(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 202210850289.0 (22)申请日 2022.07.20 (71)申请人 广东电网有限责任公司佛山供电局 地址 528000 广东省佛山市禅城区汾江南 路1号 (72)发明人 黄斐　李伟　易颜波　杨勇　 周俊宇　花洁　区伟潮　亓玉国　 潘志涛　陈辉　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 任文生 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/00(2019.01) G06F 30/27(2020.01)H02J 3/00(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种基于LGBM决策树的负荷预测方法及系 统 (57)摘要 本发明涉及电力数据预测技术领域， 公开了 一种基于L GBM决策树的负荷预测方法及系统， 其 方法通过获取同一历史时间窗口内的采样点的 历史负荷数据以及对应的历史气象数据， 并进行 预处理， 再筛选出与待预测日的气象数据的差值 在预设差值范围内的历史纯净数据， 以保证负荷 预测样本的质量， 并将每日所有采样点对应的负 荷值以及对应的气象数据和是否为节假日情况 构建为样本 特征矩阵， 基于L GBM决策树对样本 特 征矩阵进行处理， 得到负荷预测值， 从而提高负 荷预测的 的准确性。 权利要求书2页 说明书6页 附图2页 CN 115081739 A 2022.09.20 CN 115081739 A 1.一种基于LGBM决策树的负荷预测方法， 其特 征在于， 包括以下步骤： 获取同一历史时间窗口内的采样点的历史数据， 所述历史数据包括历史负荷数据以及 对应的历史气象数据， 所述历史气象数据包括温度、 风向、 风力和湿度； 对所述历史数据进行 预处理， 得到历史纯 净数据； 在所述历史纯净数据筛选出与待预测日的气象数据的差值在预设差值范围内的历史 纯净数据； 根据筛选出的历史纯净数据构建样本特征矩阵， 所述样本特征矩阵中的元素为每日所 有采样点对应的负荷值以及对应的气象数据和是否为节假日情况； 构建LGBM决策树， 以所述样本特征矩阵作 为输入， 生成T颗弱回归树， 得到T颗回归树的 输出值之和， 作为 LGBM模型的输出， 以得到负荷预测值。 2.根据权利要求1所述的基于LGBM决策树的负荷预测方法， 其特征在于， 对所述历史数 据进行预处理， 得到历史纯 净数据的步骤具体包括： 对所述历史数据进行异常值检测， 将检测到的异常值进行剔除； 对所述历史数据中的缺失数据进行检测， 获取缺失数据对应的采样点的温度， 根据所 述温度在所述历史数据中匹配到相同温度对应的负荷数据， 将匹配到的负荷数据填充至相 应的缺失数据中。 3.根据权利要求1所述的基于LGBM决策树的负荷预测方法， 其特征在于， 在所述历史纯 净数据筛选出与待预测日的气象数据的差值在预设差值范围内的历史纯净数据的步骤具 体包括： 利用下式在所述历史纯净数据筛选出与待预测日的气象数据的差值在预设差值范围 内的历史纯 净数据： 式中， 和 分别表示历史纯净数据中的当日最大温度、 当日最 小温度， 和 分别表示待预测日的最大温度、 最小温度。 4.根据权利要求1所述的基于LGBM决策树的负荷预测方法， 其特 征在于， 还 包括： 获取待预测日的前两日内的各个采样点对应的负荷值， 利用前两日内的各个采样点对 应的负荷值进行曲线拟合， 得到第一拟合曲线； 对待预测日的各个采样点对应的预测负荷值进行曲线拟合， 得到第二拟合曲线； 对所述第一拟合曲线和所述第 二拟合曲线进行相似度计算， 若所述相似度小于预设的 相似度阈值， 则基于线性回归算法对所述预测负荷值进行修 正。 5.一种基于LGBM决策树的负荷预测系统， 其特 征在于， 包括： 数据获取模块， 用于获取同一历史时间窗口内的采样点的历史数据， 所述历史数据包 括历史负荷数据以及对应的历史气象数据， 所述历史气象数据包括温度、 风向、 风力和湿 度； 预处理模块， 用于对所述历史数据进行 预处理， 得到历史纯 净数据； 数据筛选模块， 用于在所述历史纯净数据筛选出与待预测日的气象数据的差值在预设 差值范围内的历史纯 净数据；权　利　要　求　书 1/2 页 2 CN 115081739 A 2矩阵构建模块， 用于根据筛选出的历史纯净数据构建样本特征矩阵， 所述样本特征矩 阵中的元 素为每日所有采样点对应的负荷值以及对应的气象数据和是否为节假日情况； 负荷预测模块， 用于构建LGBM决策树， 以所述样本特征矩阵作为输入， 生成T颗弱回归 树， 得到T颗回归树的输出值之和， 作为 LGBM模型的输出， 以得到负荷预测值。 6.根据权利要求5所述的基于LGBM决策树的负荷预测系统， 其特征在于， 所述预处理模 块具体包括： 异常检测模块， 用于对所述历史数据进行异常值检测， 将检测到的异常值进行剔除； 数据填充模块， 用于对所述历史数据中的缺失数据进行检测， 获取缺失数据对应的采 样点的温度， 根据所述温度在所述历史数据中匹配到相同温度对应的负荷数据， 将匹配到 的负荷数据填充至相应的缺失数据中。 7.根据权利要求5所述的基于LGBM决策树的负荷预测系统， 其特征在于， 数据筛选模块 具体用于， 利用下式在所述历史纯净数据筛选出与待 预测日的气象数据的差值在预设差值 范围内的历史纯 净数据： 式中， 和 分别表示历史纯净数据中的当日最大温度、 当日最 小温度， 和 分别表示待预测日的最大温度、 最小温度。 8.根据权利要求5所述的基于LGBM决策树的负荷预测系统， 其特 征在于， 还 包括： 第一拟合模块， 用于获取待预测日的前两日内的各个采样点对应的负荷值， 利用前两 日内的各个采样点对应的负荷值进行曲线拟合， 得到第一拟合曲线； 第二拟合模块， 用于对待预测日的各个采样点对应的预测负荷值进行曲线拟合， 得到 第二拟合曲线； 修正模块， 用于对所述第一拟合曲线和所述第二拟合曲线进行相似度计算， 若所述相 似度小于预设的相似度阈值， 则基于线性回归算法对所述预测负荷值进行修 正。权　利　要　求　书 2/2 页 3 CN 115081739 A 3