一种基于Stacking模型融合的楼宇用电量预测方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112465256A(43)申请公布日2021.03.09(21)申请号202011443441.0(22)申请日2020.12.08(71)申请人华中科技大学地址430074湖北省武汉市洪山区珞喻路1037号(72)发明人陈长清张天安张小野(74)专利代理机构华中科技大学专利中心42201代理人李智(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06N20/10(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书6页附图6页(54)发明名称一种基于Stacking模型融合的楼宇用电量预测方法和系统(57)摘要本发明公开了一种基于Stacking模型融合的楼宇用电量预测方法和系统，属于楼宇用电量预测领域。本发明采用Stacking模型融合算法集成多种回归模型，构建用电量Stacking集成模型，集成了多种模型的优势，减少了预测偏差；针对用电量不稳的楼宇，利用了历史用电量、温度、风力、湿度、时间信息等多种影响因素，训练用电量Stacking集成模型，提高了预测的精准度，有利于楼宇的管理者对大楼能耗进行有效的管控，避免出现耗电量与预估电量相差太大的情况，在参与电力市场交易时合理预估和购买，使楼宇管理者有效控制电费支出，同时也便于电力部门或售电公司的售电安排，既能达到节能减排的效果，又有良好的社会效益和经济效益。CN112465256ACN112465256A权利要求书1/1页1.一种基于Stacking模型融合的楼宇用电量预测方法，其特征在于，包括：S1.收集待预测楼宇历史时段的温度、风力、湿度和时间信息，以及对应时段的用电量数据，作为训练集；S2.构建用电量Stacking集成模型；所述用电量Stacking集成模型采用Stacking模型融合算法集成多种回归模型得到，包括第一层和第二层；其中，第一层中各个模型根据输入的温度、风力、湿度和时间信息，得到初始用电量预测值；第二层对第一层输出的初始用电量预测值进行修正，得到最终的用电量预测值；S3.以待预测楼宇历史时段的温度、风力、湿度和时间信息作为输入，以对应时段的用电量数据作为期望输出，对用电量Stacking集成模型进行训练；S4.将待预测的未来月度对应的温度、风力、湿度和时间信息输入训练好的用电量Stacking集成模型，得到对应月度的用电量预测结果。2.根据权利要求1所述的一种基于Stacking模型融合的楼宇用电量预测方法，其特征在于，在对用电量Stacking集成模型进行训练之前，所述方法还包括，对训练集进行以下预处理：填补缺失数据；剔除异常和重复数据；提取最低温度、最高温度；提取时间特征；对各类数据进行无量纲处理。3.根据权利要求2所述的一种基于Stacking模型融合的楼宇用电量预测方法，其特征在于，所述时间特征包括星期、周数、小时、季节和节假日信息。4.根据权利要求1所述的一种基于Stacking模型融合的楼宇用电量预测方法，其特征在于，所述用电量Stacking集成模型第一层包括随机森林、KNN、LSTM、LightGBM。5.根据权利要求4所述的一种基于Stacking模型融合的楼宇用电量预测方法，其特征在于，所述用电量Stacking集成模型第二层采用支持向量机回归模型。6.一种基于Stacking模型融合的楼宇用电量预测系统，其特征在于，包括：数据集收集模块，用于收集待预测楼宇历史时段的温度、风力、湿度和时间信息，以及对应时段的用电量数据，作为训练集；模型构建模块，用于构建用电量Stacking集成模型；所述用电量Stacking集成模型采用Stacking模型融合算法集成多种回归模型得到，包括第一层和第二层；其中，第一层中各个模型根据输入的温度、风力、湿度和时间信息，得到初始用电量预测值；第二层对第一层输出的初始用电量预测值进行修正，得到最终的用电量预测值；训练模块，用于以待预测楼宇历史时段的温度、风力、湿度和时间信息作为输入，以对应时段的用电量数据作为期望输出，对用电量Stacking集成模型进行训练；预测模块，用于将待预测的未来月度对应的温度、风力、湿度和时间信息输入训练好的用电量Stacking集成模型，得到对应月度的用电量预测结果。7.根据权利要求6所述的一种基于Stacking模型融合的楼宇用电量预测系统，其特征在于，所述用电量Stacking集成模型第一层包括随机森林、KNN、LSTM、LightGBM。8.根据权利要求7所述的一种基于Stacking模型融合的楼宇用电量预测系统，其特征在于，所述用电量Stacking集成模型第二层采用支持向量机回归模型。2CN11