CN114580758A - 一种多城市自动能源负荷预测方法及*** - Google Patents

一种多城市自动能源负荷预测方法及*** Download PDF

Info

Publication number
CN114580758A
CN114580758A CN202210231951.4A CN202210231951A CN114580758A CN 114580758 A CN114580758 A CN 114580758A CN 202210231951 A CN202210231951 A CN 202210231951A CN 114580758 A CN114580758 A CN 114580758A
Authority
CN
China
Prior art keywords
energy load
prediction
city
training
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210231951.4A
Other languages
English (en)
Other versions
CN114580758B (zh
Inventor
苗韧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202210231951.4A priority Critical patent/CN114580758B/zh
Publication of CN114580758A publication Critical patent/CN114580758A/zh
Application granted granted Critical
Publication of CN114580758B publication Critical patent/CN114580758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)

Abstract

本发明提供了多城市自动能源负荷预测方法及***，方法包括以下步骤：接收能源负荷样本数据；对所述能源负荷样本数据进行标准化处理；配置预测参数和评价指标；利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型；接收能源负荷原始数据，将所述能源负荷原始数据输入至所述预测模型，以得到城市的能源负荷预测结果。该方法提高了预测效率和稳定性。

Description

一种多城市自动能源负荷预测方法及***
技术领域
本发明属于数据处理技术领域，具体涉及一种多城市自动能源负荷预测方法及***。
背景技术
目前城市能源负荷预测大多数为采用统计方法或机器学习算法进行的时间序列预测。LightGBM算法(Light Gradient Boosting Machine)作为常用的机器学习算法之一，在能源负荷预测领域具备较好的表现。但是在实际生产应用时，LightGBM算法需要通过大量人工分析数据寻找规律，并对参数不断优化，这就导致了预测效率低、稳定性差，不利于快速实现多个城市的能源负荷预测功能。
发明内容
针对现有技术中的缺陷，本发明提供一种多城市自动能源负荷预测方法及***，提高了预测效率和稳定性。
第一方面，一种多城市自动能源负荷预测方法，包括以下步骤：
接收能源负荷样本数据；
对所述能源负荷样本数据进行标准化处理；
配置预测参数和评价指标；
利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型；
接收能源负荷原始数据，将所述能源负荷原始数据输入至所述预测模型，以得到城市的能源负荷预测结果。
优选地，所述对所述能源负荷样本数据进行标准化处理具体包括：
根据预设的标准数据框填补所述能源负荷样本数据中的缺失值，以得到符合标准格式的能源负荷标准数据；
对所述能源负荷标准数据进行特征筛选，以得到有效特征；
将所述能源负荷标准数据划分为训练集和测试集。
优选地，所述预测参数包括以下一种或几种数据的组合：
类别变量名称列表、数据保存路径、城市名、滞后项、预测区间长度、固定参数字典、使用每组参数训练模型个数、贝叶斯优化初始点个数、贝叶斯优化迭代数。
优选地，所述评价指标包括：
平均绝对百分比误差MAPE：
Figure BDA0003538733860000021
均方根误差RMSE：
Figure BDA0003538733860000022
其中，yi为真实值，
Figure BDA0003538733860000023
为预测值，n为预测区间长度，i为参数。
优选地，所述利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型具体包括：
设置搜索变量和损失函数；
根据所述损失函数执行贝叶斯优化过程，基于所述评价指标和预设的搜索点进行后验分布迭代，选中多个预测参数，构成多组最优参数组合；
使用所述最优参数组合训练LightGBM模型，以得到预测模型。
第二方面，一种多城市自动能源负荷预测***，包括：
采集单元：用于接收能源负荷样本数据；
预处理单元：与所述采集单元连接；所述预处理单元用于对所述能源负荷样本数据进行标准化处理；
配置单元：用于配置预测参数和评价指标；
训练单元：与所述预处理单元、配置单元连接；所述训练单元用于利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型；
识别单元：与所述训练单元连接；所述识别单元用于接收能源负荷原始数据，将所述能源负荷原始数据输入至所述预测模型，以得到城市的能源负荷预测结果。
优选地，所述预处理单元具体用于：
根据预设的标准数据框填补所述能源负荷样本数据中的缺失值，以得到符合标准格式的能源负荷标准数据；
对所述能源负荷标准数据进行特征筛选，以得到有效特征；
将所述能源负荷标准数据划分为训练集和测试集。
优选地，所述预测参数包括以下一种或几种数据的组合：
类别变量名称列表、数据保存路径、城市名、滞后项、预测区间长度、固定参数字典、使用每组参数训练模型个数、贝叶斯优化初始点个数、贝叶斯优化迭代数。
优选地，所述评价指标包括：
平均绝对百分比误差MAPE：
Figure BDA0003538733860000031
均方根误差RMSE：
Figure BDA0003538733860000032
其中，yi为真实值，
Figure BDA0003538733860000033
为预测值，n为预测区间长度，i为参数。
优选地，所述训练单元具体用于：
设置搜索变量和损失函数；
根据所述损失函数执行贝叶斯优化过程，基于所述评价指标和预设的搜索点进行后验分布迭代，选中多个预测参数，构成多组最优参数组合；
使用所述最优参数组合训练LightGBM模型，以得到预测模型。
由上述技术方案可知，本发明提供的多城市自动能源负荷预测方法及***，对能源负荷样本数据执行完标准处理后，利用贝叶斯优化进行参数搜索，根据搜索到的参数进行LightGBM模型训练，根据得到的预测模型预测城市的能源负荷。该方法通过贝叶斯优化对LightGBM算法进行自动建模和参数搜索，利用贝叶斯优化实现通过高斯过程作为代理模型进行近似，并逐步更新待优化函数的后验分布。该方法能够对LightGBM算法的参数搜索进行自动建模，大大提高了能源预测方法的优化效率，节约成本，使应用范围更加广泛。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为实施例提供的多城市自动能源负荷预测方法的流程图。
图2为实施例提供的标准化处理的方法流程图。
图3为实施例提供的模型训练的方法流程图。
图4为实施例提供的多城市自动能源负荷预测***的模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例一：
一种多城市自动能源负荷预测方法，参见图1，包括以下步骤：
S1：接收能源负荷样本数据；
S2：对所述能源负荷样本数据进行标准化处理；
S3：配置预测参数和评价指标；
S4：利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型；
S5：接收能源负荷原始数据，将所述能源负荷原始数据输入至所述预测模型，以得到城市的能源负荷预测结果。
在本实施例中，能源负荷样本数据包括不同城市中各种能源的参数，例如包括天然气日度气量等等。该方法对能源负荷样本数据进行标准化处理，是为了将能源负荷样本数据处理为固定格式，方便后续进行自动参数搜索。预测参数主要包括路径与一些相关参数，该方法能实现自动或手动配置预测参数的功能。该方法可以在运行前对预测参数进行初始化，也可以在使用过程中对部分预测参数进行修改调整，预测参数可以根据实际使用情况进行调整。评价指标包含优化参数和测试时用到的指标函数。
在本实施例中，机器学习模型可以选用LightGBM模型。该方法对能源负荷样本数据执行完标准处理后，利用贝叶斯优化进行参数搜索，根据搜索到的参数进行LightGBM模型训练，根据得到的预测模型预测城市的能源负荷。该方法通过贝叶斯优化对LightGBM算法进行自动建模和参数搜索，利用贝叶斯优化实现通过高斯过程作为代理模型进行近似，并逐步更新待优化函数的后验分布。该方法能够对LightGBM算法的参数搜索进行自动建模，大大提高了能源预测方法的优化效率，节约成本，使应用范围更加广泛。
进一步地，在一些实施例中，参见图2，所述对所述能源负荷样本数据进行标准化处理具体包括：
S11：根据预设的标准数据框填补所述能源负荷样本数据中的缺失值，以得到符合标准格式的能源负荷标准数据；
S12：对所述能源负荷标准数据进行特征筛选，以得到有效特征；
S13：将所述能源负荷标准数据划分为训练集和测试集。
在本实施例中，标准化处理步骤包括读取标准数据框、填补缺失值、有效特征筛选和划分训练集和测试集。其中标准数据框由用户自行设定，标准数据框可以包括多个字段，该方法在填补缺失值时，可以将能源负荷样本数据填入标准数据框对应的字段中，然后判断是否所有的字段都填满，如果不是，对没有填满的字段进行填补，填补的方法包括填补默认值。有效特征可以由用户根据不同的城市自行设置。例如可以设置为不同城市中常用能源的含量等等。该方法从能源负荷标准数据中筛选出有效特征，用于过滤多余信息，提高模型训练的精准度。该方法的训练集和测试集的划分比例可以由用户自行设置，例如训练集和测试集的划分比例可以设置为7：3等等。
进一步地，在一些实施例中，所述预测参数包括以下一种或几种数据的组合：
类别变量名称列表、数据保存路径、城市名、滞后项列表、预测区间长度、固定参数字典、使用每组参数训练模型个数、贝叶斯优化初始点个数、贝叶斯优化迭代数。
其中，类别变量名称列表为标准化处理后数据框中的自变量里的类别变量，主要针对二元类别变量，如是否为法定节假日等；数据保存路径为数据集所处子目录的文件名称路径；城市名为所预测城市的全拼，在预处理函数对应字典中中可根据相应城市编号进行匹配；滞后项为抽取前多少天的因变量作为特征进行预测，默认值为1天，7天和30天；预测区间长度为待预测的序列长度(一般为天数)；固定参数字典为LightGBM模型中不参与优化的超参数名称字典，如目标函数类型，使用线程数等；使用每组参数训练模型个数为对于每组固定参数，设置不同随机种子进行贝叶斯优化和集成学习所需要的模型个数，理论上模型个数越多，预测结果越稳定，但相应训练时间增加；贝叶斯优化初始点个数为贝叶斯优化随机初始值设定个数，个数越多探索到的参数空间越大，效果越好，相应优化时间增加；贝叶斯优化迭代数为每个初始值优化迭代次数，迭代次数越多优化至最优解的概率越大，相应优化时间增加。
在本实施例中，该方法还提供手动或自动设置路径与参数的功能。其中类别变量名称列表包括标准化处理后得到的各种类别变量的名称。
进一步地，在一些实施例中，所述评价指标包括：
平均绝对百分比误差MAPE：
Figure BDA0003538733860000071
均方根误差RMSE：
Figure BDA0003538733860000072
其中，yi为真实值，
Figure BDA0003538733860000073
为预测值，n为预测区间长度，i为参数。
在本实施例中，该方法采用平均绝对百分比误差MAPE和均方根误差RMSE进行评价，具有良好的可扩展性，能够计算出预测结果的相对误差，为预测质量提供了客观评价。
进一步地，在一些实施例中，参见图3，所述利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型具体包括：
S21：设置搜索变量和损失函数；
S22：根据所述损失函数执行贝叶斯优化过程，基于所述评价指标和预设的搜索点进行后验分布迭代，选中多个预测参数，构成多组最优参数组合；
S23：使用所述最优参数组合训练LightGBM模型，以得到预测模型。
在本实施例中，训练步骤主要包括自动参数搜索、模型训练等功能。该方法可以根据有效特征设置搜索变量，并根据训练要求配置损失函数。然后根据损失函数执行具体的贝叶斯优化过程，通过设置不同搜索点进行后验分布的迭代，得到多组最优参数组合，其中最优参数组合中的参数可以为LightGBM模型中的超参数，如学习率，正则化系数，叶节点个数等。其中不同的迭代过程设置的搜索点不同，搜索点也可以在迭代的过程中进行略微调整。其次使用得到的最优参数组合获取标准化后的能源负荷样本数据，训练多组LightGBM模型，得到预测模型。该方法还可以返回或保存得到的预测模型。
在一些实施例中，该方法还可以训练多种机器学习模型，并分别收集采用不同机器学习模型预测后生成的预测结果，并根据所有预测结果生成最优预测结果，还可以对预测结果进行可视化，方便用户查看。
为了进一步地说明该方法的预测效果，该方法对4个城市的天然气日度气量负荷进行预测，并对7日内的气量负荷预测结果进行偏差计算，得到的结果如表1所示：
表1：
Citv 7d内MAPE
城市1 4.53％
城市2 4.65％
城市3 3.92％
城市4 4.59％
从表1可知，该算法得到预测模型中，预测结果的平均绝对百分比误差基本在5％以内，具备较好的预测精度。
实施例二：
一种多城市自动能源负荷预测***，参见图4，包括：
采集单元1：用于接收能源负荷样本数据；
预处理单元2：与所述采集单元1连接；所述预处理单元2用于对所述能源负荷样本数据进行标准化处理；
配置单元3：用于配置预测参数和评价指标；
训练单元4：与所述预处理单元2、配置单元3连接；所述训练单元4用于利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型；
识别单元5：与所述训练单元4连接；所述识别单元5用于接收能源负荷原始数据，将所述能源负荷原始数据输入至所述预测模型，以得到城市的能源负荷预测结果。
优选地，所述预处理单元2具体用于：
根据预设的标准数据框填补所述能源负荷样本数据中的缺失值，以得到符合标准格式的能源负荷标准数据；
对所述能源负荷标准数据进行特征筛选，以得到有效特征；
将所述能源负荷标准数据划分为训练集和测试集。
优选地，所述预测参数包括以下一种或几种数据的组合：
类别变量名称列表、数据保存路径、城市名、滞后项、预测区间长度、固定参数字典、使用每组参数训练模型个数、贝叶斯优化初始点个数、贝叶斯优化迭代数。
优选地，所述评价指标包括：
平均绝对百分比误差MAPE：
Figure BDA0003538733860000091
均方根误差RMSE：
Figure BDA0003538733860000092
其中，yi为真实值，
Figure BDA0003538733860000093
为预测值，n为预测区间长度，i为参数。
优选地，所述训练单元4具体用于：
设置搜索变量和损失函数；
根据所述损失函数执行贝叶斯优化过程，基于所述评价指标和预设的搜索点进行后验分布迭代，选中多个预测参数，构成多组最优参数组合；
使用所述最优参数组合训练LightGBM模型，以得到预测模型。
本发明实施例所提供的***，为简要描述，实施例部分未提及之处，可参考前述实施例中相应内容。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种多城市自动能源负荷预测方法，其特征在于，包括以下步骤：
接收能源负荷样本数据；
对所述能源负荷样本数据进行标准化处理；
配置预测参数和评价指标；
利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型；
接收能源负荷原始数据，将所述能源负荷原始数据输入至所述预测模型，以得到城市的能源负荷预测结果。
2.根据权利要求1所述多城市自动能源负荷预测方法，其特征在于，所述对所述能源负荷样本数据进行标准化处理具体包括：
根据预设的标准数据框填补所述能源负荷样本数据中的缺失值，以得到符合标准格式的能源负荷标准数据；
对所述能源负荷标准数据进行特征筛选，以得到有效特征；
将所述能源负荷标准数据划分为训练集和测试集。
3.根据权利要求1所述多城市自动能源负荷预测方法，其特征在于，
所述预测参数包括以下一种或几种数据的组合：
类别变量名称列表、数据保存路径、城市名、滞后项、预测区间长度、固定参数字典、使用每组参数训练模型个数、贝叶斯优化初始点个数、贝叶斯优化迭代数。
4.根据权利要求3所述多城市自动能源负荷预测方法，其特征在于，
所述评价指标包括：
平均绝对百分比误差MAPE：
Figure FDA0003538733850000011
均方根误差RMSE：
Figure FDA0003538733850000012
其中，yi为真实值，
Figure FDA0003538733850000021
为预测值，n为预测区间长度，i为参数。
5.根据权利要求1所述多城市自动能源负荷预测方法，其特征在于，所述利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型具体包括：
设置搜索变量和损失函数；
根据所述损失函数执行贝叶斯优化过程，基于所述评价指标和预设的搜索点进行后验分布迭代，选中多个预测参数，构成多组最优参数组合；
使用所述最优参数组合训练LightGBM模型，以得到预测模型。
6.一种多城市自动能源负荷预测***，其特征在于，包括：
采集单元：用于接收能源负荷样本数据；
预处理单元：与所述采集单元连接；所述预处理单元用于对所述能源负荷样本数据进行标准化处理；
配置单元：用于配置预测参数和评价指标；
训练单元：与所述预处理单元、配置单元连接；所述训练单元用于利用贝叶斯优化方法和所述评价指标对所述预测参数进行选择，对选中的预测参数进行机器学习训练，以得到预测模型；
识别单元：与所述训练单元连接；所述识别单元用于接收能源负荷原始数据，将所述能源负荷原始数据输入至所述预测模型，以得到城市的能源负荷预测结果。
7.根据权利要求6所述多城市自动能源负荷预测***，其特征在于，所述预处理单元具体用于：
根据预设的标准数据框填补所述能源负荷样本数据中的缺失值，以得到符合标准格式的能源负荷标准数据；
对所述能源负荷标准数据进行特征筛选，以得到有效特征；
将所述能源负荷标准数据划分为训练集和测试集。
8.根据权利要求6所述多城市自动能源负荷预测***，其特征在于，
所述预测参数包括以下一种或几种数据的组合：
类别变量名称列表、数据保存路径、城市名、滞后项、预测区间长度、固定参数字典、使用每组参数训练模型个数、贝叶斯优化初始点个数、贝叶斯优化迭代数。
9.根据权利要求8所述多城市自动能源负荷预测***，其特征在于，
所述评价指标包括：
平均绝对百分比误差MAPE：
Figure FDA0003538733850000031
均方根误差RMSE：
Figure FDA0003538733850000032
其中，yi为真实值，
Figure FDA0003538733850000033
为预测值，n为预测区间长度，i为参数。
10.根据权利要求6所述多城市自动能源负荷预测***，其特征在于，所述训练单元具体用于：
设置搜索变量和损失函数；
根据所述损失函数执行贝叶斯优化过程，基于所述评价指标和预设的搜索点进行后验分布迭代，选中多个预测参数，构成多组最优参数组合；
使用所述最优参数组合训练LightGBM模型，以得到预测模型。
CN202210231951.4A 2022-03-09 2022-03-09 一种多城市自动能源负荷预测方法及*** Active CN114580758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210231951.4A CN114580758B (zh) 2022-03-09 2022-03-09 一种多城市自动能源负荷预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210231951.4A CN114580758B (zh) 2022-03-09 2022-03-09 一种多城市自动能源负荷预测方法及***

Publications (2)

Publication Number Publication Date
CN114580758A true CN114580758A (zh) 2022-06-03
CN114580758B CN114580758B (zh) 2023-07-18

Family

ID=81778876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210231951.4A Active CN114580758B (zh) 2022-03-09 2022-03-09 一种多城市自动能源负荷预测方法及***

Country Status (1)

Country Link
CN (1) CN114580758B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101182A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于贝叶斯网络和极限学习机的区间型指标预报方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN110718910A (zh) * 2019-10-29 2020-01-21 国网四川省电力公司经济技术研究院 贝叶斯优化LightGBM的暂态稳定评估方法
US20200074325A1 (en) * 2018-08-29 2020-03-05 National Chiao Tung University Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning
CN111476422A (zh) * 2020-04-10 2020-07-31 北京石油化工学院 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN113111924A (zh) * 2021-03-26 2021-07-13 邦道科技有限公司 电力客户分类方法及装置
CN113807568A (zh) * 2021-08-11 2021-12-17 南方电网科学研究院有限责任公司 一种电力负荷预测方法、装置及终端设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101182A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于贝叶斯网络和极限学习机的区间型指标预报方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
US20200074325A1 (en) * 2018-08-29 2020-03-05 National Chiao Tung University Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning
CN110718910A (zh) * 2019-10-29 2020-01-21 国网四川省电力公司经济技术研究院 贝叶斯优化LightGBM的暂态稳定评估方法
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN111476422A (zh) * 2020-04-10 2020-07-31 北京石油化工学院 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN113111924A (zh) * 2021-03-26 2021-07-13 邦道科技有限公司 电力客户分类方法及装置
CN113807568A (zh) * 2021-08-11 2021-12-17 南方电网科学研究院有限责任公司 一种电力负荷预测方法、装置及终端设备

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
JINWOONG PARK等: "A Two-Stage Multistep-Ahead Electricity Load Forecasting Scheme Based on LightGBM and Attention-BiLSTM", SENSOR *
RONGHUA WANG等: "Power System Transient Stability Assessment Based on Bayesian Optimized LightGBM", 2019 IEEE3RD CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION *
ZHE WANG等: "Predicting City-Scale Daily Electricity Consumption Using Data-Driven Models", BERKELEY LAB *
曲锐等: "基于半监督MPSVM的电力***暂态稳定评估", 广东电力, no. 04 *
苗韧等: "城市可持续发展能力评估体系构建研究", 生态经济, vol. 33, no. 03 *
苗韧等: "智慧能源建设和运行机制分析", 高科技与产业化 *
资艳玲: "基于特征提取与贝叶斯优化的电力负荷组合预测研究", pages 1 - 4 *

Also Published As

Publication number Publication date
CN114580758B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN107239529B (zh) 一种基于深度学习的舆情热点类别划分方法
CN109376772B (zh) 一种基于神经网络模型的电力负荷组合预测方法
CN111027629B (zh) 基于改进随机森林的配电网故障停电率预测方法及***
CN112699605B (zh) 一种充电桩故障元件预测方法及***
CN110782658A (zh) 一种基于LightGBM算法的交通量预测方法
CN109711424B (zh) 一种基于决策树的行为规则获取方法、装置及设备
CN112163553B (zh) 物料价格核算方法、装置、存储介质和计算机设备
CN110659367B (zh) 文本分类号的确定方法、装置以及电子设备
CN112785441B (zh) 数据处理方法、装置、终端设备及存储介质
CN115358481A (zh) 一种企业外迁预警识别的方法、***及装置
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN112685374B (zh) 日志分类方法、装置及电子设备
CN115169534A (zh) 卷积神经网络的样本优化训练方法及计算机可读存储介质
CN117114105B (zh) 基于科研大数据信息的目标对象推荐方法和***
CN111783827B (zh) 一种基于负荷数据的企业用户分类方法和装置
CN113127464A (zh) 农业大数据环境特征处理方法、装置及电子设备
CN111105041B (zh) 一种用于智慧数据碰撞的机器学习方法及装置
CN114580758B (zh) 一种多城市自动能源负荷预测方法及***
CN117010373A (zh) 一种电力设备资产管理数据所属类别和组的推荐方法
CN115035966B (zh) 基于主动学习和符号回归的超导体筛选方法、装置及设备
CN113361610B (zh) 葡萄酒产地智能识别方法及***
CN114443840A (zh) 一种文本分类方法、装置及设备
CN111950615A (zh) 一种基于树种优化算法的网络故障特征选择方法
CN115544258B (zh) 文本分类模型的样本构建方法及装置、文本分类方法
CN117892091B (zh) 基于人工智能的数据智能分析方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant