首页 | 本学科首页   官方微博 | 高级检索  
     

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
作者姓名:陈振宇  刘金波  李晨  季晓慧  李大鹏  黄运豪  狄方春  高兴宇  徐立中
作者单位:1.电力调度自动化技术研究与系统评价北京市重点实验室(中国电力科学研究院有限公司)100192;2.国家电网有限公司大数据中心100031;3.国家电网有限公司国家电力调度控制中心100031;4.中国地质大学(北京)信息工程学院100083;5.中国科学院微电子研究所100029;6.国网浙江省电力有限公司310007;
基金项目:国家电网有限公司总部科技项目“大电网理想调度及知识发现关键技术研究与应用”(52110418002A).
摘    要: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。

关 键 词:电力负荷  超短期  负荷预测  LSTM网络  XGBoost  组合模型
本文献已被 维普 等数据库收录!
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号