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...     

基于XGBoost的多维度超短期负荷预测研究

电力系统超短期负荷预测的准确性直接影响到电力系统发电与用电量平衡的问题。目前大多数的电力系统超短期负荷预测都只利用了电荷负载变化本身的时间序列特效。而事实上,除电荷本身的时序特征,温度、湿度、降雨量和人口等因素也对电荷变化产生了明显的影响。利用某地2009-01-01至2015-01-09的数据建立了结合温度、湿度、降雨量等因素的多维度XGBoost模型,和只考虑时序特征的XGBoost模型进行了多角度比较。从平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)等多角度预测数据分析可以发现,只考虑时序特征的XGBoost模型可以很好地预测超短期负荷的整体变化趋势,而结合温度、湿度、降雨量等因素的多维度模型在整体趋势的基础上更好地预测了电网负荷变化的细节。同时也证实了机器学习中特征因素并不是越多越好,当特征项存在相关性过高的冗余因素时模型预测精度会降低。     

基于XGBoost算法的新型短期负荷预测模型研究

针对目前电网在负荷预测中所采集到的数据普遍存在着特征维度较少;特征关系不明;有效数据量较少的特点,为了提高电网短期负荷预测精度,本文提出一种基于XGBoost算法的新型负荷预测模型。基于XGBoost算法的负荷预测模型采用CART树作为基学习器,输入预处理后的历史负荷和特征数据,通过构建多个弱学习器逐层训练模型并得到模型,最后向模型输入测试集特征得到最终的预测结果。本文所搭建的负荷预测模型具有避免对数据特征的标准化、处理字段缺失的数据、不用关心特征间是否相互依赖、学习效果好的优点。根据真实电网数据实验结果,基于XGBoost算法的负荷预测平均绝对误差百分比下降到3.46%,比本文所对比的基于BP、GRNN、DBN神经网络的负荷模型预测值精度更高,表明本文所提模型的优越性。     

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(e...     

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。     

基于多视角时间特征的短期电力负荷预测

外部因素对电力负荷具有周期性影响,且这些影响直接反映在电力负荷值上。基于多视角表示学习思想,使用历史电力负荷预测值的不同视角作为外部因素的隐藏表示。通过对历史电力负荷数据进行特征提取,并将电力负荷分为分钟、小时和天三个时间视角,分别采用了适应性的神经网络模型进行特征提取,并引入了一个多视角特征合并模块,融合不同时间尺度上的信息来提高负荷预测准确性。实验证明,所提出的方法在西南某地区的电力负荷数据集上表现出较好的预测性能,与单一时间视角的模型相比,平均绝对误差和均方误差分别降低了12.21%和11.12%。     

基于XGBoost的双层协同实时校正超短期光伏预测

针对超短期光伏预测应对突发过程性天气时准确性普遍下降,而通过实时气象监测校正辐射值对设备要求较高、对精细化预报依赖性强的问题,以数据驱动为理念,提出了基于XGBoost的双层协同实时校正超短期光伏预测模型。根据大气运动的连续演变性和自相似性,从机器学习角度推演气象整体连续变化的过程,提升预测精度。首先,基于数值天气预报(NWP),在基准层建立强相关气象特征的预测模型。然后,在实时层由临近时段内的基准层动态预测情况挖掘潜在的气象变化规律,并推测未来预测时段气象因素对于光伏出力的影响,对时段内基准预测值进行逐点校正。采用中国杭州滨江一实际光伏电站实采数据进行算例分析,分别与基于NWP特征学习、时序分析、误差推移的XGBoost预测模型以及决策树、支持向量机、长短期记忆网络这3种经典预测模型相比较,结果表明所提模型具有更高的超短期光伏预测精度。     

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。文中介绍了XGBoost算法的基本原理,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;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SVM和LSTM两种预测方法进行,实验结果表明XGBoost算法在预测光伏发电中具有较高的准确性和实用性。     

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VMD-LSTM-LightGBM的多特征短期电力负荷预测

针对目前多特征电力负荷预测精度不准的问题,为充分挖掘电力负荷数据中的时序信息、天气信息等特征信息,提出了一种基于变分模态分解（variational mode decomposition,VMD）的长短期记忆（long short-term memory,LSTM）神经网络与轻量级梯度提升机（light gradient boosting machine,LightGBM）预测模型,优化负荷数据非线性、非平稳、长记忆等问题,解决了多特征预测提取特征信息差的问题。该方法首先用VMD分解代表不同尺度的特征模态分量,降低了原始序列的不平稳度,同时分解的残差量代表负荷数据强非线性部分,通过特征性强的算法进行预测,将各模态分量通过LSTM的单特征预测,再将各个分量加入多特征利用LightGBM进行负荷预测。通过与目前多特征电力负荷预测模型进行对比实验,平均绝对误差（mean absolute error,MAE）值仅为其23%～73%,平均绝对百分比误差（mean absolute percentage error,MAPE）值能达到0.37%,具有更好的预测精度。     

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。     

基于免疫算法的超短期负荷预测方法

运用最小二乘的方法建立差分模型并用于电力系统负荷预测,并提出了基于免疫算法的组合差分预测负荷模型,将该模型应用于超短期负荷用量预测和超短期负荷曲线预测,提高了负荷预测的精确性。在实例分析中,利用以1 h为采样时间间隔的差分模型、2 h为采样时间间隔差分模型、3 h为采样时间间隔差分模型和以这前三种模型建立的基于免疫算法的组合差分模型对某市负荷数据进行了负荷用量预测和负荷曲线预测,最终预测结果验证了论文提出的负荷预测方法的有效性。     

基于气候特征分析及改进XGBoost算法的中长期光伏电站发电量预测方法

光伏发电在能源结构中的重要性不断凸显,而提高光伏发电量预测的准确性成为当前研究的关键问题。针对中长期光伏发电量预测问题,提出一个综合利用气候预测数据的中长期光伏发电量预测方法。首先,在基于气候预测数据的发电量预测框架中,根据气候预测数据特点和预测周期划分多重子模型以充分利用气候预测数据信息。其次,在进行数据预处理后,通过对气候特征衍生与交叉、特征筛选和选择,充分挖掘气候特征的高价值信息。然后,采取一种两重多阶段超参数寻优策略,对极端梯度增强(extreme gradient boosting, XGBoost)超参数进行调整以优化预测模型。最后,在真实光伏发电量数据上,以MAPE为标准评估预测水平,验证所提中长期光伏发电量预测方法的有效性。相关实验结果表明该方法可以有效提高光伏发电量预测精度。     

基于XGBoost的配电网线路峰值负荷预测方法

为实现电网平稳迎峰度夏,需要在夏季负荷高峰前提前1～2个月对配电网线路进行峰值负荷预测,为设备部门有计划地制订和实施增容和改扩建方案提供数据支撑.提出一种基于XGBoost的配电网线路峰值负荷预测方法.该方法综合考虑气象因素、时间因素、春季基础负荷因素,分析各类因素与夏季负荷高峰的相关性,确定预测样本特征值.通过K-m...     

考虑气象因素SVR算法的短期电力负荷预测

介绍了SVR(Support Vector Regression)算法在短期电力负荷预测中的应用。结合地区实际,在算法中考虑相应的气象因素。该算法具有精度高、收敛速度快、全局最优等优点。     

基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

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。     

多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析,提出将负荷数据分层分区的处理方法,建立它们之间相互牵制和联系的表达,在由递推最小二乘支持向量机(RLS-SVM)算法实现顶层预测的基础上,建立输电系统多节点负荷动态行为特征的描述模型,构建了自适应动态模型的超短期负荷预测总体构架.以山东电网为例的现场测试效果验证了所述方法的可行性和有效性.     

基于XGBoost的非侵入式负荷分解

为提高非侵入式负荷分解的准确率,更准确地挖掘电力用户的用电信息,提出了基于机器学习XGBoost算法的非侵入式负荷分解方法。以决策树中的回归树模型为基础,通过梯度提升树得到由回归树构成的强评估器。同时,以损失函数和模型复杂度为目标函数,并引入叶子结点,得到更准确的XGBoost非侵入式负荷识别模型。在公开数据集（Referenceenergy disaggregation data set,REDD）上对模型进行了验证。结果表明,所提方法能大幅提高非侵入式负荷识别的准确性。