本技术涉及一种Transformer与RF相融合的电力负荷预测方法,包括:获取目标区域待预测的短期电力负荷数据,经过聚类和分解后输入训练后的随机森林网络RF,输出电力负荷预测结果。RF的训练过程包括:采集特定区域的电力负荷历史数据及其相应历史天气数据,经预处理后分别得到带标签的第一训练数据集和第二训练数据集;基于电力负荷历史数据及其相应历史天气数据的时间序列特性,分别对带标签的第一训练数据集和第二训练数据进行聚类和分解;分别将经聚类和分解后的电力负荷数据输入多模态时序预测变换器,得到特征序列;将该特征序列输RF进行回归预测,计算回归损失,通过该回归损失迭代优化随机森林网络。本发明可以明显电力负荷预测结果的准确性。
背景技术
随着社会的持续进步,用电规模呈现出迅猛的增长态势,进而带动了能源需求的指数级攀升。在这样的背景下,提升能源利用效率、降低电力能源损耗显得尤为迫切,其中,提高电力负荷预测精度成为了一个至关重要的环节。传统的负荷预测技术,如趋势外推法,虽然理论简洁、操作便捷,但在精度上却存在明显不足。目前,电力负荷预测的方法已经形成了三大主要类别:经典模型、现代智能方法以及组合模型。这些方法各有特色,适应了不同场景下的预测需求,为电力行业的可持续发展提供了有力的技术支撑。经典模型的方法理论成熟,操作简便,但在处理复杂、非线形趋势存在局限性,预测精度收到一定限制;现代智能方法能处理大量非线形数据,然而这些方法需要大量的计算资源和时间进行模型训练和调优,实现相对复杂;组合模型将不同模型进行集合,利用单一模型的优势减少误差,然而组合模型的建立和优化是一个复杂的过程。
针对负荷预测中对组合模型的建立和优化的复杂性,减少复杂环境因素对电力负荷预测的影响,因为气候场景发生变化时,采集到的数据统计特征随之改变,原来场景所使用的组合模型方法对于新场景的预测准确性会下降。因此对电力负荷数据进行聚类分解划分,分别对不同簇负荷数据进行分析预测可以有效提高预测精度。
在当前的集成学习中,堆叠(Stacking)方法是当下流行的方法,它通过将多个基学习器(如随机森林、支持向量机等)的输出作为另一个元学习器(Meta-Learner)的输入,以此来结合不同基学习器的预测结果,从而提高整体预测性能。然而Stacking需要训练多个基学习器和至少一个元学习器,这增加了模型的计算成本和时间消耗。其次,如果基学习器本身就存在过拟合问题,或者元学习器未能正确地结合基学习器的预测结果,那么整个Stacking模型就容易出现过拟合,导致在测试集上的性能下降,影响电力负荷预测结果的准确性。
实现思路