基于集成模型的超短时负荷预测方法

摘要：

精准的短期负荷预测是保证电力系统顺利运行的关键.机器学习算法普及后,为以前难以解决的短期和超短期负荷预测提供了算法支持.鉴于梯度提升决策树(Catboost)、卷积神经网络-长短期记忆网络(CNN-LSTM)、极端随机树(Extratrees)等集成模型处理非线性相关数据效果好,本文将上述3种方法进行组合,构建集成预测模型,使用BP神经网络确定权重系数,通过权重将各种单项预测模型的优点结合在一起,从而起到了更好的预测效果.为了更好地说明本文使用方法的优点,本文采用平均绝对百分比误差(MAPE)和均方根误差、均方误差、拟合优度作为衡量指标,以集成模型与各个单项预测模型作对比,在MAPE标准下,集成模型比Catboost、CNN-LSTM、Extratrees模型分别降低了1.01个百分点、0.94个百分点、1.19个百分点.

关键词：超短时负荷预测、集成模型、梯度提升决策树(Catboost)模型、卷积神经网络-长短时记忆网络、极端随机树模型

分类号：C8(统计学)

资助基金：中央高校基本科研业务费专项资金资助项目;电力系统国家重点实验室资助课题;中国博士后科学基金资助项目

在线出版日期：2021-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：12-17