一种基于CNN-LSTM和lightGBM动态加权融合模型用于短期负荷实际预测的方法与流程

本发明涉及人工智能算法领域，具体是一种基于cnn-lstm和lightgbm动态加权融合模型用于短期负荷实际预测的方法。

背景技术：

1、短期负荷的实际预测(指能够预测真正的未来值)是电力系统经济运行的基础，能够支撑供电公司调度，提高电网运行的经济性和安全性。现有的方法一般是采用基于统计学、机器学习、人工智能等某个单一算法来实现。然而，受突发事件以及单一模型自身的运行机理局限等影响，在实际预测的过程中，出现了预测天数(比如第3天、第6天等)误差忽高忽低，一到节假日就预测不准等现象，给实际运用带来了难题。

技术实现思路

1、有鉴于此，本发明提供一种基于cnn-lstm和lightgbm动态加权融合模型用于短期负荷实际预测的方法，能够提高模型的预测稳定性、减小平均误差。

2、一种基于cnn-lstm和lightgbm动态加权融合模型用于短期负荷实际预测的方法，包括如下步骤：

3、采用cnn-lstm算法对第一时间段和第二时间段中每天的负荷进行真实预测，根据cnn-lstm算法预测的第一时间的段预测值与第一时间段的真实值得到第一时间段中每天的第一平均绝对百分比误差，其中第一时间段包括至少2个时间分段，每个时间分段与第二时间段的天数相等；

4、采用lightgbm算法对第一时间段和第二时间段中每天的负荷进行真实预测，根据lightgbm算法预测的第一时间段的预测值与第一时间段的真实值得到第一时间段中每天的第二平均绝对百分比误差；

5、根据第一平均绝对百分比误差和第二平均绝对百分比误差得到第一时间段中每天的cnn-lstm权重和lightgbm权重；

6、分别根据第一时间段中每天的cnn-lstm权重和lightgbm权重得到第一时间段中每天的cnn-lstm动态权重和lightgbm动态权重；

7、根据cnn-lstm算法和lightgbm算法预测的第二时间段的预测值、以及第一时间段中每天的cnn-lstm动态权重和lightgbm动态权重得到第二时间段对应每天的最终预测值。

8、进一步的，所述根据第一平均绝对百分比误差和第二平均绝对百分比误差得到第一时间段中每天的cnn-lstm权重和lightgbm权重，具体计算公式为：

9、

10、

11、其中w1为第一时间段中每天的cnn-lstm权重，w2为第一时间段中每天的lightgbm权重，e1为第一时间段中每天的第一平均绝对百分比误差，e2为第一时间段中每天的第二平均绝对百分比误差。

12、进一步的，所述分别根据第一时间段中每天的cnn-lstm权重和lightgbm权重得到第一时间段中每天的cnn-lstm动态权重和lightgbm动态权重，具体包括：

13、对第一时间段中每个时间分段对应日期的cnn-lstm权重取平均值的得到所述cnn-lstm动态权重，对第一时间段中每个时间分段对应日期的lightgbm权重取平均值的得到所述lightgbm动态权重。

14、进一步的，所述根据cnn-lstm算法和lightgbm算法预测的第二时间段的预测值、以及第一时间段中每天的cnn-lstm动态权重和lightgbm动态权重得到第二时间段对应每天的最终预测值，具体计算公式为：

15、ft＝w1f1t+w2f2t t＝1，2，...，n

16、其中ft表示第二时间段对应每天的最终预测值，f1t和f2t分别表示cnn-lstm算法和lightgbm算法预测的第二时间段的预测值，w1和w2分别表示第一时间段中每天的cnn-lstm动态权重和lightgbm动态权重，t表示第一时间段每个时间分段与第二时间段的天数顺序，n表示每个时间分段与第二时间段的天数。

17、本发明核心在于将2种算法进行动态加权融合，该方法能够有效缓解现有算法模型的4点缺陷：

18、1、单一算法稳定性差。各单一算法对不同节假日、突发事件等的预测误差敏感度不同，导致误差忽高忽低、稳定性差，动态加权融合后模型鲁棒性增强；

19、2、串行融合安全风险较高。串行模式是指2个或多个算法之间的运行有先后顺序，每种算法只执行其中一部分任务。并行模式是指2个或多个算法之间并行运行结果，每个单独的算法都能运行出结果。因受外界内界等各种因素影响而使组合模型中的任一算法出现故障时，串行模式的模型会直接停摆，并行模式的模型虽误差可能会降低但仍可得到结果(若是2个算法，另一个算法仍可直接输出结果，若是多个算法，剩余算法不影响并行融合)。

20、3、加权值固定。现有加权方法其加权值大多为固定值，而本文的加权值为动态，即每一天都不同，动态权重由于每刻的及时改变，更有利于减小误差。

21、4、不能实际预测。在已有文献的融合过程中，都没法对未知时刻的数据加权，只能对已有的历史数据加权。这样导致模型实用性不够，无法真正预测未来值。不是不想预测，而是无法预测。因为在融合的过程中，是需要知道误差才能进行加权的，但在实际预测中由于不知道未来值因而无法计算误差。为了解决这个问题，本发明是先计算2个算法在历史数据的误差，基于滚动循环预测和多模型机器学习预测在每一天误差不同的特点，再根据历史数据上的每天误差表现来计算未来时刻2个算法的权重。

技术特征：

1.一种基于cnn-lstm和lightgbm动态加权融合模型用于短期负荷实际预测的方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于cnn-lstm和lightgbm动态加权融合模型用于短期负荷实际预测的方法，其特征在于：所述根据第一平均绝对百分比误差和第二平均绝对百分比误差得到第一时间段中每天的cnn-lstm权重和lightgbm权重，具体计算公式为：

3.如权利要求1或2所述的基于cnn-lstm和lightgbm动态加权融合模型用于短期负荷实际预测的方法，其特征在于：所述分别根据第一时间段中每天的cnn-lstm权重和lightgbm权重得到第一时间段中每天的cnn-lstm动态权重和lightgbm动态权重，具体包括：

4.如权利要求1或3所述的基于cnn-lstm和lightgbm动态加权融合模型用于短期负荷实际预测的方法，其特征在于：所述根据cnn-lstm算法和lightgbm算法预测的第二时间段的预测值、以及第一时间段中每天的cnn-lstm动态权重和lightgbm动态权重得到第二时间段对应每天的最终预测值，具体计算公式为：

技术总结
一种基于CNN‑LSTM和lightGBM动态加权融合模型用于短期负荷实际预测的方法，包括：采用CNN‑LSTM算法计算第一时间段中每天的第一平均绝对百分比误差；采用lightGBM算法计算第一时间段中每天的第二平均绝对百分比误差；根据第一平均绝对百分比误差和第二平均绝对百分比误差计算CNN‑LSTM权重和lightGBM权重，进而计算CNN‑LSTM动态权重和lightGBM动态权重；根据CNN‑LSTM算法和lightGBM算法预测的第二时间段的预测值以及第CNN‑LSTM动态权重和lightGBM动态权重得到第二时间段对应每天的最终预测值。本发明能够提高模型的预测稳定性、减小平均误差。

技术研发人员：夏勇军,陈莉娟,徐文,阮羚,吴颖波,施志勇,赵立华,卫婧怡
受保护的技术使用者：湖北华中电力科技开发有限责任公司
技术研发日：
技术公布日：2024/2/1