基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测 |
| |
作者单位: | 沈阳农业大学信息与电气工程学院,沈阳110866;国网辽宁省电力有限公司营口供电公司,营口 115000;沈阳农业大学信息与电气工程学院,沈阳110866;国网辽宁省电力有限公司营口供电公司,营口 115000 |
| |
基金项目: | 国家电网有限公司总部科技项目;国家自然科学基金;辽宁省重点研发指导计划项目 |
| |
摘 要: | 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。
|
关 键 词: | 负荷预测 机器学习 特征工程 XGBoost 数据预处理 多特征维度 |
本文献已被 CNKI 万方数据 等数据库收录! |
|