本發(fā)明涉及人工智能負(fù)荷預(yù)測(cè)，具體是一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法。

背景技術(shù)：

1、電力負(fù)荷預(yù)測(cè)是電力供需形勢(shì)分析的基礎(chǔ)，是保障電力供應(yīng)的有效手段。準(zhǔn)確的負(fù)荷預(yù)測(cè)結(jié)果，是調(diào)控區(qū)域電力負(fù)荷，保障電網(wǎng)供電經(jīng)濟(jì)性和可靠性的數(shù)據(jù)參考依據(jù)，有助于維護(hù)電力設(shè)備運(yùn)行并提高利用率。伴隨電力體制改革的不斷深入，電力行業(yè)低碳轉(zhuǎn)型對(duì)負(fù)荷預(yù)測(cè)的精度也提出了更高的要求。

2、而節(jié)假日對(duì)負(fù)荷預(yù)測(cè)準(zhǔn)確率通常會(huì)產(chǎn)生較大的影響，主要體現(xiàn)在以下幾個(gè)方面：

3、(1)經(jīng)濟(jì)活動(dòng)變化，部分節(jié)假日會(huì)對(duì)商業(yè)和工業(yè)的生產(chǎn)經(jīng)營活動(dòng)產(chǎn)生影響，一些企業(yè)可能提前或延后生產(chǎn)，市場(chǎng)需求下降以及政策等多種因素的影響，導(dǎo)致用電負(fù)荷的時(shí)間分布發(fā)生變化。其中第二產(chǎn)業(yè)尤為顯著；

4、(2)數(shù)據(jù)樣本有限，由于節(jié)假日的特殊性，其出現(xiàn)的頻率相對(duì)較低，導(dǎo)致用于建模和分析的歷史數(shù)據(jù)樣本相對(duì)有限，難以準(zhǔn)確捕捉其用電規(guī)律，普通的參數(shù)優(yōu)化等統(tǒng)計(jì)學(xué)算法效果不佳；

5、(3)長假期的復(fù)雜性，如春節(jié)、國慶這樣的長假，用電模式在假期的不同階段可能有較大差異，使得預(yù)測(cè)模型需要考慮更多的變化因素。節(jié)假日的用電模式復(fù)雜多變，不確定性因素較多，導(dǎo)致負(fù)荷預(yù)測(cè)的難度顯著增加。

6、節(jié)假日的各種特殊因素使得用電模式變得復(fù)雜且難以預(yù)測(cè)，從而對(duì)負(fù)荷預(yù)測(cè)的準(zhǔn)確率產(chǎn)生了較大的負(fù)面影響。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)存在的上述缺陷，本發(fā)明提出了一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法，可以提升預(yù)測(cè)準(zhǔn)確率。

2、本發(fā)明采用如下技術(shù)方案實(shí)現(xiàn)：

3、一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法，包括如下步驟：

4、步驟1：定義學(xué)習(xí)域，所述學(xué)習(xí)域由多個(gè)節(jié)假日域歷史樣本組成，并對(duì)節(jié)假日域歷史樣本進(jìn)行數(shù)據(jù)預(yù)處理；

5、步驟2：對(duì)預(yù)處理后的節(jié)假日域歷史樣本進(jìn)行特征工程，將每個(gè)節(jié)假日域抽象為同質(zhì)化樣本，將節(jié)假日域抽象為與具體節(jié)假日類型無關(guān)僅與節(jié)假日長度及節(jié)日在節(jié)假日域中的位置相關(guān)的特征因子；

6、步驟3：在學(xué)習(xí)域訓(xùn)練模型：將步驟2獲取的特征因子加入到負(fù)荷預(yù)測(cè)模型中，經(jīng)過調(diào)參和優(yōu)化，訓(xùn)練出節(jié)假日模型；

7、步驟4：定義目標(biāo)域，即待預(yù)測(cè)的節(jié)假日域負(fù)荷，對(duì)目標(biāo)域中的節(jié)假日按步驟2進(jìn)行同質(zhì)化的特征工程，用步驟3訓(xùn)練好的節(jié)假日模型預(yù)測(cè)目標(biāo)域中節(jié)假日域負(fù)荷。

8、進(jìn)一步的，在步驟1中，對(duì)節(jié)假日域歷史樣本進(jìn)行數(shù)據(jù)預(yù)處理包括：收集負(fù)荷歷史數(shù)據(jù)，并對(duì)其進(jìn)行清洗，包括處理數(shù)據(jù)中的缺失值和異常值；對(duì)節(jié)假日域歷史樣本負(fù)荷進(jìn)行歸一化處理。

9、進(jìn)一步的，所述對(duì)節(jié)假日域歷史樣本負(fù)荷進(jìn)行歸一化處理，具體包括：(1)計(jì)算每個(gè)節(jié)假日域前一周各時(shí)點(diǎn)平均負(fù)荷；

10、

11、其中，t-7至t-1指節(jié)假日域前一周，pi日96點(diǎn)負(fù)荷數(shù)據(jù)中第i個(gè)時(shí)點(diǎn)的負(fù)荷；

12、(2)將節(jié)假日域每日96點(diǎn)負(fù)荷進(jìn)行歸一化：

13、pi(normal)＝pi/pi(average)(i＝1,...,96)

14、其中，pi(normal)指歸一化的某個(gè)點(diǎn)的負(fù)荷。

15、進(jìn)一步的，在步驟2中，所述特征因子包括每個(gè)樣本的節(jié)假日長度、節(jié)假日進(jìn)度、節(jié)假日位置以及負(fù)荷時(shí)點(diǎn)序號(hào)，具體如下：

16、(1)節(jié)假日長度：每個(gè)節(jié)假日法定長度tholiday；

17、(2)節(jié)假日進(jìn)度：sv＝sn/tholiday

18、其中sn為進(jìn)度編號(hào)，對(duì)節(jié)假日域每天按進(jìn)度編號(hào)，[-n,-n+1,...0,1,...,tholiday,tholiday1,...,tholiday+n-1]；其中-n為假日前第n天，0為假日第1天，為tholiday假期后第一天，tholiday+n-1為假日后第n天；

19、(4)節(jié)假日位置:l取值范圍[0,1]

20、l＝i/(tholiday-1)

21、其中i表示預(yù)測(cè)日是假日的第幾天，0記為第1天，tholiday表示節(jié)日長度；

22、(4)負(fù)荷時(shí)點(diǎn)序號(hào)：

23、

24、其中00:00分為1，00:15分為2，23:45分為96。

25、進(jìn)一步的，步驟3具體包括：

26、經(jīng)過特征工程后，將歸一化后的負(fù)荷負(fù)荷、節(jié)假日長度、節(jié)假日進(jìn)度、節(jié)假日位置和負(fù)荷時(shí)點(diǎn)序號(hào)作為增加的特征因子，加入到負(fù)荷預(yù)測(cè)模型中，得到節(jié)假日域模型歷史樣本數(shù)據(jù)集；將學(xué)習(xí)域的數(shù)據(jù)集以7：3的比例劃分訓(xùn)練集和驗(yàn)證集，選擇梯度提升樹gbdt集成學(xué)習(xí)模型進(jìn)行訓(xùn)練；使用貝葉斯優(yōu)化算法進(jìn)行自動(dòng)調(diào)參，設(shè)置調(diào)參次數(shù)為500次，以rmse作為模型評(píng)價(jià)標(biāo)準(zhǔn)，經(jīng)訓(xùn)練后得到節(jié)假日模型。

27、進(jìn)一步的，步驟4具體包括：

28、確定目標(biāo)域，ttotal＝tpre+th?oliday+tfollow

29、其中tpre為假日前受影響的天數(shù)；tholiday為法定假日天數(shù)；tfollow為假日后受影響的天數(shù)；ttotal為節(jié)假日域總長度；

30、使用學(xué)習(xí)域同質(zhì)化特征提取方法，為目標(biāo)域生成特征數(shù)據(jù)，生成對(duì)應(yīng)的節(jié)假日長度、節(jié)假日進(jìn)度、節(jié)假日位置和負(fù)荷時(shí)點(diǎn)序號(hào)4組特征，同時(shí)計(jì)算節(jié)假日前一周的各時(shí)點(diǎn)的平均負(fù)荷；

31、

32、其中，t-7至t-1指節(jié)假日域前一周，pi日96點(diǎn)負(fù)荷數(shù)據(jù)中第i個(gè)時(shí)點(diǎn)的負(fù)荷；

33、將學(xué)習(xí)域中訓(xùn)練好的模型應(yīng)用到目標(biāo)域，根據(jù)目標(biāo)域的特征因子，預(yù)測(cè)目標(biāo)域歸一化后的負(fù)荷值：

34、pi(normal)i＝1,...,96)

35、對(duì)模型預(yù)測(cè)得到的歸一化負(fù)荷值根據(jù)計(jì)算的平均負(fù)荷執(zhí)行反歸一化處理，從而獲得業(yè)務(wù)真實(shí)的時(shí)點(diǎn)負(fù)荷值：

36、pi＝pi(normal)*pi(average)(i＝1,...,96)

37、其中，pi(normal)指模型預(yù)測(cè)得到的歸一化的某個(gè)點(diǎn)的負(fù)荷；pi(average)為對(duì)應(yīng)的節(jié)假日域前一周的某個(gè)點(diǎn)的平均負(fù)荷。

38、本發(fā)明通過對(duì)歷史預(yù)測(cè)誤差及影響因素的分析，對(duì)節(jié)假日進(jìn)行抽象建模，可解決節(jié)假日樣本稀少的數(shù)據(jù)問題，采用橫向?qū)W習(xí)節(jié)假日負(fù)荷走勢(shì)的一般規(guī)律，增加了樣本厚度，通過訓(xùn)練某省2023年以來的數(shù)據(jù)，回測(cè)預(yù)測(cè)精度顯著提升。在2024年清明和五一期間，該方法在原有算法不變基礎(chǔ)上，采用新的節(jié)假日模型，預(yù)測(cè)準(zhǔn)確率提高10％以上。

技術(shù)特征：

1.一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法，其特征在于，在步驟1中，對(duì)節(jié)假日域歷史樣本進(jìn)行數(shù)據(jù)預(yù)處理包括：收集負(fù)荷歷史數(shù)據(jù)，并對(duì)其進(jìn)行清洗，包括處理數(shù)據(jù)中的缺失值和異常值；對(duì)節(jié)假日域歷史樣本負(fù)荷進(jìn)行歸一化處理。

3.根據(jù)權(quán)利要求2所述的一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法，其特征在于，所述對(duì)節(jié)假日域歷史樣本負(fù)荷進(jìn)行歸一化處理，具體包括：

4.根據(jù)權(quán)利要求1所述的一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法，其特征在于，在步驟2中，所述特征因子包括每個(gè)樣本的節(jié)假日長度、節(jié)假日進(jìn)度、節(jié)假日位置以及負(fù)荷時(shí)點(diǎn)序號(hào)，具體如下：

5.根據(jù)權(quán)利要求1所述的一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法，其特征在于，步驟3具體包括：

6.根據(jù)權(quán)利要求1所述的一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法，其特征在于，步驟4具體包括：

技術(shù)總結(jié)
一種基于遷移學(xué)習(xí)思想的節(jié)假日負(fù)荷預(yù)測(cè)方法，包括：定義學(xué)習(xí)域，學(xué)習(xí)域由多個(gè)節(jié)假日域歷史樣本組成，并對(duì)節(jié)假日域歷史樣本進(jìn)行數(shù)據(jù)預(yù)處理；對(duì)預(yù)處理后的節(jié)假日域歷史樣本進(jìn)行特征工程，將每個(gè)節(jié)假日域抽象為同質(zhì)化樣本，將節(jié)假日域抽象為與具體節(jié)假日類型無關(guān)僅與節(jié)假日長度及節(jié)日在節(jié)假日域中的位置相關(guān)的特征因子；在學(xué)習(xí)域訓(xùn)練模型：將獲取的特征因子加入到負(fù)荷預(yù)測(cè)模型中，經(jīng)過調(diào)參和優(yōu)化，訓(xùn)練出節(jié)假日模型；定義目標(biāo)域，即待預(yù)測(cè)的節(jié)假日域負(fù)荷，對(duì)目標(biāo)域中的節(jié)假日進(jìn)行同質(zhì)化的特征工程，用訓(xùn)練好的節(jié)假日模型預(yù)測(cè)目標(biāo)域中節(jié)假日域負(fù)荷。本發(fā)明將生成的模型遷移到未來的節(jié)假日中預(yù)測(cè)假期負(fù)荷，可以提升預(yù)測(cè)準(zhǔn)確率。

技術(shù)研發(fā)人員：程開春,高莉紅,肖雅,陳經(jīng)緯,林濤,劉思宇,歐陽蔚琦,唐知涵,程擇鍇,吳弘雨,羅國兵,邱旭山,劉琪,吳微娜,朱亮,劉洋,潘軍,卜智睿,陳家偉,王麗娟,張潤青
受保護(hù)的技術(shù)使用者：國網(wǎng)湖北省電力有限公司營銷服務(wù)中心（湖北省電力負(fù)荷管理中心、計(jì)量中心、資金集約中心）
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6