基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测

历史数据在电力负荷预测中必不可少,但选用的历史数据往往存在数据量虽大而数据特征维度少、无效数据多、数据间的特征关系不明确等问题,显著影响电力负荷预测的精度。为提高超短期电力负荷预测精度,提出一种基于双层XGBoost(eXtreme gradient boosting)算法的超短期电力负荷预测方法。该方法的第1层,即数据处理层,基于XGBoost算法及特征工程,构建多个弱学习器逐层训练,筛选出对电力负荷具有显著影响的特征集;第2层即负荷预测层,以第1层筛选出的特征集和负荷为输入,优化选择XGBoost算法的超参数并对模型进行训练以得到精度最高、均方根误差最小的负荷预测模型。所搭建的负荷预测模型能够避免对数据特征进行标准化处理,且可减小数据字段缺失的影响,不用考虑特征间是否相互依赖,且模型学习效果好。算例分析中,对比基于单层XGBoost、BP神经网络、ARIMA的负荷预测模型,所提方法预测值精度更高,且在不同时间段数据集下,具有良好的泛化能力。     

基于多模型融合Stacking集成学习方式的负荷预测方法

人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合Stacking集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势,构建多个机器学习算法嵌入的Stacking集成学习的负荷预测模型,模型的基学习器包含XGBoost树集成算法和长短记忆网络算法。算例使用ENTSO中瑞士负荷数据对算法有效性进行了验证。预测结果表明,XGBoost、梯度决策树、随机森林模型能够通过自身模型的增益情况对输入数据的特征贡献度进行量化分析;Stacking中各个基学习器的学习能力越强,关联程度越低,模型预测效果越好;与传统单模型预测相比,基于多模型融合的Stacking集成学习方式的负荷预测方法有着较高的预测精度。     

基于贝叶斯优化XGBoost的短期峰值负荷预测

随着电网结构愈发复杂,负荷的多样性与波动性显著增加,对预测模型提出了更高的泛化能力和精度要求。然而,传统算法存在容易过拟合、精度低等固有缺陷,难以实现复杂电网下精准的尖峰负荷预测。为此,本文提出了一种基于贝叶斯优化XGBoost的模型用于短期峰值负荷预测。首先通过特征重要度得分进行特征提取,剔除冗余特征,确保输入-输出有较优的映射关系;其次引入贝叶斯优化算法进行超参数调优,使得XGBoost的性能达到最佳状态。最后,使用中国某市电力负荷数据对所提模型的有效性进行验证,算例结果表明,与其它机器学习方法相比,贝叶斯优化XGBoost具有更高的预测精度。     

基于串行–并行集成学习的高峰负荷预测方法

负荷预测自电力工业诞生便是一项热门的基础研究问题,连续多天的日高峰负荷预测往往对电网的优化运行与安全稳定起到重要作用。该文深入分析了统计学习类算法的误差分布,提出一种基于串–并行集成学习的连续多日高峰负荷预测方法。首先介绍了统计学习类算法的泛化误差的分解情况,阐述了XGBoost串行集成算法与Bagging并行集成学习的训练机理,分析了粒子群算法的基本原理。在综合考量模型偏差与方差分布的基础上,提出Bagging框架下基于XGBoost算法的负荷预测模型,并采用粒子群算法交叉验证XGBoost模型最优超参数。最后,使用斯洛文尼亚电力公司用电负荷数据对算法有效性进行验证,算例表明XGBoost模型对特征贡献度的量化分析有效地辅助了特征选择的过程,粒子群算法缩短了XGBoost超参数寻优的时间。与传统模型相比,基学习器为树模型的Bagging-XGBoost算法有着较高的预测精度。预测结果显示串–并行方式耦合的集成学习方式在连续多日高峰负荷预测场景中有着较高应用价值。     

基于Prophet与XGBoost混合模型的短期负荷预测

准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值。通过对Prophet框架和XGBboost (eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负荷预测模型和XGBboost机器学习预测模型,通过误差倒数法将Prophet和XGBoost结合得到混合预测模型。应用所提方法对西南地区某地市历史电负荷数据进行验证,结果证明,Prophet-XGBoost混合模型比支持向量机回归模型(SVR, support vector regression)、Prophet模型和XGBoost模型拥有更高的预测精度,且与SVR模型相比运行时间更短。     

基于贝叶斯神经网络的电网超载负荷预测模型优化

电网负荷具有非线性的特点,可预测性较差。提出一种基于神经网络的电网负荷超载预测模型,设计了一个由输入层、隐含层以及输出层构成的网络模型,采用该模型对电网负荷超载进行预测,并基于贝叶斯定理训练该预测模型,对预测过程中的超载负荷不确定因素进行全面分析,采用求极大似然估计和迭代算法得到预测模型的最优参数,然后将各步迭代求解得到的神经网络输入当作随机变量输入,最后依据塑造的最佳预测模型得到最优电网负荷超载的预测结果。实验结果说明,所设计模型的预测结果同实际更接近,避免了不确定性对电网负荷超载预测的干扰,具有较高的预测准确度。     

基于LSTM与XGBoost组合模型的超短期电力负荷预测EI北大核心CSCD

为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork,LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE(mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU(gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。     

基于LSTM与XGBoost组合模型的超短期电力负荷预测

为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork, LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE (mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU (gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。     

基于Attention-LSTM与多模型集成的短期负荷预测方法

目前深度学习技术发展快速,针对其在短期负荷预测任务中处理离散数据效果较差以及泛化性不佳的问题,提出一种基于注意力机制的长短期记忆网络(long short-term memory network with attention mechanism,Attention-LSTM)与Stacking多模型集成的负荷预测方法,可以兼顾二者优势。首先,利用均值编码的方式处理离散特征,接着应用Attention-LSTM对负荷数据进行特征提取,再将处理后的数据一同输入到基于Stacking的多模型集成预测模型中,通过3种基学习器对输入特征进行分析处理,最终通过元学习器完成预测。算例使用2个数据集中的实际负荷数据进行分析,对2个数据集中的负荷数据分别进行预测,并与门控学习单元、轻量级梯度提升机、支持向量机方法进行对比。仿真结果表明,所提方法在2个数据集的预测精度均能够超过98%,比其他3种方法的预测精度更高。     

基于XGBoost-MTL的综合能源系统多元负荷预测

精确的多元负荷预测是综合能源系统(integrated energy system,IES)优化调度和稳定运行的前提。针对IES中多元负荷之间耦合关系复杂以及影响负荷预测的因素众多等问题,文中提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)与多任务学习(multi task learning,MTL)的多元负荷预测方法。首先通过XGBoost重要度排序得到各影响因素对于多元负荷的贡献度,依据贡献度来选取影响负荷预测的关键性因素作为预测模型的输入,保证了输入特征对于多元负荷预测有效的修正作用;其次以门控循环单元(gated recurrent unit,GRU)作为共享层来搭建MTL预测模型,各子任务通过共享信息来有效利用各负荷之间复杂的耦合关系;最后以上海某综合能源站的负荷数据为例对文中所提模型的有效性进行验证。结果表明:该模型能够适应实际综合能源系统中各类负荷的变化,有效提高预测精度并减少训练时间。     

基于双层XGBoost和数据增强的空间负荷预测方法

为了解决空间负荷预测面临的特征变量众多和数据匮乏问题,文中提出一种基于双层极端梯度提升(extreme gradient boosting,XGBoost)和数据增强的空间负荷预测方法。该方法首先将待预测区域按馈线供电范围划分为若干子区域;其次构建基于双层XGBoost的特征选择模型,第一层XGBoost对特征进行评分及排序,将组合特征和负荷输入第二层XGBoost并进行子区域负荷预测,根据子区域负荷预测结果选择每个子区域的最佳特征变量;然后利用生成对抗网络(generative adversarial network,GAN)增强每个子区域的训练集样本,并通过极限学习机(extreme learning machine,ELM)实现子区域预测;最后将每个子区域的预测值相加得到待预测区域的预测值。以上海市局部区域为例,对文中方法进行仿真实验和对比分析。结果表明,文中方法可同时解决特征变量选择和数据匮乏问题,具有更高的预测精度。     

基于XGBoost算法融合多特征短期光伏发电量预测

针对目前光伏发电过程中由于“弃光”现象导致能源利用率低和经济性差等问题,提出一种基于XGBoost算法融合多种特征的短期光伏发电量预测的方法。首先介绍XGBoost算法的基本原理,并引入正则化惩罚函数和误差函数来构建光伏预测模型的目标函数;并分析了光伏发电量和各特征之间的皮尔森相关系数,同时对特征的异常数据进行预处理。在训练过程中为了避免对模型超参数的影响,采用K 折交叉验证(K Fold Cross Validation)对数据的训练集、验证集和测试集进行划分;训练完模型参数后把测试集数据放到光伏预测模型中,预测得到未来三天的光伏发电量。对比实验选择其他两种预测方法SVM和LSTM,实验结果表明XGBoost算法在预测光伏发电中的有较高的准确性和实用性。     

基于改进Prophet算法的短期日负荷预测方法研究

将Prophet算法引入负荷预测领域,并结合XGBoost算法提升Prophet负荷预测准确性。Prophet算法基于时间序列分解及机器学习的拟合,将负荷数据分解为趋势项、周期项、随机波动项3部分,引入XGBoost算法改进Prophet算法对随机波动项的预测,将XGBoost 算法对随机波动的预测结果与Prophet算法对趋势项和周期项的预测结果叠加,获得最终的预测结果。该算法适用于用电负荷这种具备一定周期变化特征的序列,易于理解,预测准确性较高。通过某地区用电信息采集系统提供的专公变用户日冻结数据实验验证,结果表明在相同条件下,改进后的算法预测的结果的平均绝对误差百分比较原始的Prophet算法可降低2.5%,同时均方根误差降低幅度可达30.79%,体现出显著的改进效果。     

基于梯度提升决策树的电力物联网用电负荷预测

在电力物联网系统中,为用户提供准确、快速的用电负荷预测一直起着至关重要的作用。由于台区内用户活动的可变性,导致用电负荷通常波动较大,传统方法往往难以准确预测。为了满足智能化、多功能的电力物联网监测,提出了一种基于梯度提升决策树的用电负荷预测方案。首先对台区内历史用电数据进行预处理,并构建时间窗口特征。然后使用基于梯度提升决策树的XGBoost和LightGBM交叉构建预测算法,并采用该算法预测下一时间段短期用电负荷结果,实现台区用电分析。最后与现有方案相比较,本文提出的方案可提供准确的负荷预测结果,在即将发生超负荷用电或者当前台区即将发生大规模停电时,能够及时发出预警。     

基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM（long short term memory）网络结构,并将其与XGBoost（eXtreme boosting system）预测模型并行结合,之后结合MAPE-RW（mean absolute percentage error-reciprocal weight）算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM- XGBoost模型的MAPE（mean absolute percentage error）与RMSE（root mean square error）分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于XGBoost与Stacking模型融合的短期母线负荷预测

母线负荷预测对于电网安全稳定调度具有重要意义,但母线负荷随机波动性较强,其负荷类型因供电区域的差异而不同。为此,提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型,组合构成Stacking模型融合的元模型层,连接一个XGBoost模型对元模型进行融合,整体构成综合预测系统,并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析,验证了所提方法的有效性与适用性。