基于Bayes-XGBoost的母线负荷预测方法、系统及存储介质与流程

本技术涉及电力系统负荷分析，尤其涉及基于bayes-xgboost的母线负荷预测方法、系统及存储介质。

背景技术：

1、母线负荷预测是电力系统管理中的一项基本任务，它涉及预测变电站主变压器提供的相对较小的供电区域的总终端负荷，在现代电力系统的安全和经济运行中起着重要作用，其预测结果能够提前体现实时负荷的变化情况，可以确保高效发电，有效规避实时调度的运行风险，最大程度降低负荷波动对电力系统产生的不利影响，在电网安全预警和智能调度技术等领域具有极其重要的作用。

2、在母线负荷预测中，气象因素是实现精准建模中的重要因素，会直接影响到母线负荷预测的准确性，但由于地理环境的复杂性以及气象站与变电站匹配程度的差异性,不同气象站的气象数据会对模型的训练及预测精度产生不同影响。目前大多采用支持向量回归(svr)和最小二乘支持向量机(lssvm)进行母线负荷预测，由于svr和lssvm具有出色的学习性能和推广能力，能够提供更准确的预测结果，但是当样本规模较大时，svr和lssvm的训练过程时间较长，复杂度过高且效率低下。故本技术提出了基于bayes-xgboost的母线负荷预测方法、系统及存储介质，在减少气象数据对预测精度影响的同时，提高预测效率。

3、申请内容

4、本技术提供了基于bayes-xgboost的母线负荷预测方法、系统及存储介质，可以提高母线负荷的预测精度和效率。

5、第一方面，本技术提供了基于bayes-xgboost的母线负荷预测方法，包括：

6、获取待预测母线的历史负荷数据；

7、对所述待预测母线相应的所述历史负荷数据与气象数据进行相关性分析，确定与所述待预测母线相匹配的气象站；

8、通过贝叶斯优化算法优化xgboost模型，得到所述待预测母线的母线负荷预测模型，其中，所述xgboost模型是根据所述待预测母线的所述历史负荷数据、与所述气象站相应的气象数据和所述气象数据相应的时间特征训练获得；

9、向所述母线负荷预测模型中输入待预测时间，预测所述待预测时间的所述待预测母线的负荷。

10、本技术实施例通过对所述待预测母线相应的所述历史负荷数据与气象数据进行相关性分析，进而确定与所述待预测母线相匹配的气象站，可以减少后期数据计算复杂度，提高数据处理效率，为后续模型训练提供更精准的气象特征；利用xgboost模型能够提高整体模型的负荷预测的作用以及利用贝叶斯优化算法搜寻xgboost模型的最优参数的作用，能够快速搜寻xgboost模型的所有最优参数点，提高了整体模型的负荷预测性能和预测效率。

11、进一步地，获取待预测母线的历史数据，具体为：

12、获取所述待预测母线在预设时间段的实际负荷数据；

13、基于所述实际负荷数据，确定负荷最大值、负荷最小值以及负荷变化率。

14、这样通过获取多种负荷数据以作为xgboost模型的训练集，可以提高xgboost模型预测的性能。

15、进一步地，对所述待预测母线相应的所述历史负荷数据与气象数据进行相关性分析，确定与所述待预测母线相匹配的气象站，具体为：

16、获取所述待预测母线与若干个气象站的距离并进行排序，按照预设规则对气象站的距离进行筛选，初步匹配与所述待预测母线相应的气象站组合；

17、从所述气象站组合中获取与所述历史负荷数据相应的气象数据；

18、采用皮尔逊相关系数法与spearman相关系数法分析所述待预测母线相应的所述历史负荷数据与所述气象站组合相应的所述气象数据的相关性，得到与所述历史负荷数据相关性最大的气象指标；其中，所述气象数据包括单一气象数据、多日累计气象数据和综合气象指数；

19、基于所述气象指标，确定与所述待预测母线相匹配的气象站。

20、这样通过对所述待预测母线相应的所述历史负荷数据与所述气象数据进行相关性分析，进而确定与所述待预测母线相匹配的气象站，可以减少后期数据计算复杂度，提高数据处理效率，为后续模型训练提供更精准的气象特征进一步地，所述xgboost模型的公式具体为：

21、

22、式中，ξ为所述xgboost模型的目标函数，为所述xgboost模型的损失函数，∑kφ(fk)为所述xgboost模型的正则化项，t为决策树的个数，α为t的惩罚系数，β为正则化惩罚系数，ω为树叶节点的列向量。

23、这样通过考虑预测值与真实目标值之间的偏差，以及通过损失函数约束模型的复杂度，可以避免过度拟合，能够提高xgboost模型的负荷预测性能。

24、进一步的，所述通过贝叶斯优化算法优化xgboost模型，得到所述待预测母线的母线负荷预测模型，具体为：

25、预设贝叶斯优化算法的适应度函数，并初始化所述适应度函数的参数及其范围；

26、基于所述适应度函数和所述参数，对适应度值进行迭代计算，直至满足终止条件，输出代表超参数的适应度值；其中，每次迭代时，会通过概率代理模型对所述适应度值进行评估，并基于评估结果更新所述贝叶斯优化算法的所述参数和所述概率代理模型；

27、将所述超参数输入所述xgboost模型进行训练，得到所述待预测母线的母线负荷预测模型。

28、这样通过贝叶斯优化算法搜寻xgboost模型的最优参数，可以搜寻下一个最优的参数点，可以提高母线负荷的预测精度和效率。

29、进一步地，所述向所述母线负荷预测模型中输入待预测时间，预测所述待预测时间的所述待预测母线的负荷，具体为：

30、确认待预测时间，并基于所述待预测时间获取与所述待预测母线对应的实际气象数据和预报气象数据；

31、将所述待预测时间，所述待预测母线对应的所述实际气象数据和所述预报气象数据输入所述母线负荷预测模型，预测所述待预测时间的所述待预测母线的负荷。

32、这样通过将待预测时间、实际气象数据和预报气象数据输入所述母线负荷预测模型可以准确预测待预测时间的所述待预测母线的负荷。

33、第二方面，本技术提供了基于bayes-xgboost的母线负荷预测系统，包括：获取模块、分析模块、优化模块和预测模块；

34、所述获取模块，用于获取待预测母线的历史负荷数据；

35、所述分析模块，用于对所述待预测母线相应的所述历史负荷数据与气象数据进行相关性分析，确定与所述待预测母线相匹配的气象站；

36、所述优化模块，用于通过贝叶斯优化算法优化xgboost模型，得到所述待预测母线的母线负荷预测模型，其中，所述xgboost模型是根据所述待预测母线的所述历史负荷数据、与所述气象站相应的气象数据和所述气象数据相应的时间特征训练获得；

37、所述预测模块，用于输入待预测时间，基于所述母线负荷预测模型，预测所述待预测时间的所述待预测母线的负荷。

38、本技术实施例通过对所述待预测母线相应的所述历史负荷数据与气象数据进行相关性分析，进而确定与所述待预测母线相匹配的气象站，可以减少后期数据计算复杂度，提高数据处理效率，为后续模型训练提供更精准的气象特征；利用xgboost模型能够提高整体模型的负荷预测的作用以及利用贝叶斯优化算法搜寻xgboost模型的最优参数的作用，能够快速搜寻xgboost模型的所有最优参数点，提高了整体模型的负荷预测性能和预测效率。

39、进一步的，所述获取模块包括：第一获取单元和计算单元；

40、所述第一获取单元，用于所述待预测母线在预设时间段的实际负荷数据；

41、所述计算单元，用于所述实际负荷数据中的负荷最大值、负荷最小值以及负荷变化率。

42、进一步的，所述分析模块包括：第二获取单元、第三获取单元、分析单元和匹配单元；

43、所述第二获取单元，用于获取所述待预测母线与若干个气象站的距离并进行排序，按照预设规则对气象站的距离进行筛选，初步匹配与所述待预测母线相应的气象站组合；

44、所述第三获取单元，用于从所述气象站组合中获取与所述历史负荷数据相应的气象数据；

45、所述分析单元，用于采用皮尔逊相关系数法与spearman相关系数法分析所述待预测母线相应的所述历史负荷数据与所述气象站组合相应的所述气象数据的相关性，得到与所述历史负荷数据相关性最大的气象指标；其中，所述气象数据包括单一气象数据、多日累计气象数据和综合气象指数；

46、所述匹配单元，用于基于所述气象指标，确定与所述待预测母线相匹配的气象站。

47、进一步地，所述优化模块中的所述xgboost模型的公式具体为：

48、

49、式中，ξ为所述xgboost模型的目标函数，为所述xgboost模型的损失函数，∑kφ(fk)为所述xgboost模型的正则化项，t为决策树的个数，α为t的惩罚系数，β为正则化惩罚系数，ω为树叶节点的列向量。

50、进一步的，所述优化模块包括：初始化单元、更新单元和训练单元；

51、所述初始化单元，用于预设贝叶斯优化算法的适应度函数，并初始化所述适应度函数的参数及其范围；

52、所述更新单元，用于基于所述适应度函数和所述参数，对适应度值进行迭代计算，直至满足终止条件，输出代表超参数的适应度值；其中，每次迭代时，会通过概率代理模型对所述适应度值进行评估，并基于评估结果更新所述贝叶斯优化算法的所述参数和所述概率代理模型；

53、所述训练单元，用于将所述超参数输入所述xgboost模型进行训练，得到所述待预测母线的母线负荷预测模型。

54、进一步的，所述预测模块包括：确定单元和预测单元；

55、所述确定单元，用于确认待预测时间，并基于所述待预测时间获取与所述待预测母线对应的实际气象数据和预报气象数据；

56、所述预测单元，用于将所述待预测时间，所述待预测母线对应的所述实际气象数据和所述预报气象数据输入所述母线负荷预测模型，预测所述待预测时间的所述待预测母线的负荷。

57、第三方面，本技术提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行本技术所述的基于bayes-xgboost的母线负荷预测方法。

技术实现思路

技术特征：

1.一种基于bayes-xgboost的母线负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的基于bayes-xgboost的母线负荷预测方法，其特征在于，获取待预测母线的历史数据，具体为：

3.根据权利要求1所述的基于bayes-xgboost的母线负荷预测方法，其特征在于，所述对所述待预测母线相应的所述历史负荷数据与气象数据进行相关性分析，确定与所述待预测母线相匹配的气象站，具体为：

4.根据权利要求1所述的基于bayes-xgboost的母线负荷预测方法，其特征在于，所述xgboost模型的公式具体为：

5.根据权利要求1所述的基于bayes-xgboost的母线负荷预测方法，其特征在于，所述通过贝叶斯优化算法优化xgboost模型，得到所述待预测母线的母线负荷预测模型，具体为：

6.根据权利要求1所述的基于bayes-xgboost的母线负荷预测方法，其特征在于，所述向所述母线负荷预测模型中输入待预测时间，预测所述待预测时间的所述待预测母线的负荷，具体为：

7.一种基于bayes-xgboost的母线负荷预测系统，其特征在于，包括：获取模块、分析模块、优化模块和预测模块；

8.根据权利要求7所述的基于bayes-xgboost的母线负荷预测系统，其特征在于，所述获取模块包括：第一获取单元和计算单元；

9.根据权利要求7所述的基于bayes-xgboost的母线负荷预测系统，其特征在于，所述分析模块包括：第二获取单元、第三获取单元、分析单元和匹配单元；

10.根据权利要求7所述的基于bayes-xgboost的母线负荷预测系统，其特征在于，所述优化模块中的所述xgboost模型的公式具体为：

11.根据权利要求7所述的基于bayes-xgboost的母线负荷预测系统，其特征在于，所述优化模块包括：初始化单元、更新单元和训练单元；

12.根据权利要求7所述的基于bayes-xgboost的母线负荷预测系统，其特征在于，所述预测模块包括：确定单元和预测单元；

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的基于bayes-xgboost的母线负荷预测方法。

技术总结
本申请公开了基于Bayes‑XGBoost的母线负荷预测方法、系统及存储介质，包括：获取待预测母线的历史负荷数据；对所述待预测母线相应的所述历史负荷数据与气象数据进行相关性分析，确定与所述待预测母线相匹配的气象站；通过贝叶斯优化算法优化XGBoost模型，得到所述待预测母线的母线负荷预测模型，其中，所述XGBoost模型是根据所述待预测母线的所述历史负荷数据、与所述气象站相应的气象数据和所述气象数据相应的时间特征训练获得；向所述母线负荷预测模型中输入待预测时间，预测所述待预测时间的所述待预测母线的负荷。本申请可以提高母线负荷的预测精度和效率。

技术研发人员：杨民京,钟雅珊,段秦尉,潮铸,吴国炳,杨韵,唐旭辰,谢祥中
受保护的技术使用者：广东电网有限责任公司电力调度控制中心
技术研发日：
技术公布日：2024/12/5