(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211035163.4 (22)申请日 2022.08.26 (71)申请人 国网湖南省电力有限公司 地址 410004 湖南省长 沙市天心区新韶东 路398号 申请人 国网湖南省电力有限公司经济技 术 研究院　 国家电网有限公司 (72)发明人 涂钊颖　文明　唐敬军　徐彬焜　 唐军　廖菁　李文英　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 20/20(2019.01) (54)发明名称 一种融合人口和用电负荷的多变量预测方 法 (57)摘要 本发明公开了一种融合人口和用电负荷的 多变量预测方法， 包括以下步骤： S1、 获取人口流 动数据、 天粒度电量预测数据以及气象数据； S2、 对所有数据进行特征划分， 构建对于预测模型可 用的数据集； S3、 基于 预测周期 进行数据划分， 选 取训练集、 测试集和验证集； S4、 基于人口流动数 据集、 输入特征和输出特征， 通过树模型、 Prophet模型和多元线性回归模型进行建模， 得 到人口流动预测结果， 并对人口流动预测结果极 性线性融合； S5、 基于用电量数据集、 人口流动预 测结果和气象数据， 通过树模型、 Proph et模型和 多元线性回归模 型进行建模， 得到天粒度的居民 用电量预测结果， 并对居民用电量预测结果进行 模型融合或结果 修正。 权利要求书6页 说明书18页 附图1页 CN 115481783 A 2022.12.16 CN 115481783 A 1.一种融合人口和用电负荷的多变量预测方法， 其特 征在于， 包括以下步骤： S1、 获取人口流动数据、 天粒度电量预测数据以及气象数据； S2、 对所有数据进行 特征划分， 构建对于预测模型 可用的数据集； S3、 基于预测周期进行 数据划分， 选取训练集、 测试集和验证集； S4、 基于人口流动数据 集、 输入特征和输出特征， 通过树模型、 Prophet模型和多元线性 回归模型进行建模， 得到人口流动预测结果， 并对人口流动预测结果极性线性融合； S5、 基于用电量数据 集、 人口流动预测结果和 气象数据， 通过树模型、 Prophet模型和多 元线性回归模型进行建模， 得到天粒度的居民用电量预测结果， 并对居民用电量预测结果 进行模型融合或结果 修正。 2.根据权利要求1所述的一种融合人口和用电负荷的多变量预测方法， 其特征在于， 所 述步骤S1具体包括： 获取当天该地人口净迁入数为人口流动数据， 获取当天该地居民最大用电负荷为用电 量， 获取当天最高温度、 最低温度为气象数据。 3.根据权利要求1所述的一种融合人口和用电负荷的多变量预测方法， 其特征在于， 所 述步骤S2具体包括： 通过查询日历数据库获得每个预测日为星期几； 通过查询日历数据库获得每个预测日 为当月第几天； 通过查询日历数据库获得每个预测日是否是节假日； 通过查询日历数据库 获得每个预测日所处的第几周； 通过查询日历数据库获得每个预测日所处的月份； 通过查 询日历数据库获得每个预测日为当年第几天； 通过查询日历数据库获得每个预测日为当年 第几季度； 通过查询天气数据库获得每个预测日当天最高温度； 通过查询天气数据库获得 每个预测日当天最低温度。 4.根据权利要求1所述的一种融合人口和用电负荷的多变量预测方法， 其特征在于， 所 述步骤S3具体包括： 构建迁入人口数为人口流动数据的输出特征； 构建每日居民用电最大负荷的输出特 征， 预测周期为14日； 从构建的输入特征 ‑输出特征选取t ‑365至t‑3日组成训练样本集， t+1 到t+14日为测试样本集， t ‑2至t日为验证样本集； 其中， 训练样本集所对应时间段要早于测试样本集所对应时间段， 测试样本集时间段 符合预测时段和预测周期。 5.根据权利要求1所述的一种融合人口和用电负荷的多变量预测方法， 其特征在于， 所 述步骤S4具体包括： S41、 XGBo osted模型： S411、 确定N个样本(xi,yi),i＝1,2....N， xi为样本输入特征， yi为样本输出特征， 从目 标函数的基本形式入手， 一个树模型对于某个样本的预测值使用K个加性函数来预测输出， 公式为： 其中， fk是基学习器， 最终模型是多个基学习器， 权　利　要　求　书 1/6 页 2 CN 115481783 A 2是回归树的空间， 这里q表示将输入特征映射到相应叶索引的每个树的结构， T表示树中叶 子的数量， 每个基学习器fk对应一个独立的树结构q和叶权重ω， 每个回归树在每个叶子结 点上都包含一个分数， 我们使用ωi表示第i个叶子上的权重， 对于给定的事例， 我们 将使用 树中的决策规则， 由q给出， 将其分类为树叶并通过将相应树叶中的得分相加， 由ω给出， 来 计算最终预测， 为了学习模型中的函数集， 我们将最小化以下正则化目标： 这里， l是一个可微的凸损失函数， 用于测量预测 和目标yi之间的差异。 第二项Ω为惩 罚模型的复杂性， 即回归树 函数； S412、 将最初的目标函数 可以写成： 其中， 是前t‑1个集成学习器对样本的预测值； ft(xi)是当前学习器对样本的预 测值； Ω(ft)是第t个学习器的正则项； S413、 对目标函数进行泰勒二阶展开： 其中， 为l函数对 的一阶导数， 为l函数对 的二阶导数； S414、 将正则项标准 化为如下的式子： T表示叶子结点的个数， 模型中将叶子结点的个数作为L1的正则项， 将叶子结点的权重 值作为L2的正则项， γ和 λ 都视为 正则项常数， wj为最优权重； S415、 将叶子结点的权 重值作为叶子结点的输出score， 即预测值； S42、 基于Prophet的预测模型 具体步骤如下： S421、 确定Prophet模型中的趋势项、 周期项、 节假日项、 误差项： p(t)＝g(t)+s(t)+h(t)+ εt g(t)表示趋势项， 即时间序列在非周期上面的变化趋势； s(t)表示周期项， 即季节项， h (t)表示节假日项， 即 当天是否存在节假日； εt表示误差项； 趋势项g(t)是一个重要项， g(t)有两个重要函数， 一个是基于分段线性函数， 另一个是 基于逻辑回归函数； S422、 确定趋势项g(t)基于分段逻辑回归增长模型：权　利　要　求　书 2/6 页 3 CN 115481783 A 3