力集成系统的历史电力负荷数据并进行预处理，得到目标历史数据，基于所述目标历史数据组建负荷影响因素集，其中，所述负荷影响因素集包括多个负荷影响因素；基于所述多个负荷影响因素确定多组因素特征，并组成因素特征集；利用最大信息系数原理对所述因素特征集进行筛选，组成目标因素特征集，基于算法原理分析组建单项预测模型集，将所述目标因素特征集作为输入信息依次对所述支持向量机、所述循环神经网络、所述梯度提升决策树进行训练，分别得到目标支持向量机、目标循环神经网络、目标梯度提升决策树，基于集成学习方法原理对其行融合 ，得到负荷预测模型进行负荷预测，解决了现有技术中存在的电力集成系统的负荷预测方法由于智能度不足，且预测流程不够严谨，数据分析处理精度不足，使得最终的预测结果与实际贴合度不足的技术问题，通过对多个不同算法原理组建的模型进行融合，可有效提升模型预测性能，以提高负荷预测结果的准确度。

附图说明

图1为本申请提供了一种用于电力集成系统的负荷预测的方法流程示意图；

图2为本申请提供了一种用于电力集成系统的负荷预测的方法中目标因素特征集获取流程示意图；

图3为本申请提供了一种用于电力集成系统的负荷预测的方法中负荷预测模型构建流程示意图；

图4为本申请提供了一种用于电力集成系统的负荷预测的系统结构示意图。

附图标记说明：数据采集模块11，数据分析模块12，特征获取模块13，特征筛选模块14，模型集组建模块15，模型集训练模块16，预测模型获取模块17。

具体实施方式

本申请通过提供一种用于电力集成系统的负荷预测的方法，用于解决现有技术中存在的电力集成系统的负荷预测方法由于智能度不足，且预测流程不够严谨，数据分析处理精度不足，使得最终的预测结果与实际贴合度不足的技术问题。

实施例一

如图1所示，本申请提供了一种用于电力集成系统的负荷预测的方法，所述方法包括：

步骤S100：采集目标电力集成系统的历史电力负荷数据 ，并对所述历史电力负荷数据进行预处理，得到目标历史数据；

具体而言，电力作为主要应用能源，维系着正常的社会运行，基于所述电力集成系统进行电网架构的电能运行监测管控，本申请提供的一种用于电力集成的负荷预测的方法，通过采集历史数据进行负荷影响因素分析，通过进行模型组建融合获取负荷预测模型，对负荷影响因素进行特征提取，进而基于负荷预测模型进行负荷预测，以保障预测结果的准确度，首先，对所述目标电力集成系统进行所述历史电力负荷数据的采集，所述历史电力负荷数据指过去某一预定时间区间内基于预定时间间隔采集到的电力负荷数据，对采集数据进行整合处理，基于时间序列对其进行标识，以便后期进行数据识别区分，例如，某年某月某日距今，每隔五分钟采集一次电力负荷数据，那么每天24小时共288个数据，进一步对所述历史电力负荷数据进行预处理，通过进行数据比对分析对异常数据进行剔除，以保障采集数据的准确度，获取所述目标历史数据，所述目标历史数据为进行后续分析处理的参考数据，所述目标历史数据的获取为后续进行负荷预测提供了基本数据支持。

进一步而言，所述对所述历史电力负荷数据进行预处理，得到目标历史数据，本申请步骤S100还包括 ：

步骤S110：获得预设对比方案，其中，所述预设对比方案包括预设纵向对比方案、预设横向对比方案；

步骤S120：提取所述历史电力负荷数据中任意一个历史电力负荷数据；

步骤S130：基于所述预设纵向对比方案对所述任意一个历史电力负荷数据进行对比分析，得到纵向对比分析结果；

步骤S140：根据所述纵向对比分析结果，得到初始目标历史数据；

步骤S150：提取所述初始目标历史数据中任意一个初始目标历史数据；

步骤S160：基于所述预设横向对比方案 对所述任意一个初始目标历史数据进行对比分析，得到横向对比分析结果；

步骤S170：根据所述横向对比分析结果，得到所述目标历史数据。

具体而言，获取所述预设对比方案，所述预设对比方案指通过对所述历史电力负荷数据进行分析比对，以进行异常数据剔除的方案，所述预设对比方案包括所述预设纵向对比方案与所述预设横向对比方案，从所述历史电力负荷数据中随机提取一电力负荷数据，将其作为当前的参考数据，基于所述预设纵向对比方案对所述任意一个历史电力负荷数据进行对比分析，所述预设纵向对比方案为以所述任意一个历史电力负荷数据为参照，对所述历史电力负荷数据中的前后比邻数据分别进行校对分析，确定数据变化趋势与尺度，进而生成所述纵向对比分析结果，重复上述纵向比对数据分析，获取多个所述纵向比对分析结果，将波动较大的数据作为异常数据进行剔除，进而对所述多个纵向比对分析结果基于时序性进行整合处理，获取所述初始目标历史数据，

同理，从所述初始目标历史数据中随机提取任意一个初始目标历史数据作为当前的参考数据，以所述任意一个初始目标历史数据的采集时期为基准，分别进行前后比邻一周内同一时刻的历史数据进行提取，以所述预设横向对比方案为基准进行数据比对分析，所述预设横向对比方案为以参考数据为基准对前后一周同一时刻负荷值进行比对的方案，获取数据波动趋势，得到横向对比分析结果，重复上述数据横向比对操作，获取多个所述横向比对分析结果，基于所述横向比对分析结果对波动异常的数据进行剔除，在保障数据完备性的基础上提升数据精度，以提升后续数据分以预测的准确度，进而对其余数据基于时间序列进行顺序性整合标识，获取所述目标历史数据， 以所述目标历史数据作为数据源进行后续分析预测。

步骤S200：对所述目标历史数据进行分析，并根据分析结果组建负荷影响因素集，其中，所述负荷影响因素集包括多个负荷影响因素；

步骤S300：对所述多个负荷影响因素中各负荷影响因素依次进行分析，分别得到多组因素特征，并组成因素特征集；

具体而言，通过对采集的所述历史电力负荷数据进行异常数据剔除，获取所述目标历史数据，进一步对所述目标历史数据进行电力负荷特性分析，确定负荷变化规律，可通过从全局与长远角度对所述电力负荷特性进行分析，以提升分析结果的信息完备性，进一步基于所述分析结果确定多个负荷影响因素，所述多个负荷影响因素可对电力系统的暂稳态产生影响，进而组建所述负荷影响因素集，所述负荷影响因素集包括了周期性、日期类型、气象因素、特殊事件等，所述周期性指基于低于地域差异下存在的负荷周期性特征，例如日周期性、季周期性等的电力负荷波动；所述日期类型指工作日与公休日对应的电力负荷差异；所述气象因素指气候环境变化造成的电力负荷波动，例如升温时，对于制冷设备的需求提升；所述特殊事件指自然灾害、突发事件、政治事件等难以预估的异常事件造成的电力负荷波动，进一步的，对所述多个负荷影响因素中的各负荷影响因素进行特征分析，获取各负荷影响因素对应的多个因素特征，例如，对于周期性而言，获取多个周期区间，日周期、周周期、月周期等，可基于此进行负荷变化趋势曲线的构建，以进行负荷变化趋势分析预测，其中各周期区间内可能存在着用电负荷峰值与低谷，对其中以整体周期波动出入差异性较大的区间可适当进行删减，以减少分析数据量，提升数据分析速率。

步骤S400：利用最大信息系数原理对所述因素特征集进行筛选，并根据筛选结果组成目标因素特征集；

具体而言，利用所述最大信息系数原理对所述因素特征集进行特征筛选，所述最大信息系数指用来衡量两个变量之间关联程度的指标，以所述电力负荷因素作为主体，分别对相应的所述多个因素特征进行关联程度分析，获取多个特征关联度，示例性的，可预设特征关联度阈值，所述特征关联度阈值为限定所述电力负荷因素与所述负荷影响因素间关联程度的度量标准，以所述特征关联度阈值为基准对所述多个特征关联度进行筛选，剔除其中关联度较弱的因素特征，对其余特征因素进行整合处理组成所述目标因素特征集，所述目标因素特征集的获取为后续进行模型优化训练夯实了基础。

进一步而言，如图2所示，所述利用最大信息系数原理对所述因素特征集进行筛选，并根据筛选结果组成目标因素特征集，本申请步骤S400还包括：

步骤S410：提取所述目标历史数据中的多个历史数据；

步骤S420：依次提取所述多个历史数据中的多个负荷值，并将所述多个负荷值作为因变量；

步骤S430：提取所述因素特征集中任意一个因素特征；

步骤S440：基于所述任意一个因素特征在所述多个历史数据中遍历，得到多个特征值，并将所述多个特征值作为自变量；

步骤S450：根据所述自变量与所述因变量之间的映射关系，绘制得到散点图；

步骤S460：对所述散点图进行分析，并根据分析结果确定所述目标因素特征集。

具体而言，基于所述目标历史数据随机提取多个历史数据，所述多个历史数据包含了完整的用电信息，进而依次从所述多个历史数据中提取对应的电力负荷值，将所述多个负荷值作为因变量，同理，从所述因素特征集合中随机提取一个因素特征，以所述任意一个因素特征为基准，遍历所述多个历史数据，确定与所述任意一个因素特征相适配的多个特征值，将所述多个特征值作为自变量，进一步进行所述自变量与所述因变量之间的关联映射，确定两者的对应关系，进而将所述多个特征值作为X轴，所述多个负荷值作为Y轴，构建直角坐标系，完成所述散点图的绘制，所述散点图为两个变量关系之间动态波动变化的可视化展现，以所述散点图为基准进行数据异常分析，确定所述散点图的主体趋势走向，示例性的，可设定数据波动范围，通过进行数据排查将点群中的离群点作为异常值，所述异常值作为非常规数据存在着一定的不合理特征，可能会影响到后续模型分析训练，对其进行剔除，可保障数据的规律性，确保后续分析处理精度。

进一步而言，所述对所述散点图进行分析，并根据分析结果确定所述目标因素特征集，本申请步骤S460还包括 ：

步骤S461：基于所述散点图，得到所述因素特征集中各因素特征的散点图，并组成目标散点图集合；

步骤S462：对所述目标散点图集合依次进行分析，得到多个目标最大信息系数；

步骤S463：将所述多个目标最大信息系数进行降序排列，并反向匹配得到因素特征序列；

步骤S464：提取所述因素特征序列中预设排名阈值的因素特征，组成所述目标因素特征集。

具体而言，以上述散点图的数据提取与坐标系绘制操作步骤为基准，对所述因素特征集中的各因素分别进行散点图的绘制，获取与所述各因素特征相适配的多个特征散点图，进而进行所述特征散点图与因素特征的映射标识获取所述目标散点图集合，对所述目标散点图中任意一个目标散点图基于多个网格化方案进行分区，确定多个分区结果，分别计算最大互信息值，对所述最大互信息值进行归一化处理，获取处理结果作为所述目标最大信息系数，基于上述步骤对多个目标散点图重复上述操作，获取所述多个目标最大信息系数，进一步对所述多个目标最大信息系数进行降序排列，并进行所述因素特征的反向匹配，确定与所述目标最大信息系数排列结果相适配的所述因素特征序列。

进一步对所述因素特征序列中满足所述预设排名阈值的因素特征进行提取，所述预设排名阈值指对所述因素特征序列中的因素特征进行筛选的标准，例如，设定序列前60%的特征为所述预设排名阈值，对提取的所述因素特征进行顺序性排列整合生成所述目标因素特征集，通过进行因素特征选择，可有效避免出现过拟合现象，降低特征维数，提高模型泛化能力，使得训练的模型具备更好的解释性，增强对特征与特征值之间的理解，加快模型的训练速度，可显著提高模型的性能。

进一步而言，所述对所述目标散点图集合依次进行分析，得到多个目标最大信息系数，本申请步骤S462还包括：

步骤S4621：提取所述目标散点图集合中任意一个目标散点图；

步骤S4622：组建网格化方案集，其中，所述网格化方案集包括多个网格化方案；

步骤S4623：依次基于所述多个网格化方案对所述任意一个目标散点图进行分区，得到多个分区结果；

步骤S4624：对所述多个分区结果依次进行分析计算，得到多个最大互信息值 ；

步骤S4625：对所述多个最大互信息值依次进行归一化处理，得到多个目标最大互信息值；

步骤S4626：对比所述多个目标最大互信息值，并筛选得到目标最大信息系数 。

具体而言，从所述目标散点图集合中任意提取一个目标散点图，进一步组建网格化方案集，所述网格化方案集指对所述目标散点图的二位空间进行区间划分的方案，包括了多种不同的划分标准，以所述多个网格化方案对所述任意一个目标散点图进行分区，使得所述任意一个目标散点图划分为多个网格，以获取所述多个分区结果，所述多个分区结果为同一目标散点图基于不同网格化方案的划分结果，其网格尺寸存在差异性，进而对划分后的所述目标散点图各个方格中落入的散点数进行分析，以网格划分尺寸为基准，依据网格样本数据集基于互信息计算公式进行所述最大互信息值的计算，所述最大互信息值为各方格中样本量占总样本量的比例，即联合概率密度，其中，一种分区结果对应一个最大互信息值，进一步对所述多个最大互信息值依次进行归一化处理，以消除维度影响，避免造成无法收敛，减少样本数据训练时间，将获取的互信息值同除以 log(min{X , Y}),其中，X为自变量，Y为因变量，归一化处理后的互信息值就处于[ 0,1 ]之间进一步对所述多个目标最大互信息值进行数据比对筛选，获取所述目标最大信息系数，其中，多个目标最大互信息值中，最大的目标最大互信息值，即为目标最大信息系数，通过计算多个最大互信息值作为备选值，进行数据处理校对确定最终目标值，可有效保证最终确定的所述目标最大信息系数的准确度。

步骤S500：基于算法原理分析组建单项预测模型集，其中，所述单项预测模型集包括支持向量机、循环神经网络、梯度提升决策树；

具体而言，基于二分类算法构建所述支持向量机，基于深度学习构建所述循环神经网络，基于前向分布算法构建所述梯度提升决策树，对所述支持向量机、所述循环神经网络与所述梯度提决策树进行整合组建所述单项预测模型集，所述单项预测模型集为构建的初级预测模型，通过选择三个不同的学习训练机理分别进行模型构建，从而全面、客观地进行数据分析。以保证数据分析结果的实际贴合度，进一步的，将所述目标因素特征集作为训练数据输入所述单项预测模型集中，分别对所述支持向量机、所述循环神经网络与所述梯度提升决策树进行训练，通过对初级预测模型进行优化完善以提升模型的模拟预测准确度，获取所述目标支持向量机、所述目标循环神经网络与所述目标梯度提升决策树。

步骤S600：将所述目标因素特征集作为输入信息依次对所述支持向量机、所述循环神经网络、所述梯度提升决策树进行训练，分别得到目标支持向量机、目标循环神经网络、目标梯度提升决策树；

步骤S700：基于集成学习方法原理对所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行融合 ，得到负荷预测模型，并通过所述负荷预测模型进行负荷预测。

具体而言，基于集成学习将所述目标支持向量机、所述目标循环神经网络与所述目标梯度提升决策树基于一定的结合策略进行融合，集成学习是就通过组合多种模型来提高机器学习模型训练的效果，与单一的模型相比，这种方法能够产生更好的预测性能，可分别将所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树中其一作为Stacking框架第二层的元学习器，剩余两个作为Stacking框架第一层的初级学习器，确定三种集成预测模型，基于所述模型数据集对组建的三种集成融合模型进行训练与预测，通过进行预测结果比对确定精准度最高的所述预测结果，进而确定所述最佳预测结果对应的所述集成预测模型，将该集成预测模型作为最终确定的所述负荷预测模型，进而基于所述负荷预测模型进行负荷预测，通过进行模型融合将不同模型的性能取长补短，实现多方面、多角度地全面分析和数据研究。

进一步而言，如图3所示，所述基于集成学习方法原理对所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行融合，得到负荷预测模型，本申请步骤S700还包括：

步骤S710：基于集成学习方法原理，并通过所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行模型搭建，得到多个集成预测模型 ；

步骤S720：根据所述目标因素特征集得到多个目标因素特征，结合所述多个历史数据中的所述多个负荷值，组建模型数据集 ；

步骤S730：依次通过所述多个集成预测模型对所述模型数据集进行预测，得到多个预测结果；

步骤S740：筛选所述多个预测结果中的最佳预测结果，并反向匹配得到所述最佳预测结果的集成预测模型，作为所述负荷预测模型。

具体而言，基于所述集成学习方法原理，根据所述目标支持向量机、所述目标循环网络与所述目标梯度提升决策树进行模型搭建，获取对应的预测模型，即所述多个集成预测模型，可分别将所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树中其一作为Stacking框架第二层的元学习器，剩余两个作为Stacking框架第一层的初级学习器，确定三种集成预测模型，进一步基于所述目标因素特征集提取所述多个目标因素特征，并与所述多个历史数据中的所述多个负荷值进行映射对应，其中，每个负荷值对应多个目标因素特征，即，历史检测得到一个电力负荷值，同时对检测该电力负荷值时周围的环境条件、当时日期等背景进行对应记录，进而对对应的数据信息进行标识，以便后续进行识别区分，组建所述模型数据集，将所述模型预测集输入所述多个集成预测模型中，基于不同的模型预测机理分别对所述模型数据集进行预测，获取多个预测结果，所述多个预测结果中存在3组对应的模型预测结果，基于3种集成预测模型分别进行预测，最终的预测结果可能存在一定的差异性，进一步对所述多个预测结果进行校对筛选，确定其中的最佳预测结果，并进行所述预测结果的反向匹配，确定所述最佳预测结果对应的集成预测模型，将其作为所述负荷预测模型，通过基于所述历史数据进行所述多个集成预测模型的试运行，基于测试结果确定最佳的模型融合方式，以保证 最终的所述负荷预测模型的模拟精度。

进一步而言，所述依次通过所述多个集成预测模型对所述模型数据集进行预测，得到多个预测结果，本申请步骤S730还包括 ：

步骤S731：提取所述多个集成预测模型中任意一个集成预测模型；

步骤S732：获得所述任意一个集成预测模型的初级学习器、元学习器；

步骤S733：对所述模型数据集进行划分，并根据划分结果得到模型训练数据集、模型测试数据集；

步骤S734：通过所述初级学习器对所述模型训练数据集进行训练预测 ，得到初级预测结果；

步骤S735：通过所述初级学习器对所述模型测试数据集进行测试，得到初级测试结果；

步骤S736：将所述初级预测结果作为所述元学习器的训练数据，将所述初级测试结果作为所述元学习器的测试数据进行训练预测，得到所述任意一个集成预测模型的预测结果。

具体而言，从所述多个集成预测模型中随机提取任意一个集成预测模型，确定所述任意一个集成预测模型中的所述初级学习器与所述元学习器，其中所述元学习器可能是所述目标支持向量机、所述目标循环网络与所述目标梯度提升决策树中的任意一个，所述初级学习器为其余两个，进一步对所述模型数据集进行划分，基于一定的划分比例将所述模型数据集划分为所述模型训练数据集、所述模型测试数据集，例如，可等比进行数据划分，进一步的，将所述模型训练数据集输入所述初级学习器中，对所述模型训练数据集再次进行等比例数据划分，获取训练集与预测集，基于所述训练集对所述初级学习器进行训练，在此基础上基于所述预测集进行模型模拟预测，获取所述初级预测结果，进一步的，将所述模型测试数据集输入所述初级学习器中，通过进行数据测试获取所述初级测试结果，进一步将所述初级训练结果作为训练数据，将所述初级预测结果作为测试数据，将所述初级训练结果与所述初级测试结果分别输入所述元学习器中进行模型的训练与测试，获取所述任意一个集成预测模型的预测结果，基于一定的模型结合策略进行模型集成融合，能够将多种算法的优良性能结合起来，同时在一定程度上降低了预测结果的随机性，可充分提高预测结果的准确性。

综上所述，本申请实施例提供的一种用于电力集成系统的负荷预测的方法及系统，至少具有如下技术效果：

1、本申请提供了一种用于电力集成系统的负荷预测的方法及系统，采集历史电力负荷数据并进行预处理，确定目标历史数据并组建负荷影响因素集，进而确定多组因素特征，利用最大信息系数原理进行因素特征集筛选，组成目标因素特征集，基于算法原理分析组建单项预测模型集，根据目标因素特征集进行模型训练，基于集成学习方法原理对其行融合确定负荷预测模型，解决了现有技术中存在的电力集成系统的负荷预测方法由于智能度不足，且预测流程不够严谨，数据分析处理精度不足，使得最终的预测结果与实际贴合度不足的技术问题，通过对多个不同算法原理组建的模型进行融合，可有效提升模型预测性能，以提高负荷预测结果的准确度。

2、通过组建单项预测模型集，分别进行模型训练以优化模型，进而基于一定结合策略进行模型融合，通过进行比对分析确定最佳模型，基于模型融合将不同模型的性能取长补短，实现多方面、多角度地全面分析和数据研究。

3、通过对采集的历史电力负荷数据进行预处理，在保证数据完备性的基础上剔除异常数据，以确定因素特征集，进而分别计算目标最大信息系数，通过进行比对分析，进行因素特征筛选，确定目标因素特征集以保障待分析数据的准确性，提升后续模型训练精度。

实施例二

基于与前述实施例中一种用于电力集成系统的负荷预测的方法相同的发明构思，如图4所示，本申请提供了一种用于电力集成系统的负荷预测的系统，所述系统包括：

数据采集模块11，所述数据采集模块11用于采集目标电力集成系统的历史电力负荷数据 ，并对所述历史电力负荷数据进行预处理，得到目标历史数据；

数据分析模块12，所述数据分析模块12用于对所述目标历史数据进行分析，并根据分析结果组建负荷影响因素集，其中，所述负荷影响因素集包括多个负荷影响因素；

特征获取模块13，所述特征获取模块13用于对所述多个负荷影响因素中各负荷影响因素依次进行分析，分别得到多组因素特征，并组成因素特征集；

特征筛选模块14，所述特征筛选模块14用于利用最大信息系数原理对所述因素特征集进行筛选，并根据筛选结果组成目标因素特征集；

模型集组建模块15，所述模型集组建模块15用于基于算法原理分析组建单项预测模型集，其中，所述单项预测模型集包括支持向量机、循环神经网络、梯度提升决策树；

模型集训练模块16，所述模型集训练模块16用于将所述目标因素特征集作为输入信息依次对所述支持向量机、所述循环神经网络、所述梯度提升决策树进行训练，分别得到目标支持向量机、目标循环神经网络、目标梯度提升决策树；

预测模型获取模块17，所述预测模型获取模块17用于基于集成学习方法原理对所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行融合 ，得到负荷预测模型，并通过所述负荷预测模型进行负荷预测。

进一步而言，所述系统还包括 ：

方案获取模块，所述方案获取模块用于获得预设对比方案，其中，所述预设对比方案包括预设纵向对比方案、预设横向对比方案；

数据提取模块，所述数据提取模块用于提取所述历史电力负荷数据中任意一个历史电力负荷数据；

纵向对比分析模块，所述纵向对比分析模块用于基于所述预设纵向对比方案对所述任意一个历史电力负荷数据进行对比分析，得到纵向对比分析结果；

数据获取模块，所述数据获取模块用于根据所述纵向对比分析结果，得到初始目标历史数据；

初始数据提取模块，所述初始数据提取模块用于提取所述初始目标历史数据中任意一个初始目标历史数据；

横向对比分析模块，所述横向对比分析模块用于基于所述预设横向对比方案对所述任意一个初始目标历史数据进行对比分析，得到横向对比分析结果；

目标历史数据获取模块，所述目标历史数据获取模块用于根据所述横向对比分析结果，得到所述目标历史数据。

进一步而言，所述系统还包括：

历史数据提取模块，所述历史数据提取模块用于提取所述目标历史数据中的多个历史数据；

因变量确定模块，所述因变量确定模块用于依次提取所述多个历史数据中的多个负荷值，并将所述多个负荷值作为因变量；

因素特征提取模块 ，所述因素特征提取模块用于提取所述因素特征集中任意一个因素特征；

自变量获取模块，所述自变量获取模块用于基于所述任意一个因素特征在所述多个历史数据中遍历，得到多个特征值，并将所述多个特征值作为自变量；

散点图绘制模块，所述散点图绘制模块用于根据所述自变量与所述因变量之间的映射关系，绘制得到散点图；

特征确定模块，所述特征确定模块用于对所述散点图进行分析，并根据分析结果确定所述目标因素特征集。

进一步而言，所述系统还包括 ：

散点图集合组建模块，所述散点图集合组建模块用于基于所述散点图，得到所述因素特征集中各因素特征的散点图，并组成目标散点图集合；

系数获取模块，所述系数获取模块用于对所述目标散点图集合依次进行分析，得到多个目标最大信息系数；

特征序列获取模块，所述特征序列获取模块用于将所述多个目标最大信息系数进行降序排列，并反向匹配得到因素特征序列；

特征集组成模块，所述特征集组成模块用于提取所述因素特征序列中预设排名阈值的因素特征，组成所述目标因素特征集。

进一步而言，所述系统还包括：

散点图提取模块，所述散点图提取模块用于提取所述目标散点图集合中任意一个目标散点图；

方案集组建模块，所述方案集组建模块用于组建网格化方案集，其中，所述网格化方案集包括多个网格化方案；

散点图分区模块，所述散点图分区模块用于依次基于所述多个网格化方案对所述任意一个目标散点图进行分区，得到多个分区结果；

结果分析模块，所述结果分析模块用于对所述多个分区结果依次进行分析计算，得到多个最大互信息值 ；

信息处理模块，所述信息处理模块用于对所述多个最大互信息值依次进行归一化处理，得到多个目标最大互信息值；

互信息值筛选模块，所述互信息值筛选模块用于对比所述多个目标最大互信息值，并筛选得到目标最大信息系数 。

进一步而言，所述系统还包括：

集成预测模型获取模块，所述集成预测模型获取模块用于基于集成学习方法原理，并通过所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行模型搭建，得到多个集成预测模型 ；

数据集组建模块，所述数据集组建模块用于根据所述目标因素特征集得到多个目标因素特征，结合所述多个历史数据中的所述多个负荷值，组建模型数据集 ；

数据集预测模块，所述数据集预测模块用于依次通过所述多个集成预测模型对所述模型数据集进行预测，得到多个预测结果；

模型匹配模块，所述模型匹配模块用于筛选所述多个预测结果中的最佳预测结果，并反向匹配得到所述最佳预测结果的集成预测模型，作为所述负荷预测模型。

进一步而言，所述系统还包括 ：

模型提取模块，所述模型提取模块用于提取所述多个集成预测模型中任意一个集成预测模型；

学习器获取模块，所述学习器获取模块用于获得所述任意一个集成预测模型的初级学习器、元学习器；

数据集划分模块，所述数据集划分模块用于对所述模型数据集进行划分，并根据划分结果得到模型训练数据集、模型测试数据集；

数据预测模块，所述数据预测模块用于通过所述初级学习器对所述模型训练数据集进行训练预测 ，得到初级预测结果；

数据测试模块，所述数据测试模块用于通过所述初级学习器对所述模型测试数据集进行测试，得到初级测试结果；

预测结果获取模块，所述预测结果获取模块用于将所述初级预测结果作为所述元学习器的训练数据，将所述初级测试结果作为所述元学习器的测试数据进行训练预测，得到所述任意一个集成预测模型的预测结果。

本说明书通过前述对一种用于电力集成系统的负荷预测的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种用于电力集成系统的负荷预测的方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种用于电力集成系统的负荷预测的方法，其特征在于，包括：

采集目标电力集成系统的历史电力负荷数据 ，并对所述历史电力负荷数据进行预处理，得到目标历史数据；

对所述目标历史数据进行分析，并根据分析结果组建负荷影响因素集，其中，所述负荷影响因素集包括多个负荷影响因素；

对所述多个负荷影响因素中各负荷影响因素依次进行分析，分别得到多组因素特征，并组成因素特征集；

利用最大信息系数原理对所述因素特征集进行筛选，并根据筛选结果组成目标因素特征集；

基于算法原理分析组建单项预测模型集，其中，所述单项预测模型集包括支持向量机、循环神经网络、梯度提升决策树；

将所述目标因素特征集作为输入信息依次对所述支持向量机、所述循环神经网络、所述梯度提升决策树进行训练，分别得到目标支持向量机、目标循环神经网络、目标梯度提升决策树；

基于集成学习方法原理对所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行融合 ，得到负荷预测模型，并通过所述负荷预测模型进行负荷预测。

2.根据权利要求1所述的方法，其特征在于，所述对所述历史电力负荷数据进行预处理，得到目标历史数据，包括 ：

获得预设对比方案，其中，所述预设对比方案包括预设纵向对比方案、预设横向对比方案；

提取所述历史电力负荷数据中任意一个历史电力负荷数据；

基于所述预设纵向对比方案对所述任意一个历史电力负荷数据进行对比分析，得到纵向对比分析结果；

根据所述纵向对比分析结果，得到初始目标历史数据；

提取所述初始目标历史数据中任意一个初始目标历史数据；

基于所述预设横向对比方案对所述任意一个初始目标历史数据进行对比分析，得到横向对比分析结果；

根据所述横向对比分析结果，得到所述目标历史数据。

3.根据权利要求1所述的方法，其特征在于，所述利用最大信息系数原理对所述因素特征集进行筛选，并根据筛选结果组成目标因素特征集，包括：

提取所述目标历史数据中的多个历史数据；

依次提取所述多个历史数据中的多个负荷值，并将所述多个负荷值作为因变量；

提取所述因素特征集中任意一个因素特征；

基于所述任意一个因素特征在所述多个历史数据中遍历，得到多个特征值，并将所述多个特征值作为自变量；

根据所述自变量与所述因变量之间的映射关系，绘制得到散点图；

对所述散点图进行分析，并根据分析结果确定所述目标因素特征集。

4.根据权利要求3所述的方法，其特征在于，所述对所述散点图进行分析，并根据分析结果确定所述目标因素特征集，包括 ：

基于所述散点图，得到所述因素特征集中各因素特征的散点图，并组成目标散点图集合；

对所述目标散点图集合依次进行分析，得到多个目标最大信息系数；

将所述多个目标最大信息系数进行降序排列，并反向匹配得到因素特征序列；

提取所述因素特征序列中预设排名阈值的因素特征，组成所述目标因素特征集。

5.根据权利要求4所述的方法，其特征在于，所述对所述目标散点图集合依次进行分析，得到多个目标最大信息系数，包括：

提取所述目标散点图集合中任意一个目标散点图；

组建网格化方案集，其中，所述网格化方案集包括多个网格化方案；

依次基于所述多个网格化方案对所述任意一个目标散点图进行分区，得到多个分区结果；

对所述多个分区结果依次进行分析计算，得到多个最大互信息值 ；

对所述多个最大互信息值依次进行归一化处理，得到多个目标最大互信息值；

对比所述多个目标最大互信息值，并筛选得到目标最大信息系数 。

6.根据权利要求3所述的方法，其特征在于，所述基于集成学习方法原理对所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行融合，得到负荷预测模型，包括：

基于集成学习方法原理，并通过所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行模型搭建，得到多个集成预测模型 ；

根据所述目标因素特征集得到多个目标因素特征，结合所述多个历史数据中的所述多个负荷值，组建模型数据集 ；

依次通过所述多个集成预测模型对所述模型数据集进行预测，得到多个预测结果；

筛选所述多个预测结果中的最佳预测结果，并反向匹配得到所述最佳预测结果的集成预测模型，作为所述负荷预测模型。

7.根据权利要求6所述的方法，其特征在于，所述依次通过所述多个集成预测模型对所述模型数据集进行预测，得到多个预测结果，包括 ：

提取所述多个集成预测模型中任意一个集成预测模型；

获得所述任意一个集成预测模型的初级学习器、元学习器；

对所述模型数据集进行划分，并根据划分结果得到模型训练数据集、模型测试数据集；

通过所述初级学习器对所述模型训练数据集进行训练预测 ，得到初级预测结果；

通过所述初级学习器对所述模型测试数据集进行测试，得到初级测试结果；

将所述初级预测结果作为所述元学习器的训练数据，将所述初级测试结果作为所述元学习器的测试数据进行训练预测，得到所述任意一个集成预测模型的预测结果。

8.一种用于电力集成系统的负荷预测的系统，其特征在于，包括：

数据采集模块，所述数据采集模块用于采集目标电力集成系统的历史电力负荷数据 ，并对所述历史电力负荷数据进行预处理，得到目标历史数据；

数据分析模块，所述数据分析模块用于对所述目标历史数据进行分析，并根据分析结果组建负荷影响因素集，其中，所述负荷影响因素集包括多个负荷影响因素；

特征获取模块，所述特征获取模块用于对所述多个负荷影响因素中各负荷影响因素依次进行分析，分别得到多组因素特征，并组成因素特征集；

特征筛选模块，所述特征筛选模块用于利用最大信息系数原理对所述因素特征集进行筛选，并根据筛选结果组成目标因素特征集；

模型集组建模块，所述模型集组建模块用于基于算法原理分析组建单项预测模型集，其中，所述单项预测模型集包括支持向量机、循环神经网络、梯度提升决策树；

模型集训练模块，所述模型集训练模块用于将所述目标因素特征集作为输入信息依次对所述支持向量机、所述循环神经网络、所述梯度提升决策树进行训练，分别得到目标支持向量机、目标循环神经网络、目标梯度提升决策树；

预测模型获取模块，所述预测模型获取模块用于基于集成学习方法原理对所述目标支持向量机、所述目标循环神经网络、所述目标梯度提升决策树进行融合 ，得到负荷预测模型，并通过所述负荷预测模型进行负荷预测。

Images