文献类型：期刊文章

作　　者：陈剑强[1] 杨俊杰[1,2] 楼志斌[3]

Chen Jianqiang;Yang Junjie;Lou Zhibin(School of Electronic and Information Engineering,Shanghai University of Electric Power,Shanghai 200090,China;Shanghai Dianji University,Shanghai 201306,China;Shanghai Academy of Science&Technology,Shanghai 201203,China)

机构地区：[1]上海电力大学电子与信息工程学院,上海200090 [2]上海电机学院,上海201306 [3]上海科学院,上海201203

出　　处：《电测与仪表》

基　　金：国家自然科学基金资助项目(61202369; 61401269;61572311);上海市科技创新行动计划地方院校能力建设项目(17020500900);上海市人才发展资金(201501);上海市教育发展基金会和上海市教育委员会“曙光计划”(17SG51)

年　　份：2019

卷　　号：56

期　　号：21

起止页码：23-29

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对目前电网在负荷预测中所采集到的数据普遍存在着特征维度较少、特征关系不明、有效数据量较少的特点,为了提高电网短期负荷预测精度,提出一种基于XGBoost算法的新型负荷预测模型。基于XGBoost算法的负荷预测模型采用CART树作为基学习器,输入预处理后的历史负荷和特征数据,通过构建多个弱学习器逐层训练并得到模型,最后向模型输入测试集特征得到最终的预测结果。所搭建的负荷预测模型具有避免对数据特征的标准化、处理字段缺失的数据、不用关心特征间是否相互依赖、学习效果好的优点。根据真实电网数据实验结果,基于XGBoost算法的负荷预测平均绝对误差百分比下降到3.46%,对比基于BP、GRNN、DBN神经网络的负荷模型预测值精度更高,表明所提模型的优越性。

关 键 词：短期负荷预测 XGBoost算法  电力系统 特征分析  

分 类 号：TM714]