10.19753/j.issn1001-1390.2019.021.004
基于XGBoost算法的新型短期负荷预测模型研究
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.
短期负荷预测、XGBoost算法、电力系统、特征分析
56
TM714(输配电工程、电力网及电力系统)
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
2019-12-19(万方平台首次上网日期,不代表论文的发表时间)
共7页
23-29