文献类型：期刊文章

作　　者：陈振宇[1,2] 刘金波[3] 李晨[4] 季晓慧[4] 李大鹏[1] 黄运豪[1] 狄方春[1] 高兴宇[5] 徐立中[6]

CHEN Zhenyu;LIU Jinbo;LI Chen;JI Xiaohui;LI Dapeng;HUANG Yunhao;DI Fangchun;GAO Xingyu;XU Lizhong(Beijing Key Laboratory of Research and System Evaluation of Power Dispatching Automation Technology(China Electric Power Research Institute),Haidian District,Beijing 100192,China;Big Data Center,SGCC,Xicheng District,Beijing 100031,China;National Power Dispatch and Control Center,SGCC,Xicheng District,Beijing 100031,China;School of Information Engineering,China University of Geosciences,Haidian District,Beijing 100083,China;Institute of Microelectronics,Chinese Academy of Sciences,Chaoyang District,Beijing 100029,China;State Grid Zhejiang Electric Power Company,Hangzhou 310007,Zhejiang Province,China)

机构地区：[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),北京市海淀区100192 [2]国家电网有限公司大数据中心,北京市西城区100031 [3]国家电网有限公司国家电力调度控制中心,北京市西城区100031 [4]中国地质大学(北京)信息工程学院,北京市海淀区100083 [5]中国科学院微电子研究所,北京市朝阳区100029 [6]国网浙江省电力有限公司,浙江省杭州市310007

出　　处：《电网技术》

基　　金：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).

年　　份：2020

卷　　号：44

期　　号：2

起止页码：614-620

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

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  

分 类 号：TM715]