系统日前短期负荷预测方法、装置、设备和可读存储介质与流程

1.本发明属于能源监测设备技术领域，具体涉及一种系统日前短期负荷预测方法、装置、设备和可读存储介质。


背景技术：

2.电能的生产、传输、分配和使用是同时进行的，由于电能不能够大量地存储，电力供给与需求必须保持实时平衡，电力调度需要根据未来的负荷需求提前制定机组的启停和电力设备的检修计划，因此准确的负荷预测对电网调度运行具有重要的意义，负荷预测水平直接影响电力系统的经济效益和社会效益。
3.系统日前短期负荷预测一般是指提前对次日每15分钟一点共96个时刻的负荷需求进行预测，在机器学习领域来说属于典型的有监督回归类问题。传统的负荷预测通常会将问题建模拆解为对逐时刻的单一目标的回归问题，认为待预测时刻与历史日中同一时刻负荷值及气象因素具有相关关系，利用历史数据训练96个回归模型来实现对未来96个时刻的负荷值的预测。 这种方法往往忽略了负荷曲线在一个长时间范围上连续的特性，容易造成模型的欠拟合。同时要训练96个模型，需要对每一个模型分别进行特征工程和样本工程，耗时往往较大，且不利于使用大量数据训练复杂模型。


技术实现要素：

4.有鉴于此，本发明的目的在于克服现有技术的不足，提供一种系统日前短期负荷预测方法、装置、设备和可读存储介质，以解决现有技术中模型欠拟合，以及训练96个模型耗时巨大，从而不利于使用大量数据训练复杂模型的问题。
5.根据本技术实施例的第一方面，提供一种系统日前短期负荷预测方法，所述方法包括：采集历史数据，并对所述历史数据进行预处理；利用预处理后的历史数据构建训练样本集；利用所述训练样本集对预先建立的xgboost多目标回归模型进行训练，得到训练后的xgboost多目标回归模型；生成预测样本特征；将所述预测样本特征输入至所述训练后的xgboost多目标回归模型，得到预测的短期负荷。
6.进一步的，所述历史数据，包括：历史的短期负荷值、历史的气象值和历史的负荷变化量；所述历史的气象值中的气象指标包括：温度、湿度、降雨量、风力和云量。
7.进一步的，所述对所述历史数据进行预处理，包括：利用插值法填补所述历史数据中的缺失值，并对填补缺失值后的所述历史数据进行归一化处理，得到所述预处理后的历史数据。
8.进一步的，所述利用预处理后的历史数据构建训练样本集，包括：将所述预处理后的历史数据的时刻划分为96个时刻点，利用该96个时刻点的预处理后的历史数据构建训练样本集。
9.进一步的，所述利用所述训练样本集对预先建立的xgboost多目标回归模型进行训练，得到训练后的xgboost多目标回归模型，包括：将所述训练样本集分为训练集和验证集；利用所述训练集对所述预先建立的xgboost多目标回归模型进行训练，直至当利用验证集对所述预先建立的xgboost多目标回归模型进行验证时，得到的预测的历史负荷值与实际的历史负荷值的误差小于第一阈值时，训练结束，得到所述训练后的xgboost多目标回归模型。
10.进一步的，所述预测样本特征，包括：待预测时刻前k~k
‑
m个时刻点的负荷值、待预测时刻前k~k
‑
m个时刻点的气象值、待预测时刻前k~k
‑
m个时刻点的负荷变化量、月份特征、日期特征、日期类型特征、待预测开始时刻所在小时特征和待预测开始时刻分钟特征；其中，k为待预测的时刻点；m为一个可调的超参数，且m是正整数值；待预测时刻前k
‑
m个时刻点的负荷变化量，以此类推。
11.进一步的，所述将所述预测样本特征输入至所述训练后的xgboost多目标回归模型，得到预测的短期负荷，包括：按下式确定所述训练后的xgboost多目标回归模型的目标函数：上式中，，n为预测样本特征的总数量，，m为待预测的时刻点的总数量；为第i个预测样本特征的特征向量，为第i个预测样本特征的第k个待预测的时刻点的实际负荷值，为第t
‑
1轮迭代时对第i个预测样本特征第k个待预测的时刻点的预测负荷值， 为预测第k个待预测的时刻点的负荷值时第t轮迭代中增加的新模型， 为预测第k个待预测的时刻点的负荷值时第t轮迭代增加的新模型的复杂度，为损失函数；将所述预测样本特征作为自变量输入至所述训练后的xgboost多目标回归模型的目标函数，当小于等于第二阈值或迭代轮数t等于第三阈值时，输出预测的所有时刻点的负荷，所述预测的所有时刻点的负荷为预测的短期负荷。
12.根据本技术实施例的第二方面，提供一种系统日前短期负荷预测装置，所述装置包括：预处理模块，用于采集历史数据，并对所述历史数据进行预处理；构建模块，用于利用预处理后的历史数据构建训练样本集；
训练模块，用于利用所述训练样本集对预先建立的xgboost多目标回归模型进行训练，得到训练后的xgboost多目标回归模型；生成模块，用于生成预测样本特征；预测模块，用于将所述预测样本特征输入至所述训练后的xgboost多目标回归模型，得到预测的短期负荷。
13.根据本技术实施例的第三方面，提供一种系统日前短期负荷预测设备，包括：存储器，其上存储有可执行程序；处理器，用于执行所述存储器中的所述可执行程序，以实现上述的所述一种系统日前短期负荷预测方法的步骤。
14.根据本技术实施例的第四方面，提供一种可读存储介质，其上存储有可执行程序，所述可执行程序被处理器执行时实现上述的所述一种系统日前短期负荷预测方法的步骤。
15.本发明采用以上技术方案，能够达到的有益效果包括：通过采集历史数据，并对所述历史数据进行预处理，利用预处理后的历史数据构建训练样本集，利用所述训练样本集对预先建立的xgboost多目标回归模型进行训练，得到训练后的xgboost多目标回归模型，生成预测样本特征，将所述预测样本特征输入至所述训练后的xgboost多目标回归模型，得到预测的短期负荷，不仅提高了模型训练、部署和预测的效率，还提高了短期负荷预测的精准度。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是根据一示例性实施例示出的一种系统日前短期负荷预测方法的流程图；图2是根据一示例性实施例示出的是一种系统日前短期负荷预测装置的结构框图。
具体实施方式
18.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
19.图1是根据一示例性实施例示出的一种系统日前短期负荷预测方法的流程图，如图1所示，该方法可以但不限于用于终端中，包括以下步骤：步骤101：采集历史数据，并对历史数据进行预处理；步骤102：利用预处理后的历史数据构建训练样本集；步骤103：利用训练样本集对预先建立的xgboost多目标回归模型进行训练，得到训练后的xgboost多目标回归模型；步骤104：生成预测样本特征；
步骤105：将预测样本特征输入至训练后的xgboost多目标回归模型，得到预测的短期负荷。
20.本发明实施例提供的一种系统日前短期负荷预测方法，与传统方法不同，本技术将日前短期负荷预测问题定义为一个多目标学习任务，通过构建一个多目标的回归模型实现对未来 96 个时刻负荷值的预测。具体的，通过采集历史数据，并对历史数据进行预处理，利用预处理后的历史数据构建训练样本集，利用训练样本集对预先建立的xgboost多目标回归模型进行训练，得到训练后的xgboost多目标回归模型，实现了对多目标回归模型的训练和预测；通过生成预测样本特征，将预测样本特征输入至训练后的xgboost多目标回归模型，得到预测的短期负荷，不仅提高了模型训练、部署和预测的效率，还提高了短期负荷预测的精准度。
21.进一步的，历史数据，包括：历史的短期负荷值、历史的气象值和历史的负荷变化量；历史的气象值中的气象指标包括：温度、湿度、降雨量、风力和云量。
22.进一步的，步骤101中对历史数据进行预处理，包括：利用插值法填补历史数据中的缺失值，并对填补缺失值后的历史数据进行归一化处理，得到预处理后的历史数据。
23.需要说明的是，本发明实施例涉及的“利用插值法填补历史数据中的缺失值”和“对填补缺失值后的历史数据进行归一化处理”方式，是本领域技术人员所熟知的，因此，其具体实现方式不做过多描述。
24.进一步的，步骤102，包括：将预处理后的历史数据的时刻划分为96个时刻点，利用该96个时刻点的预处理后的历史数据构建训练样本集。
25.可以理解的是，将一天的时间分为96个时刻点，即每个时刻点间隔15分钟。这样的样本构建方式与传统方法相比可以获得近 96 倍的样本量，能够有效支持在大规模特征空间上的模型参数的充分更新，避免模型欠拟合。
26.需要说明的是，对于多目标回归任务来说，对于样本中每一个label是使用同样的模型和特征进行建模的，因此与传统方法相比，模型训练复杂度会大大降低，且有利于使用大量数据集用于模型的训练。
27.进一步的，步骤103，包括：将训练样本集分为训练集和验证集；利用训练集对预先建立的xgboost多目标回归模型进行训练，直至当利用验证集对预先建立的xgboost多目标回归模型进行验证时，得到的预测的历史负荷值与实际的历史负荷值的误差小于第一阈值时，训练结束，得到训练后的xgboost多目标回归模型。
28.进一步的，预测样本特征，包括：待预测时刻前k~k
‑
m个时刻点的负荷值、待预测时刻前k~k
‑
m个时刻点的气象值、待预测时刻前k~k
‑
m个时刻点的负荷变化量、月份特征、日期特征、日期类型特征、待预测开始时刻所在小时特征和待预测开始时刻分钟特征；
其中，k为待预测的时刻点；m为一个可调的超参数，且m是正整数值；待预测时刻前k
‑
m个时刻点的负荷变化量，以此类推。
29.具体的，月份特征指的是一年的12个月份，日期特征指的是每个月份中每一天，日期类型特征指的是星期一到星期日。
30.例如，根据上述的内容可知，将一天分为96个时刻点，每个时刻点间隔15分钟，那么预测样本特征的时刻点也是分为了96个时刻点，早上0点即为第一个时刻点。假设需要预测明天早上1点的负荷值，那么k为5。假设m为4，则k
‑
m=5
‑
4=1，k
‑
m 1=5
‑
4 1=2，k
‑
m 2=5
‑
4 2=3，k
‑
m 3=5
‑
4 3=4。
31.需要说明的是，dmlc原生的xgboost多目标回归模型无法支持多目标回归模型的训练和预测，如下所示，单一目标回归任务的 xgboost 模型定义的损失函数为：上式中，，n为样本的总数量；为第i个样本label，第i个样本的特征向量，为模型在第t
‑
1轮迭代时对第i个样本的预测值，为第t轮迭代要新增的模型，为第t轮迭代要新增的模型的复杂度，为损失函数。
32.本发明实施例提供的技术方案将xgboost多目标回归模型的损失函数进行修改，使之可以支持多目标回归模型，则进一步的，步骤105，包括：按下式确定训练后的xgboost多目标回归模型的目标函数：上式中，，n为预测样本特征的总数量，，m为待预测的时刻点的总数量；为第i个预测样本特征的特征向量，为第i个预测样本特征的第k个待预测的时刻点的实际负荷值，为第t
‑
1轮迭代时对第i个预测样本特征第k个待预测的时刻点的预测负荷值， 为预测第k个待预测的时刻点的负荷值时第t轮迭代中增加的新模型， 为预测第k个待预测的时刻点的负荷值时第t轮迭代增加的新模型的复杂度，为损失函数；将预测样本特征作为自变量输入至训练后的xgboost多目标回归模型的目标函数，当小于等于第二阈值或迭代轮数t等于第三阈值时，输出预测的所有时刻点的负荷，预测的所有时刻点的负荷为预测的短期负荷。
33.可以理解的是，本发明实施例提供的方法可以体现电力负荷作为一个连续的时间序列，待预测时刻点负荷值不仅与历史日同时刻值相关，同时与可获取的最邻近点的负荷值相关性也很大。
34.经过实验证明，本发明实施例提供的一种系统日前短期负荷预测方法，在一段时间的稳定运行后，统计平均rmpse精度可达到97.29%，与前期部署的传统方法94.43%的精度
有明显的提高。在运行效率方面，新方法架构将模型训练流程与预测流程进行了拆解，训练流程为一个定时调度任务，而预测流程为调用任务，相比传统方法将训练流程和预测流程耦合在一起的方式，预测效率有了大幅提升，从之前的耗时近30s提高到了400ms。
35.本发明实施例提供的一种系统日前短期负荷预测方法，与传统方法不同，本技术将日前短期负荷预测问题定义为一个多目标学习任务，通过构建一个多目标的回归模型实现对未来 96 个时刻负荷值的预测。具体的，通过采集历史数据，并对历史数据进行预处理，利用预处理后的历史数据构建训练样本集，利用训练样本集对预先建立的xgboost多目标回归模型进行训练，得到训练后的xgboost多目标回归模型，实现了对多目标回归模型的训练和预测；通过生成预测样本特征，将预测样本特征输入至训练后的xgboost多目标回归模型，得到预测的短期负荷，不仅提高了模型训练、部署和预测的效率，还提高了短期负荷预测的精准度，与传统的方法相比。
36.本发明实施例还提供一种系统日前短期负荷预测装置，如图2所示，该装置包括：预处理模块，用于采集历史数据，并对历史数据进行预处理；构建模块，用于利用预处理后的历史数据构建训练样本集；训练模块，用于利用训练样本集对预先建立的xgboost多目标回归模型进行训练，得到训练后的xgboost多目标回归模型；生成模块，用于生成预测样本特征；预测模块，用于将预测样本特征输入至训练后的xgboost多目标回归模型，得到预测的短期负荷。
37.进一步的，历史数据，包括：历史的短期负荷值、历史的气象值和历史的负荷变化量；历史的气象值中的气象指标包括：温度、湿度、降雨量、风力和云量。
38.进一步的，预处理模块，具体用于：利用插值法填补历史数据中的缺失值，并对填补缺失值后的历史数据进行归一化处理，得到预处理后的历史数据。
39.进一步的，构建模块，具体用于：将预处理后的历史数据的时刻点长度设置为96，利用该96个时刻点的预处理后的历史数据构建训练样本集。
40.进一步的，训练模块，具体用于：将训练样本集分为训练集和验证集；利用训练集对预先建立的xgboost多目标回归模型进行训练，直至当利用验证集对预先建立的xgboost多目标回归模型进行验证时，得到的预测的历史负荷值与实际的历史负荷值的误差小于第一阈值时，训练结束，得到训练后的xgboost多目标回归模型。
41.进一步的，预测样本特征，包括：待预测时刻前k~k
‑
m个时刻点的负荷值、待预测时刻前k~k
‑
m个时刻点的气象值、待预测时刻前k~k
‑
m个时刻点的负荷变化量、月份特征、日期特征、日期类型特征、待预测开始时刻所在小时特征和待预测开始时刻分钟特征；
其中，k为待预测的时刻点；m为一个可调的超参数，且m是正整数值；待预测时刻前k
‑
m个时刻点的负荷变化量，以此类推。
42.进一步的，预测模块，具体用于：按下式确定训练后的xgboost多目标回归模型的目标函数：上式中，，n为预测样本特征的总数量，，m为待预测的时刻点的总数量；为第i个预测样本特征的特征向量，为第i个预测样本特征的第k个待预测的时刻点的实际负荷值，为第t
‑
1轮迭代时对第i个预测样本特征第k个待预测的时刻点的预测负荷值， 为预测第k个待预测的时刻点的负荷值时第t轮迭代中增加的新模型， 为预测第k个待预测的时刻点的负荷值时第t轮迭代增加的新模型的复杂度，为损失函数；将预测样本特征作为自变量输入至训练后的xgboost多目标回归模型的目标函数，当小于等于第二阈值或迭代轮数t等于第三阈值时，输出预测的所有时刻点的负荷，预测的所有时刻点的负荷为预测的短期负荷。
43.本发明实施例提供的一种系统日前短期负荷预测方法，与传统方法不同，本技术将日前短期负荷预测问题定义为一个多目标学习任务，通过构建一个多目标的回归模型实现对未来 96 个时刻负荷值的预测。具体的，通过预处理模块采集历史数据，并对历史数据进行预处理，构建模块利用预处理后的历史数据构建训练样本集，训练模块利用训练样本集对预先建立的xgboost多目标回归模型进行训练，得到训练后的xgboost多目标回归模型，实现了对多目标回归模型的训练和预测；通过生成模块生成预测样本特征，预测模块将预测样本特征输入至训练后的xgboost多目标回归模型，得到预测的短期负荷，不仅提高了模型训练、部署和预测的效率，还提高了短期负荷预测的精准度，与传统的方法相比。
44.可以理解的是，上述提供的装置实施例与上述的方法实施例对应，相应的具体内容可以相互参考，在此不再赘述。
45.本发明实施例还提供一种系统日前短期负荷预测设备，包括：存储器，其上存储有可执行程序；处理器，用于执行存储器中的可执行程序，以实现上述实施例提供的系统日前短期负荷预测方法的步骤。
46.本发明实施例还提供一种可读存储介质，其上存储有可执行程序，该可执行程序被处理器执行时实现上述实施例提供的系统日前短期负荷预测方法的步骤。
47.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
48.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
49.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品，该指令方法实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
50.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
51.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。