基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测

为了提高短期电力负荷预测的精度，提出一种基于极端梯度提升和长短期记忆网络的组合预测方法。首先采用Spearman相关系数法对负荷与气象因素进行相关性分析，提取模型输入特征。然后分别建立XGBoost、LSTM预测网络，并采用遗传算法优化网络的参数。最后利用模拟退火算法对各网络的预测结果分配最优权重系数，通过加权组合得到最终的集成预测结果。实验结果表明，XGBoost和LSTM组合模型对短期电力负荷预测的平均绝对百分比误差为0.88%，与XGBoost模型、LSTM模型相比，误差分别降低了2.17%、1.99%，在负荷预测领域更具有优势。

Short-term Power Load Forecasting Method Based on eXtreme Gradient Boosting-Long Short Term Memory Neural Network