文献类型：期刊文章

作　　者：龚雪娇[1] 朱瑞金[1] 唐波[1]

GONG Xuejiao;ZHU Ruijin;TANG Bo(School of Electrical Engineering,Tibet Agriculture&Animal Husbandry College,Linzhi 860000,China)

机构地区：[1]西藏农牧学院电气工程学院,西藏林芝860000

出　　处：《电力工程技术》

基　　金：西藏自治区自然科学基金资助项目(XZ2019ZRG-52(Z))。

年　　份：2020

卷　　号：39

期　　号：6

起止页码：76-81

语　　种：中文

收录情况：JST、RCCSE、ZGKJHX、普通刊

摘　　要：随着电网结构愈发复杂,负荷的多样性与波动性显著增加,对预测模型提出了更高的泛化能力和精度要求。然而,传统算法存在易过拟合、精度低等固有缺陷,难以实现复杂电网下精准的尖峰负荷预测。为此,文中提出一种基于贝叶斯优化极限梯度提升(XGBoost)的模型用于短期峰值负荷预测。首先,通过特征重要度得分进行特征提取,剔除冗余特征,确保输入-输出有较优的映射关系;然后,引入贝叶斯优化算法进行超参数调优,使XGBoost的性能达到最佳状态;最后,使用国内某市电力负荷数据对所提模型的有效性进行验证,结果表明,与其他机器学习方法相比,贝叶斯优化XGBoost具有更高的预测精度。

关 键 词：贝叶斯优化  极限梯度提升(XGBoost)  峰值负荷 负荷预测 超参数

分 类 号：TM933]