CN114580758B - 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 PDFInfo
- Publication number
- CN114580758B CN114580758B CN202210231951.4A CN202210231951A CN114580758B CN 114580758 B CN114580758 B CN 114580758B CN 202210231951 A CN202210231951 A CN 202210231951A CN 114580758 B CN114580758 B CN 114580758B
- Authority
- CN
- China
- Prior art keywords
- energy load
- prediction
- city
- parameters
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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:
均方根误差RMSE:
其中,yi为真实值,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:
均方根误差RMSE:
其中,yi为真实值,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:
均方根误差RMSE:
其中,yi为真实值,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:
均方根误差RMSE:
其中,yi为真实值,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 (8)
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;
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;
所述类别变量名称列表包括标准化处理后标准数据框中自变量的类别变量;所述数据保存路径为数据集所处子目录的文件名称路径;所述城市名为所预测城市的全拼;所述滞后项为抽取前多少天的因变量作为特征进行预测;所述预测区间长度为待预测的序列长度;所述固定参数字典为LightGBM模型中不参与优化的超参数名称字典;所述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;所述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;所述贝叶斯优化迭代数为每个初始值优化迭代次数。
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,
所述评价指标包括:
平均绝对百分比误差MAPE:
均方根误差RMSE:
其中,yi为真实值,为预测值,n为预测区间长度,i为参数。
4.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。
5.一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;
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;
所述类别变量名称列表包括标准化处理后标准数据框中自变量的类别变量;所述数据保存路径为数据集所处子目录的文件名称路径;所述城市名为所预测城市的全拼;所述滞后项为抽取前多少天的因变量作为特征进行预测;所述预测区间长度为待预测的序列长度;所述固定参数字典为LightGBM模型中不参与优化的超参数名称字典;所述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;所述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;所述贝叶斯优化迭代数为每个初始值优化迭代次数。
6.根据权利要求5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。
7.根据权利要求5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:
均方根误差RMSE:
其中,yi为真实值,为预测值,n为预测区间长度,i为参数。
8.根据权利要求5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。
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 CN114580758A (zh) | 2022-06-03 |
CN114580758B true 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 (4)
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 |
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 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416695B (zh) * | 2018-02-24 | 2020-07-07 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和***、介质 |
TWI676940B (zh) * | 2018-08-29 | 2019-11-11 | 國立交通大學 | 以機械學習為基礎之最佳化預測模型的建立與預測結果的取得系統及方法 |
CN111275240B (zh) * | 2019-12-27 | 2023-06-09 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
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 |
-
2022
- 2022-03-09 CN CN202210231951.4A patent/CN114580758B/zh active Active
Patent Citations (4)
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 |
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 |
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 (6)
Title |
---|
A Two-Stage Multistep-Ahead Electricity Load Forecasting Scheme Based on LightGBM and Attention-BiLSTM;Jinwoong Park等;Sensor;全文 * |
Power System Transient Stability Assessment Based on Bayesian Optimized LightGBM;Ronghua Wang等;2019 IEEE3rd Conference on Energy Internet and Energy System Integration;全文 * |
Predicting City-Scale Daily Electricity Consumption Using Data-Driven Models;Zhe Wang等;Berkeley LAB;全文 * |
城市可持续发展能力评估体系构建研究;苗韧等;生态经济;第33卷(第03期);全文 * |
基于半监督MPSVM的电力***暂态稳定评估;曲锐等;广东电力(第04期);全文 * |
智慧能源建设和运行机制分析;苗韧等;高科技与产业化;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114580758A (zh) | 2022-06-03 |
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 | |
CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
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*** | |
CN112307153B (zh) | 一种产业知识库自动构建方法、装置及存储介质 | |
CN111738477A (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
CN114580691A (zh) | 燃气使用需求的预测方法、装置、计算机设备及存储介质 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及*** | |
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 | |
CN114580758B (zh) | 一种多城市自动能源负荷预测方法及*** | |
CN112950048A (zh) | 基于模糊综合评价的国家高等教育体系健康评价 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
CN116070958A (zh) | 归因分析方法、装置、电子设备和存储介质 | |
CN115526420A (zh) | 一种基于外部影响因素关联性的电力负荷预测方法及*** | |
CN112801356A (zh) | 一种基于ma-lssvm的电力负荷预测方法 | |
CN111950615A (zh) | 一种基于树种优化算法的网络故障特征选择方法 | |
CN117892091B (zh) | 基于人工智能的数据智能分析方法及*** | |
CN117237130B (zh) | 一种税务风险数据采集监控方法及*** | |
CN118428819A (zh) | 一种基于智能学习的装备评估指标体系及其构建方法与应用 | |
WO2022156743A1 (zh) | 特征构建方法和装置、模型训练方法和装置、设备、介质 | |
CN118350921A (zh) | 新型农业经营主体信用评价方法、装置、设备及存储介质 | |
CN116777292A (zh) | 基于多批次小样本航天产品的缺陷率指标修正方法 |
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 |