文献类型：期刊文章

作　　者：孙超[1,2] 吕奇[1] 朱思曈[1] 郑薇[2] 曹云飞[1] 王俊[1]

SUN Chao;LÜ Qi;ZHU Sitong;ZHENG Wei;CAO Yunfei;WANG Jun(College of Information and Electrical Engineering,Shenyang Agricultural University,Shenyang 110866,China;Yingkou Power Supply Company,State Grid Liaoning Electric Power Co.,Ltd.,Yingkou 115000,China)

机构地区：[1]沈阳农业大学信息与电气工程学院,沈阳110866 [2]国网辽宁省电力有限公司营口供电公司,营口115000

出　　处：《高电压技术》

基　　金：国家电网公司科技项目(2020YF–10);国家自然科学基金(61903264);辽宁省重点研发指导计划项目(2019JHB/10100070)。

年　　份：2021

卷　　号：47

期　　号：8

起止页码：2885-2895

语　　种：中文

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

摘　　要：历史数据在电力负荷预测中必不可少,但选用的历史数据往往存在数据量虽大而数据特征维度少、无效数据多、数据间的特征关系不明确等问题,显著影响电力负荷预测的精度。为提高超短期电力负荷预测精度,提出一种基于双层XGBoost(eXtreme gradient boosting)算法的超短期电力负荷预测方法。该方法的第1层,即数据处理层,基于XGBoost算法及特征工程,构建多个弱学习器逐层训练,筛选出对电力负荷具有显著影响的特征集;第2层即负荷预测层,以第1层筛选出的特征集和负荷为输入,优化选择XGBoost算法的超参数并对模型进行训练以得到精度最高、均方根误差最小的负荷预测模型。所搭建的负荷预测模型能够避免对数据特征进行标准化处理,且可减小数据字段缺失的影响,不用考虑特征间是否相互依赖,且模型学习效果好。算例分析中,对比基于单层XGBoost、BP神经网络、ARIMA的负荷预测模型,所提方法预测值精度更高,且在不同时间段数据集下,具有良好的泛化能力。

关 键 词：负荷预测 机器学习  特征工程  XGBoost  数据预处理 多特征维度  

分 类 号：TM715]