本技術(shù)涉及電力系統(tǒng)負(fù)荷分析，尤其涉及基于bayes-xgboost的母線負(fù)荷預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、母線負(fù)荷預(yù)測(cè)是電力系統(tǒng)管理中的一項(xiàng)基本任務(wù)，它涉及預(yù)測(cè)變電站主變壓器提供的相對(duì)較小的供電區(qū)域的總終端負(fù)荷，在現(xiàn)代電力系統(tǒng)的安全和經(jīng)濟(jì)運(yùn)行中起著重要作用，其預(yù)測(cè)結(jié)果能夠提前體現(xiàn)實(shí)時(shí)負(fù)荷的變化情況，可以確保高效發(fā)電，有效規(guī)避實(shí)時(shí)調(diào)度的運(yùn)行風(fēng)險(xiǎn)，最大程度降低負(fù)荷波動(dòng)對(duì)電力系統(tǒng)產(chǎn)生的不利影響，在電網(wǎng)安全預(yù)警和智能調(diào)度技術(shù)等領(lǐng)域具有極其重要的作用。

2、在母線負(fù)荷預(yù)測(cè)中，氣象因素是實(shí)現(xiàn)精準(zhǔn)建模中的重要因素，會(huì)直接影響到母線負(fù)荷預(yù)測(cè)的準(zhǔn)確性，但由于地理環(huán)境的復(fù)雜性以及氣象站與變電站匹配程度的差異性,不同氣象站的氣象數(shù)據(jù)會(huì)對(duì)模型的訓(xùn)練及預(yù)測(cè)精度產(chǎn)生不同影響。目前大多采用支持向量回歸(svr)和最小二乘支持向量機(jī)(lssvm)進(jìn)行母線負(fù)荷預(yù)測(cè)，由于svr和lssvm具有出色的學(xué)習(xí)性能和推廣能力，能夠提供更準(zhǔn)確的預(yù)測(cè)結(jié)果，但是當(dāng)樣本規(guī)模較大時(shí)，svr和lssvm的訓(xùn)練過(guò)程時(shí)間較長(zhǎng)，復(fù)雜度過(guò)高且效率低下。故本技術(shù)提出了基于bayes-xgboost的母線負(fù)荷預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)，在減少氣象數(shù)據(jù)對(duì)預(yù)測(cè)精度影響的同時(shí)，提高預(yù)測(cè)效率。

3、申請(qǐng)內(nèi)容

4、本技術(shù)提供了基于bayes-xgboost的母線負(fù)荷預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)，可以提高母線負(fù)荷的預(yù)測(cè)精度和效率。

5、第一方面，本技術(shù)提供了基于bayes-xgboost的母線負(fù)荷預(yù)測(cè)方法，包括：

6、獲取待預(yù)測(cè)母線的歷史負(fù)荷數(shù)據(jù)；

7、對(duì)所述待預(yù)測(cè)母線相應(yīng)的所述歷史負(fù)荷數(shù)據(jù)與氣象數(shù)據(jù)進(jìn)行相關(guān)性分析，確定與所述待預(yù)測(cè)母線相匹配的氣象站；

8、通過(guò)貝葉斯優(yōu)化算法優(yōu)化xgboost模型，得到所述待預(yù)測(cè)母線的母線負(fù)荷預(yù)測(cè)模型，其中，所述xgboost模型是根據(jù)所述待預(yù)測(cè)母線的所述歷史負(fù)荷數(shù)據(jù)、與所述氣象站相應(yīng)的氣象數(shù)據(jù)和所述氣象數(shù)據(jù)相應(yīng)的時(shí)間特征訓(xùn)練獲得；

9、向所述母線負(fù)荷預(yù)測(cè)模型中輸入待預(yù)測(cè)時(shí)間，預(yù)測(cè)所述待預(yù)測(cè)時(shí)間的所述待預(yù)測(cè)母線的負(fù)荷。

10、本技術(shù)實(shí)施例通過(guò)對(duì)所述待預(yù)測(cè)母線相應(yīng)的所述歷史負(fù)荷數(shù)據(jù)與氣象數(shù)據(jù)進(jìn)行相關(guān)性分析，進(jìn)而確定與所述待預(yù)測(cè)母線相匹配的氣象站，可以減少后期數(shù)據(jù)計(jì)算復(fù)雜度，提高數(shù)據(jù)處理效率，為后續(xù)模型訓(xùn)練提供更精準(zhǔn)的氣象特征；利用xgboost模型能夠提高整體模型的負(fù)荷預(yù)測(cè)的作用以及利用貝葉斯優(yōu)化算法搜尋xgboost模型的最優(yōu)參數(shù)的作用，能夠快速搜尋xgboost模型的所有最優(yōu)參數(shù)點(diǎn)，提高了整體模型的負(fù)荷預(yù)測(cè)性能和預(yù)測(cè)效率。

11、進(jìn)一步地，獲取待預(yù)測(cè)母線的歷史數(shù)據(jù)，具體為：

12、獲取所述待預(yù)測(cè)母線在預(yù)設(shè)時(shí)間段的實(shí)際負(fù)荷數(shù)據(jù)；

13、基于所述實(shí)際負(fù)荷數(shù)據(jù)，確定負(fù)荷最大值、負(fù)荷最小值以及負(fù)荷變化率。

14、這樣通過(guò)獲取多種負(fù)荷數(shù)據(jù)以作為xgboost模型的訓(xùn)練集，可以提高xgboost模型預(yù)測(cè)的性能。

15、進(jìn)一步地，對(duì)所述待預(yù)測(cè)母線相應(yīng)的所述歷史負(fù)荷數(shù)據(jù)與氣象數(shù)據(jù)進(jìn)行相關(guān)性分析，確定與所述待預(yù)測(cè)母線相匹配的氣象站，具體為：

16、獲取所述待預(yù)測(cè)母線與若干個(gè)氣象站的距離并進(jìn)行排序，按照預(yù)設(shè)規(guī)則對(duì)氣象站的距離進(jìn)行篩選，初步匹配與所述待預(yù)測(cè)母線相應(yīng)的氣象站組合；

17、從所述氣象站組合中獲取與所述歷史負(fù)荷數(shù)據(jù)相應(yīng)的氣象數(shù)據(jù)；

18、采用皮爾遜相關(guān)系數(shù)法與spearman相關(guān)系數(shù)法分析所述待預(yù)測(cè)母線相應(yīng)的所述歷史負(fù)荷數(shù)據(jù)與所述氣象站組合相應(yīng)的所述氣象數(shù)據(jù)的相關(guān)性，得到與所述歷史負(fù)荷數(shù)據(jù)相關(guān)性最大的氣象指標(biāo)；其中，所述氣象數(shù)據(jù)包括單一氣象數(shù)據(jù)、多日累計(jì)氣象數(shù)據(jù)和綜合氣象指數(shù)；

19、基于所述氣象指標(biāo)，確定與所述待預(yù)測(cè)母線相匹配的氣象站。

20、這樣通過(guò)對(duì)所述待預(yù)測(cè)母線相應(yīng)的所述歷史負(fù)荷數(shù)據(jù)與所述氣象數(shù)據(jù)進(jìn)行相關(guān)性分析，進(jìn)而確定與所述待預(yù)測(cè)母線相匹配的氣象站，可以減少后期數(shù)據(jù)計(jì)算復(fù)雜度，提高數(shù)據(jù)處理效率，為后續(xù)模型訓(xùn)練提供更精準(zhǔn)的氣象特征進(jìn)一步地，所述xgboost模型的公式具體為：

21、

22、式中，ξ為所述xgboost模型的目標(biāo)函數(shù)，為所述xgboost模型的損失函數(shù)，∑kφ(fk)為所述xgboost模型的正則化項(xiàng)，t為決策樹(shù)的個(gè)數(shù)，α為t的懲罰系數(shù)，β為正則化懲罰系數(shù)，ω為樹(shù)葉節(jié)點(diǎn)的列向量。

23、這樣通過(guò)考慮預(yù)測(cè)值與真實(shí)目標(biāo)值之間的偏差，以及通過(guò)損失函數(shù)約束模型的復(fù)雜度，可以避免過(guò)度擬合，能夠提高xgboost模型的負(fù)荷預(yù)測(cè)性能。

24、進(jìn)一步的，所述通過(guò)貝葉斯優(yōu)化算法優(yōu)化xgboost模型，得到所述待預(yù)測(cè)母線的母線負(fù)荷預(yù)測(cè)模型，具體為：

25、預(yù)設(shè)貝葉斯優(yōu)化算法的適應(yīng)度函數(shù)，并初始化所述適應(yīng)度函數(shù)的參數(shù)及其范圍；

26、基于所述適應(yīng)度函數(shù)和所述參數(shù)，對(duì)適應(yīng)度值進(jìn)行迭代計(jì)算，直至滿(mǎn)足終止條件，輸出代表超參數(shù)的適應(yīng)度值；其中，每次迭代時(shí)，會(huì)通過(guò)概率代理模型對(duì)所述適應(yīng)度值進(jìn)行評(píng)估，并基于評(píng)估結(jié)果更新所述貝葉斯優(yōu)化算法的所述參數(shù)和所述概率代理模型；

27、將所述超參數(shù)輸入所述xgboost模型進(jìn)行訓(xùn)練，得到所述待預(yù)測(cè)母線的母線負(fù)荷預(yù)測(cè)模型。

28、這樣通過(guò)貝葉斯優(yōu)化算法搜尋xgboost模型的最優(yōu)參數(shù)，可以搜尋下一個(gè)最優(yōu)的參數(shù)點(diǎn)，可以提高母線負(fù)荷的預(yù)測(cè)精度和效率。

29、進(jìn)一步地，所述向所述母線負(fù)荷預(yù)測(cè)模型中輸入待預(yù)測(cè)時(shí)間，預(yù)測(cè)所述待預(yù)測(cè)時(shí)間的所述待預(yù)測(cè)母線的負(fù)荷，具體為：

30、確認(rèn)待預(yù)測(cè)時(shí)間，并基于所述待預(yù)測(cè)時(shí)間獲取與所述待預(yù)測(cè)母線對(duì)應(yīng)的實(shí)際氣象數(shù)據(jù)和預(yù)報(bào)氣象數(shù)據(jù)；

31、將所述待預(yù)測(cè)時(shí)間，所述待預(yù)測(cè)母線對(duì)應(yīng)的所述實(shí)際氣象數(shù)據(jù)和所述預(yù)報(bào)氣象數(shù)據(jù)輸入所述母線負(fù)荷預(yù)測(cè)模型，預(yù)測(cè)所述待預(yù)測(cè)時(shí)間的所述待預(yù)測(cè)母線的負(fù)荷。

32、這樣通過(guò)將待預(yù)測(cè)時(shí)間、實(shí)際氣象數(shù)據(jù)和預(yù)報(bào)氣象數(shù)據(jù)輸入所述母線負(fù)荷預(yù)測(cè)模型可以準(zhǔn)確預(yù)測(cè)待預(yù)測(cè)時(shí)間的所述待預(yù)測(cè)母線的負(fù)荷。

33、第二方面，本技術(shù)提供了基于bayes-xgboost的母線負(fù)荷預(yù)測(cè)系統(tǒng)，包括：獲取模塊、分析模塊、優(yōu)化模塊和預(yù)測(cè)模塊；

34、所述獲取模塊，用于獲取待預(yù)測(cè)母線的歷史負(fù)荷數(shù)據(jù)；

35、所述分析模塊，用于對(duì)所述待預(yù)測(cè)母線相應(yīng)的所述歷史負(fù)荷數(shù)據(jù)與氣象數(shù)據(jù)進(jìn)行相關(guān)性分析，確定與所述待預(yù)測(cè)母線相匹配的氣象站；

36、所述優(yōu)化模塊，用于通過(guò)貝葉斯優(yōu)化算法優(yōu)化xgboost模型，得到所述待預(yù)測(cè)母線的母線負(fù)荷預(yù)測(cè)模型，其中，所述xgboost模型是根據(jù)所述待預(yù)測(cè)母線的所述歷史負(fù)荷數(shù)據(jù)、與所述氣象站相應(yīng)的氣象數(shù)據(jù)和所述氣象數(shù)據(jù)相應(yīng)的時(shí)間特征訓(xùn)練獲得；

37、所述預(yù)測(cè)模塊，用于輸入待預(yù)測(cè)時(shí)間，基于所述母線負(fù)荷預(yù)測(cè)模型，預(yù)測(cè)所述待預(yù)測(cè)時(shí)間的所述待預(yù)測(cè)母線的負(fù)荷。

38、本技術(shù)實(shí)施例通過(guò)對(duì)所述待預(yù)測(cè)母線相應(yīng)的所述歷史負(fù)荷數(shù)據(jù)與氣象數(shù)據(jù)進(jìn)行相關(guān)性分析，進(jìn)而確定與所述待預(yù)測(cè)母線相匹配的氣象站，可以減少后期數(shù)據(jù)計(jì)算復(fù)雜度，提高數(shù)據(jù)處理效率，為后續(xù)模型訓(xùn)練提供更精準(zhǔn)的氣象特征；利用xgboost模型能夠提高整體模型的負(fù)荷預(yù)測(cè)的作用以及利用貝葉斯優(yōu)化算法搜尋xgboost模型的最優(yōu)參數(shù)的作用，能夠快速搜尋xgboost模型的所有最優(yōu)參數(shù)點(diǎn)，提高了整體模型的負(fù)荷預(yù)測(cè)性能和預(yù)測(cè)效率。

39、進(jìn)一步的，所述獲取模塊包括：第一獲取單元和計(jì)算單元；

40、所述第一獲取單元，用于所述待預(yù)測(cè)母線在預(yù)設(shè)時(shí)間段的實(shí)際負(fù)荷數(shù)據(jù)；

41、所述計(jì)算單元，用于所述實(shí)際負(fù)荷數(shù)據(jù)中的負(fù)荷最大值、負(fù)荷最小值以及負(fù)荷變化率。

42、進(jìn)一步的，所述分析模塊包括：第二獲取單元、第三獲取單元、分析單元和匹配單元；

43、所述第二獲取單元，用于獲取所述待預(yù)測(cè)母線與若干個(gè)氣象站的距離并進(jìn)行排序，按照預(yù)設(shè)規(guī)則對(duì)氣象站的距離進(jìn)行篩選，初步匹配與所述待預(yù)測(cè)母線相應(yīng)的氣象站組合；

44、所述第三獲取單元，用于從所述氣象站組合中獲取與所述歷史負(fù)荷數(shù)據(jù)相應(yīng)的氣象數(shù)據(jù)；

45、所述分析單元，用于采用皮爾遜相關(guān)系數(shù)法與spearman相關(guān)系數(shù)法分析所述待預(yù)測(cè)母線相應(yīng)的所述歷史負(fù)荷數(shù)據(jù)與所述氣象站組合相應(yīng)的所述氣象數(shù)據(jù)的相關(guān)性，得到與所述歷史負(fù)荷數(shù)據(jù)相關(guān)性最大的氣象指標(biāo)；其中，所述氣象數(shù)據(jù)包括單一氣象數(shù)據(jù)、多日累計(jì)氣象數(shù)據(jù)和綜合氣象指數(shù)；

46、所述匹配單元，用于基于所述氣象指標(biāo)，確定與所述待預(yù)測(cè)母線相匹配的氣象站。

47、進(jìn)一步地，所述優(yōu)化模塊中的所述xgboost模型的公式具體為：

48、

49、式中，ξ為所述xgboost模型的目標(biāo)函數(shù)，為所述xgboost模型的損失函數(shù)，∑kφ(fk)為所述xgboost模型的正則化項(xiàng)，t為決策樹(shù)的個(gè)數(shù)，α為t的懲罰系數(shù)，β為正則化懲罰系數(shù)，ω為樹(shù)葉節(jié)點(diǎn)的列向量。

50、進(jìn)一步的，所述優(yōu)化模塊包括：初始化單元、更新單元和訓(xùn)練單元；

51、所述初始化單元，用于預(yù)設(shè)貝葉斯優(yōu)化算法的適應(yīng)度函數(shù)，并初始化所述適應(yīng)度函數(shù)的參數(shù)及其范圍；

52、所述更新單元，用于基于所述適應(yīng)度函數(shù)和所述參數(shù)，對(duì)適應(yīng)度值進(jìn)行迭代計(jì)算，直至滿(mǎn)足終止條件，輸出代表超參數(shù)的適應(yīng)度值；其中，每次迭代時(shí)，會(huì)通過(guò)概率代理模型對(duì)所述適應(yīng)度值進(jìn)行評(píng)估，并基于評(píng)估結(jié)果更新所述貝葉斯優(yōu)化算法的所述參數(shù)和所述概率代理模型；

53、所述訓(xùn)練單元，用于將所述超參數(shù)輸入所述xgboost模型進(jìn)行訓(xùn)練，得到所述待預(yù)測(cè)母線的母線負(fù)荷預(yù)測(cè)模型。

54、進(jìn)一步的，所述預(yù)測(cè)模塊包括：確定單元和預(yù)測(cè)單元；

55、所述確定單元，用于確認(rèn)待預(yù)測(cè)時(shí)間，并基于所述待預(yù)測(cè)時(shí)間獲取與所述待預(yù)測(cè)母線對(duì)應(yīng)的實(shí)際氣象數(shù)據(jù)和預(yù)報(bào)氣象數(shù)據(jù)；

56、所述預(yù)測(cè)單元，用于將所述待預(yù)測(cè)時(shí)間，所述待預(yù)測(cè)母線對(duì)應(yīng)的所述實(shí)際氣象數(shù)據(jù)和所述預(yù)報(bào)氣象數(shù)據(jù)輸入所述母線負(fù)荷預(yù)測(cè)模型，預(yù)測(cè)所述待預(yù)測(cè)時(shí)間的所述待預(yù)測(cè)母線的負(fù)荷。

57、第三方面，本技術(shù)提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)包括存儲(chǔ)的計(jì)算機(jī)程序，其中，在所述計(jì)算機(jī)程序運(yùn)行時(shí)控制所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行本技術(shù)所述的基于bayes-xgboost的母線負(fù)荷預(yù)測(cè)方法。

技術(shù)實(shí)現(xiàn)思路