一种基于历史负荷数据的短期负荷预测与修复方法技术

本发明专利技术公开了一种基于历史负荷数据的短期负荷预测与修复方法，该方法包括：对历史负荷数据集进行数据预处理，得到预处理后的历史负荷数据集；通过深度自编码器对预处理后的历史负荷数据集进行特征提取处理，得到重构数据集；通过Stacking集成模型对重构数据集进行负荷预测，得到预测值；根据预测值对历史负荷数据集进行修复，得到修复后的历史负荷数据集。通过使用本发明专利技术，能够通过准确的提取历史负荷数据的潜在特征从而提高对异常负荷数据的检测精度。本发明专利技术作为一种基于历史负荷数据的短期负荷预测与修复方法，可广泛应用于电力负荷数据挖掘技术领域。数据挖掘技术领域。数据挖掘技术领域。

【技术实现步骤摘要】
一种基于历史负荷数据的短期负荷预测与修复方法


[0001]本专利技术涉及电力负荷数据挖掘
，尤其涉及一种基于历史负荷数据的短期负荷预测与修复方法。

技术介绍

[0002]在我国智能电网不断发展的背景下，电网的负荷数据规模飞速增长；在大数据发展环境下，电力数据价值受到广泛关注，通过对大量的电力数据进行用电负荷预测能够最大程度减少电网问题，但是大数据下负荷数据存在大量冗余信息，其中包括异常负荷，这给负荷预测带来了不便；因此，如何对海量的电网数据进行高效分析，快速准确地检测出异常的电力数据，是电网安全有效运行的重要保证；现有技术大多基于分类器的异常检测模型，可根据分类器的类型进一步分为监督模型和无监督/半监督模型，由于负荷数据规模庞大，有监督学习对异常负荷做标记时间和人工成本巨大，所以不便于异常负荷检测；所以当下的异常负荷检测大多基于无监督学习开展，利用传统的机器学习算法比如k均值、SVM、随机森林算法等进行分类，但受限于异常负荷受多因素的影响(如温度、湿度、降雨量和季节等)，而且异常负荷数据本身是一种时序数据，传统分类器依靠空间特征实现聚类，这导致异常负荷检测精度不足，同时面对海量电力负荷数据，在存在大量嘈杂，低级的特征下，传统单一的机器学习模型难以在高维负荷数据中提取有用的特征用于检测异常负荷，以及不能综合考虑多因素的影响，导致异常负荷检测精度有限。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供一种基于历史负荷数据的短期负荷预测与修复方法，能够通过准确的提取历史负荷数据的潜在特征从而提高对异常负荷数据的检测精度。
[0004]本专利技术所采用的第一技术方案是：一种基于历史负荷数据的短期负荷预测与修复方法，包括以下步骤：
[0005]对历史负荷数据集进行数据预处理，得到预处理后的历史负荷数据集；
[0006]通过深度自编码器对预处理后的历史负荷数据集进行特征提取处理，得到重构数据集；
[0007]通过Stacking集成模型对重构数据集进行负荷预测，得到预测值；
[0008]根据预测值对历史负荷数据集进行修复，得到修复后的历史负荷数据集。
[0009]进一步，所述对历史负荷数据集进行数据预处理，得到预处理后的历史负荷数据集这一步骤，其具体包括：
[0010]获取历史负荷数据集并根据历史负荷数据采集对应的相关特征，构建原始特征数据；
[0011]对原始特征数据的数据缺失部分进行平均值修正，得到平均修正值；
[0012]根据平均修正值对原始特征数据的数据缺失部分进行填充处理，得到填充后的历
史负荷数据集；
[0013]对填充后的历史负荷数据集进行归一化处理，得到预处理后的历史负荷数据集。
[0014]进一步，所述归一化处理的计算函数如下所示：
[0015][0016]上式中，表示第i个原始样本数据，u表示原始样本数据的均值，σ表示原始样本数据的标准差，表示第i个样本的归一化值。
[0017]进一步，所述通过深度自编码器对预处理后的历史负荷数据集进行特征提取处理，得到重构数据集这一步骤，其具体包括：
[0018]将预处理后的历史负荷数据集输入至深度自编码器，所述深度自编码器包括编码器模块和解码器模块，且为具有相同数量神经元的神经网络；
[0019]基于深度自编码器的编码器模块，对预处理后的历史负荷数据集进行编码与压缩处理，输出具有低维隐向量特征的历史负荷数据集；
[0020]基于深度自编码器的解码器模块，通过重构误差损失计算函数对具有低维隐向量特征的历史负荷数据集进行解码与重构处理，得到重构数据集。
[0021]进一步，所述深度自编码器包括互为对称结构的编码器模块和解码器模块，所述编码器模块与解码器模块由隐藏层网络组成，其中隐藏层网络的计算函数如下所示：
[0022]H(x)＝δ(wx+b)
[0023]上式中，x表示输入数据，w表示隐藏层网络的权重，b表示隐藏层网络所加的偏置，δ表示选择sigmoid函数，H(x)表示隐藏层网络的输出。
[0024]进一步，所述重构误差损失计算函数的表达式如下所示：
[0025][0026]上式中，h
θ
(
·
)表示编码器函数，g
θ
（
·
)表示解码器函数,θ表示隐藏层网络的参数选取，x表示训练数据，x
i
表示第i个样本数据，n表示一共有n个样本数据。
[0027]进一步，所述通过Stacking集成模型对重构数据集进行负荷预测，得到预测值这一步骤，其具体包括：
[0028]对重构数据集进行划分处理，得到训练数据集与验证数据集；
[0029]通过k折交叉验证对训练数据集进行处理，将数据划分为k个子集，其中k
‑
1个子集做训练集，剩下1个子集作为验证集；
[0030]将验证后的数据集输入至Stacking集成模型，所示Stacking集成模型包括基学习器模块和元学习器模块；
[0031]基于Stacking集成模型的基学习器模块，对验证后的数据集进行迭代训练，得到初步的预测值；
[0032]基于Stacking集成模型的元学习器模块，结合对基学习器模块得到初步的预测值作为训练数据，进行n次迭代训练得到最终预测值，完成Stacking集成模型的训练；
[0033]基于训练后的Stacking集成模型，对验证数据集进行负荷预测，得到预测值。
[0034]进一步，所述根据预测值对历史负荷数据集进行修复，得到修复后的历史负荷数据集这一步骤，其具体包括：
[0035]计算预测值的百分比误差值，并根据预测值的百分比误差值计算预测值的均值与方差；
[0036]根据预测值的均值与方差计算预测值的自适应阈值，得到自适应阈值数据；
[0037]对自适应阈值与预测值的百分比误差值进行判断；
[0038]判断到所述预测值的百分比误差值大于或等于自适应阈值，将该预测值替换至对应的历史负荷数据中并更新对应的自适应阈值；
[0039]判断到所述预测值的百分比误差值小于更新后的自适应阈值，将该预测值的百分比误差值作为下一循环计算的自适应阈值，循环上述计算步骤与判断步骤，直至所有预测值判断完成，输出修复后的历史负荷数据集。
[0040]进一步，所述预测值的百分比误差值的计算公式如下所示：
[0041][0042]上式中，表示历史负荷数据集的预测值，Y表示历史负荷数据的实际值，PE表示预测值的百分比误差值。
[0043]进一步，所述预测值的均值与方差的计算公式如下所示：
[0044]APE＝μ
p
+hσ
p
[0045]上式中，APE表示自适应阈值，μ
p
、σ
p
分别表示所有预测值的PE值的均值和方差，h表示预设权重。
[0046]本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，包括以下步骤：对历史负荷数据集进行数据预处理，得到预处理后的历史负荷数据集；通过深度自编码器对预处理后的历史负荷数据集进行特征提取处理，得到重构数据集；通过Stacking集成模型对重构数据集进行负荷预测，得到预测值；根据预测值对历史负荷数据集进行修复，得到修复后的历史负荷数据集。2.根据权利要求1所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述对历史负荷数据集进行数据预处理，得到预处理后的历史负荷数据集这一步骤，其具体包括：获取历史负荷数据集并根据历史负荷数据采集对应的相关特征，构建原始特征数据；对原始特征数据的数据缺失部分进行平均值修正，得到平均修正值；根据平均修正值对原始特征数据的数据缺失部分进行填充处理，得到填充后的历史负荷数据集；对填充后的历史负荷数据集进行归一化处理，得到预处理后的历史负荷数据集。3.根据权利要求2所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述归一化处理的计算函数如下所示：上式中，表示第i个原始样本数据，u表示原始样本数据的均值，σ表示原始样本数据的标准差，表示第i个样本的归一化值。4.根据权利要求2所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述通过深度自编码器对预处理后的历史负荷数据集进行特征提取处理，得到重构数据集这一步骤，其具体包括：将预处理后的历史负荷数据集输入至深度自编码器，所述深度自编码器包括编码器模块和解码器模块；基于深度自编码器的编码器模块，对预处理后的历史负荷数据集进行编码与压缩处理，输出具有低维隐向量特征的历史负荷数据集；基于深度自编码器的解码器模块，通过重构误差损失计算函数对具有低维隐向量特征的历史负荷数据集进行解码与重构处理，得到重构数据集。5.根据权利要求4所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述深度自编码器包括互为对称结构的编码器模块和解码器模块，所述编码器模块与解码器模块由隐藏层网络组成，其中隐藏层网络的计算函数如下所示：H(x)＝δ(wx+b)上式中，x表示输入数据，w表示隐藏层网络的权重，b表示隐藏层网络所加的偏置，δ表示选择sigmoid函数，H(x)表示隐藏层网络的输出。6.根据权利要求5所述一种基于历史负荷数据的短期负荷预测与修复方法，其特征在于，所述重构误差损失计算函数的表达式如下所示：
θ＝(w,b)上式中，h
θ
(
·
)表示编码器函数，g
θ
(
·...

【专利技术属性】
技术研发人员：周献前，彭慧，林典敏，吴可廷，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：