文献类型：期刊文章

作　　者：庄家懿[1] 杨国华[1,2] 郑豪丰[1] 张鸿皓[1]

ZHUANG Jiayi;YANG Guohua;ZHENG Haofeng;ZHANG Honghao(School of Physics and Electronic-Electrical Engineering,Ningxia University,Yinchuan 750021,China;Ningxia Key Laboratory of Electrical Energy Security,Yinchuan 750004,China)

机构地区：[1]宁夏大学物理与电子电气工程学院,宁夏银川750021 [2]宁夏电力能源安全重点实验室,宁夏银川750004

出　　处：《中国电力》

基　　金：国家自然科学基金资助项目(61763040,71263043)。

年　　份：2021

卷　　号：54

期　　号：5

起止页码：46-55

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM(long short term memory)网络结构,并将其与XGBoost(eXtreme boosting system)预测模型并行结合,之后结合MAPE-RW(mean absolute percentage error-reciprocal weight)算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM-XGBoost模型的MAPE(mean absolute percentage error)与RMSE(root mean square error)分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。

关 键 词：短期负荷预测 局部特征预提取  LSTM  XGBoost  多模型融合  

分 类 号：TM715] TP183]