基于特征选择和组合预测模型的母线负荷短期预测方法

本发明属于负荷预测领域，涉及中压配电网负荷短期预测技术，具体涉及一种基于特征选择和组合预测模型的负荷短期预测方法。

背景技术：

1、构建新型电力系统，进行准确高效的短期负荷预测是实现电力系统安全稳定经济运行重要条件。由于大量分布式电源在负荷侧并网数目增加，气象、日期等外部因素的影响进一步增加了负荷不确定性。为了提高配电网运行的稳定性和运行效率，对负荷影响因素进行特征优选，进而构建合理的负荷预测模型是实现这一目标的重要措施。

2、构建负荷预测模型可供选择气象特征众多，针对如何选择合适气象特征作为预测模型的特征输入问题，国内专家和学者进行了积极的研究工作。龚钢军等通过对比各气象特征与负荷间最大信息系数(mic)大小选择合适气象特征作为特征输入，具有较高的特征选择效率。孙辉等使用日期时间特征计算气象特征波动矩阵，在模型中动态约束气象特征输入值，提高了预测准确性。蔡舒平等采用fisher信息对气象特征进行加权，将处理后的气象特征作为模型输入特征，使预测模型在气象条件变化剧烈时取得较好的预测效果。

3、负荷预测模型中，采用深度学习方法相较于传统数学统计和机器学习方法，能够在学习影响负荷多元特征。时序特征提取可以通过循环神经网络(rnn)及其改进算法实现。赵洋等使用基于因果卷积结构的时域卷积神经网络(tcn)，增强了负荷时序预测模型提取时序特征中短时特征能力。任建吉采用了卷积神经网络(cnn)来处理长时间序列特征，同时在模型中引入注意力机制，实现了较好的负荷超短期预测效果。

4、在负荷组合预测模型中，通过融合多种算法的优点，提高预测模型的泛化能力。杨海柱等应用互补集合经验模态分解算法(ceemd)、算术优化算法(aoa)分别对模型进行时序特征构建和超参数优化，显著的提升了模型的预测性能。刘亚珲等通过分解算法对原始负荷时间序列进行分解，构建不同分量预测模型，将各模型预测结果相加得到最终结果，提高了负荷预测模型非线性拟合能力。陈锦鹏等采用二次模态算法分解负荷时间序列，结合深度学习方法与多元线性回归分别进行预测，由预测结果重构得到实际预测值，实现了较高预测精度。

5、目前，通过相关系数大小阈值来决定模型的最终输入特征，具有操作简单、计算快的特点，并使用各类神经网络能够建立较为合理的预测模型，但仍存在以下问题：1、仅通过相关性大小阈值选择的特征具有较高冗余性，使模型输入变得更为复杂；2、未考虑模型对不同特征学习能力差异以及适用性，使用单一的时间序列预测模型或回归预测模型未能同时充分利用气象特征、日期时间特征以及时序特征。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，提供一种基于特征选择和组合预测模型的负荷短期预测方法，该方法通过特征选择流程选择最优气象特征，构建组合预测模型输出预测结果，为调度人员对电力系统的调度计划安排提供了依据。

2、技术方案：为实现上述目的，本发明提供一种基于特征选择和组合预测模型的母线负荷短期预测方法，包括如下步骤：

3、s1：基于最优气象特征选择流程从多种气象特征构建的原始气象特征集中选择最优气象特征集；

4、s2：以数值天气预报提供的未来最优气象特征值和日期时间特征值一起作为特征，构建bp回归负荷预测模型，输出负荷回归预测值；

5、s3：以最优气象特征历史值和负荷历史值一起作为时间序列预测模型的特征，构建cnn-bigru时间序列负荷预测模型，输出负荷时序预测值；

6、s4：以bp回归预测模型的负荷回归预测值、时间序列预测模型的负荷时序预测值以及待预测负荷的日类型特征值一起作为特征，构建组合回归预测模型，输出最终负荷预测值。

7、进一步地，所述步骤s1中原始气象特征集中包括11类常规气象因素特征和4类综合气象因素特征，常规气象因素包含地表的水平面上入射的总太阳辐照度、地表平均大气压、紫外线辐射暴露指数、地表上方10米处的平均风速、地表以上2米处的平均干球温度、地表上方10米处的风向平均值、地表以上2米处露点温度、地表以上2米处湿球温度、地表以上2米处比湿度、地表2米处相对湿度、降水量，综合气象因素包含热指数、风寒指数、温湿指数、人体舒适度指数。

8、进一步地，所述步骤s1中通过计算特征增益大小来选择特征加入最优特征子集中来确定最优气象特征集，具体的流程为：

9、a1：相关性计算：

10、单个气象特征与负荷互信息大小计算：

11、ci＝mi(xi,y),xi∈rf                   (2)

12、式中，xi为原始气象特征集rf中第i个特征，ci记作第i个气象特征与负荷的互信息大小，当ci越大说明该气象特征与负荷相关性越强；

13、a2：冗余性计算：

14、最优特征集记作of，评价原始气象特征集中单个特征xi加入最优气象特征集中的冗余性，记作ri，计算公式为：

15、of＝{x1,x2,...,xm}                      (3)

16、

17、式中，xj为最优气象特征集中第j个特征，原始气象特征集合选择的单个特征xi与最优特征子集的冗余性，选择具有较小的冗余性特征，避免了最优气象特征集中同时选择多个相似特征；

18、a3：协同作用计算：

19、协同作用指多个气象特征变量同时对负荷变量的作用，用复相关系数度量，复相关系数越大，相关性越强。复相关系数用于描述最优特征集对标签的作用大小，基于多元线性回归模型求得，计算公式为：

20、

21、式中，yt为实际负荷值，ya为实际负荷值的平均值，yr为多元线性回归的回归值；考虑原始气象特征集中单个特征xi加入最优气象特征集时的协同作用大小记作si，计算公式如式(7)，

22、yi＝mlr({xi}∪of,y)                      (6)

23、si＝r(yi,y)                           (7)

24、式中，mlr表示多元线性回归模型，自变量为最优气象特征集of和原始气象特征集中第i个特征xi的并集，y为回归方程因变量即负荷真实值，yi对应为回归方程回归值；

25、a4：特征集增益计算：

26、若考虑将原始气象特征集中单个特征xi加入最优气象特征集中，此时的最优气象特征集增益写作gi，计算公式如下：

27、gi(α,β,xi)＝ci-αri+βsi                    (8)

28、式中，ci为原始气象特征集中气象特征xi与负荷相关性大小，ri为气象特征xi加入最优气象特征集中的冗余性大小，si为气象特征加入最优气象特征集后的协同作用大小，α和β分别为控制冗余性和协同作用的权重系数；通过权重系数来控制单个气象特征xi加入最优气象特征集时的增益正负，当α增大，最优气象特征集中特征之间的冗余性越小，选择的特征数目越少，β增大，最优气象特征集则越侧重于考虑特征的协同作用。当ci大于0时特征集增益为正，反之为负。

29、进一步地，所述步骤s1中最优气象特征选择流程为：

30、将原始气象特征集合记为rf，写作：

31、

32、基于原始气象特征集中单个特征加入最优气象特征集中的特征集增益正负，为正时将该特征加入最优气象特征集，同时从原始气象特征集中去除；增益为负时则将该特征直接从原始气象特征集中去除；再进行下一步迭代，直到原始气象特征集合为空集结束，输出的结果为最优气象特征集，记作of。

33、进一步地，所述步骤s1中最优气象特征选择流程包括如下步骤：

34、b1：输入初始数据，原始气象特征集rf、最优气象特征集of、权重系数α和β；

35、b2：从原始气象特征集中选择具有最大相关性的特征作为最优气象特征集的初始特征；

36、b3：：从原始气象特征集中选择具有最大相关性的特征，计算最优气象特征集增益，若增益大于0，则将该特征加入最优气象特征集，同时从原始气象特征剔除该特征，反之则直接从原始气象特征剔除该特征；

37、b4：判断原始气象特征集是否为空，满足条件时结束程序，输出最优气象特征集，反之则跳转至第三步。

38、进一步地，所述步骤s2具体为：

39、c1：构建负荷日期时间特征，包括预测点的公历年、预测点的公历月、预测点的公历日、预测点的农历年、预测点的农历月、预测点的农历日、预测点时刻的时、预测点所属日在一周中的日类型、预测点所属日的节假日信息；

40、c2：将日期时间特征值输入单层全连接神经网络，输出各个最优气象特征的权重，对从数值天气预报得到的未来最优气象特征值进行逐个加权，得到加权后最优气象特征值；

41、c3：使用单层全连接神经网络对加权后的n维最优气象特征值进行特征编码，其中n为最优气象特征个数，输出气象特征的128维编码值；同样采用单层全连接神经网络对维度为9的时间日期特征值进行编码，输出时间日期特征的128维编码值；然后两个编码值进行向量拼接，得到256维特征向量，作为bp神经网络的特征，输出负荷的回归预测值。

42、进一步地，所述步骤c2中采用加权结构编码层对气象特征值进行动态加权，加权结构编码层由多层神经网络全连接层组成，输出时变特征权重矩阵[ω1,ω2,…,ωm]，将气象特征矩阵[x1,x2,…,xm]加权。

43、进一步地，所述步骤c2中对气象特征值进行动态加权的过程为：

44、记日期时间特征集为df，将特征输入记为xdf，考虑仅一层隐含层编码结构，动态气象特征赋权过程写作：

45、

46、[x1′,x2′,...,xm′]＝[ω1,ω2,...,ωm] xof                (12)

47、式(11)中，xdf为日期时间输入向量，w为编码层权重系数矩阵，b为编码层的偏置项向量，为激活函数，ω为动态特征权重；式(12)为特征赋权过程，m为of中元素个数，对两向量进行哈达玛积运算，结果即为加权气象特征向量。

48、进一步地，所述步骤s3具体为：

49、历史值长度选取预测开始时刻前一天的数值，间隔为1小时。历史负荷特征值的数据结构为24×1，使用单层一维卷积神经网络对其进行特征编码，输出编码后的历史负荷特征数据结构为24×32；历史最优气象特征值的数据结构为24×n，其中n为最优气象特征个数，同样使用单层一维卷积神经网络对其进行特征编码，输出编码后历史气象特征数据结构为24×32，然后进行向量拼接得到数据结构为24×64的时间序列模型的输入。

50、进一步地，所述步骤s3中时间序列预测模型采用一维cnn结合bigru神经网络的cnn-bigru模型，对长时间序列的时序特征进行提取，学习历史负荷时序特征变化趋势和历史气象特征的累积作用下的负荷变化特点；

51、时间序列预测模型中所采用的bigru包含gru神经网络与双向循环神经网络结构两部分；每个时间步长gru状态参数计算如公式(15)，

52、

53、式中：z为更新门，r为重置门；g为当前状态门控制器，h为当前时间步的激活状态，h'为上一时间步激活状态，x为当前时间步输入特征向量；wz、wr、wg分别为对应门控制器权重矩阵，bz、br、bg分别对应门控制器的偏置项；

54、bigru以gru为基础加入双向循环神经网络结构，在学习时序特征时包含前向和反向两个传播方向，输出时结合两个方向的特征，此过程加强了gru模型对时序特征的提取能力，计算公式如式(16)所示。

55、

56、式中：xt和yt分别为第t时间步输入和输出，ht、ht'分别为第t时间步的前向层和反向层的输出状态量；w1和w1'分别为前向和反向状态量映射至输出层权重矩阵；w2和w2'分别为输入量映射至前向和反向状态量的权重矩阵；w3和w3'分别为第t-1时间步前向和反向状态量映射至t时间步状态量的权重矩阵；和分别为前向和反向两个方向的激活函数。

57、本发明的步骤s4中融合bp回归预测模型的负荷回归预测值与时间序列模型的负荷时序预测值，即将步骤s2中和步骤s3中负荷预测结果，以及待预测负荷的日类型特征值进行组合，作为组合回归预测模型特征，输出待预测负荷的最终预测结果。

58、有益效果：本发明与现有技术相比，具备如下优点：

59、1、综合考虑了15种气象因素可能对负荷的影响，通过特征选择来选择建立负荷预测模型最优气象特征，同时还构建了9类日期时间特征描述负荷在时间维度上的变化趋势。综合考虑多种气象因素并通过特征选择，可以更全面地了解负荷变化的气象原因，提高模型可解释性，通过详细的时间日期特征能够使模型更好地捕捉负荷的季节性、周期性和趋势性变化，进一步提高预测的准确性。

60、2、基于气象特征的最大相关性、最小冗余性和最大协同作用提出了一种最优气象特征选择流程，能够选择到最优气象特征，有效提高了模型预测准确性。

61、3、基于不同特征的不同时间维度采用bp回归模型与时间序列模型相结合的短期负荷组合预测模型，充分拟合了未来的日期时间特征、气象特征，准确描述历史负荷、历史气象时间序列中的时序特征和气象因素的累积效应，可以更准确地预测未来的负荷变化。此外，通过使用bp回归模型和时间序列模型相结合的方法，利用了它们各自对不同特征的学习能力优势，从而提高预测精度。