一种基于混合机器学习的负荷预测方法、装置及存储介质与流程

本发明涉及电力系统负荷预测，尤其是指一种基于混合机器学习的负荷预测方法、装置、设备及计算机存储介质。

背景技术：

1、电力负荷预测作为电力市场交易与电网调度运行的核心依据，广泛应用于现货交易、中长期规划及新能源消纳等关键环节。相关技术中，通过历史负荷、气象数据与日历特征的协同建模，构建了基于时序分析的预测体系。具体地，该体系涵盖了从数据采集、特征工程到模型训练的全过程，包括数据清洗、滑动窗口构建及集成学习等关键环节，旨在提升预测精度与系统稳定性。

2、然而，现有的数据驱动预测方法中，直接采用结构化时序输入，并没有有效融合新闻文本等高维上下文信息，由此可能会导致模型难以捕捉节假日、政策变动及突发事件等外部冲击对负荷的周期性影响，或者因缺乏语义感知能力而增大预测偏差，从而影响电网调度经济性与供需平衡的精准控制。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中难以有效融合非结构化新闻文本等多源异构数据，导致对突发事件、政策变动等外部冲击的感知能力不足、短期电力负荷预测精度和鲁棒性较差的问题。

2、为解决上述技术问题，本发明提供了一种基于混合机器学习的负荷预测方法，包括：

3、采集多源异构数据，所述多源异构数据包括历史负荷数据、气象数据、时间特征数据以及非结构化新闻文本数据；

4、对所述非结构化新闻文本数据进行语义嵌入处理以生成语义特征数据，并对所述时间特征数据进行时序嵌入处理以生成时序特征数据；

5、将所述语义特征数据、所述时序特征数据、所述历史负荷数据和所述气象数据进行融合以生成统一特征集；

6、基于所述统一特征集，采用堆叠集成学习框架进行负荷预测，所述堆叠集成学习框架包括多个基学习器和一个元学习器，所述元学习器用于融合所述多个基学习器的预测结果。

7、优选地，所述对所述非结构化新闻文本数据进行语义嵌入处理包括：

8、将原始新闻文本语料划分为固定批次；

9、利用预训练的语义嵌入模型批量生成每篇新闻的稠密语义向量；

10、对每篇新闻的所述稠密语义向量计算各维度的统计量以形成摘要特征；

11、将所述稠密语义向量与所述摘要特征按日期对齐后并入主数据集。

12、优选地，所述生成每篇新闻的稠密语义向量包括：

13、将文本词元输入转换器层以生成上下文嵌入，再通过池化操作获得固定维度的句子级向量。

14、优选地，所述对所述时间特征数据进行时序嵌入处理包括：

15、选取与时间相关的数值特征子集；

16、对各特征构建预设步长的滑动窗口以形成多维时序序列；

17、采用包含非线性激活函数的前馈神经网络作为编码器，并以序列嵌入间的均方误差作为损失函数训练所述编码器；

18、提取训练后的各序列在最新时刻的嵌入向量作为时序特征数据。

19、优选地，所述生成统一特征集包括：

20、对每日存在的多篇新闻分别生成语义向量，并对当日所有新闻的语义向量进行聚合以得到日级语义向量；

21、将所述日级语义向量复制至当日全部的时序步长中，使其与所述时序特征数据、所述历史负荷数据和所述气象数据在时间点上对齐。

22、优选地，所述多个基学习器包括极端随机树回归器和极限梯度提升模型，所述元学习器为线性回归器；并且，所述元学习器采用时序交叉验证进行训练，所述基学习器在所述时序交叉验证的框架内通过网格搜索进行超参数微调。

23、优选地，所述多源异构数据还包括节假日日期数据；并且，所述统一特征集中的所有结构化数值特征均经过标准化处理，以消除量纲差异，使得各特征维度具有零均值和单位标准差。

24、本发明还提供了一种基于混合机器学习的负荷预测装置，包括：

25、数据采集单元，用于采集多源异构数据，所述多源异构数据包括历史负荷数据、气象数据、时间特征数据以及非结构化新闻文本数据；

26、语义嵌入单元，用于对所述非结构化新闻文本数据进行语义嵌入处理以生成语义特征数据；

27、时序嵌入单元，用于对所述时间特征数据进行时序嵌入处理以生成时序特征数据；

28、特征融合单元，用于将所述语义特征数据、所述时序特征数据、所述历史负荷数据和所述气象数据进行融合以生成统一特征集；

29、负荷预测单元，用于基于所述统一特征集，采用堆叠集成学习框架进行负荷预测，所述堆叠集成学习框架包括多个基学习器和一个元学习器，所述元学习器用于融合所述多个基学习器的预测结果。

30、本发明还提供了一种基于混合机器学习的负荷预测设备，包括：

31、存储器，用于存储计算机程序；

32、处理器，用于执行所述计算机程序时实现上述一种基于混合机器学习的负荷预测方法步骤。

33、本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于混合机器学习的负荷预测方法的步骤。

34、本发明的上述技术方案相比现有技术具有以下优点：

35、本发明所述的基于混合机器学习的负荷预测方法，本发明通过采集并融合历史负荷数据、气象数据、时间特征数据以及非结构化新闻文本数据，并对新闻文本进行语义嵌入、对时间特征进行时序嵌入，生成统一特征集，再采用包含多个基学习器和一个元学习器的堆叠集成学习框架进行负荷预测，能够有效融合多源异构数据中的结构化与非结构化信息，增强模型对节假日、政策变动、突发事件等外部冲击的语义感知能力，同时利用堆叠集成策略降低单一模型的预测偏差，从而显著提升短期电力负荷预测的精度、鲁棒性和泛化性能。

1.一种基于混合机器学习的负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述非结构化新闻文本数据进行语义嵌入处理包括：

3.根据权利要求2所述的方法，其特征在于，所述生成每篇新闻的稠密语义向量包括：

4.根据权利要求1所述的方法，其特征在于，所述对所述时间特征数据进行时序嵌入处理包括：

5.根据权利要求1所述的方法，其特征在于，所述生成统一特征集包括：

6.根据权利要求1所述的方法，其特征在于，所述多个基学习器包括极端随机树回归器和极限梯度提升模型，所述元学习器为线性回归器；并且，所述元学习器采用时序交叉验证进行训练，所述基学习器在所述时序交叉验证的框架内通过网格搜索进行超参数微调。

7.根据权利要求1所述的方法，其特征在于，所述多源异构数据还包括节假日日期数据；并且，所述统一特征集中的所有结构化数值特征均经过标准化处理，以消除量纲差异，使得各特征维度具有零均值和单位标准差。

8.一种基于混合机器学习的负荷预测装置，其特征在于，包括：

9.一种基于混合机器学习的负荷预测设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种基于混合机器学习的负荷预测方法的步骤。