基于多模型综合特征选择和LSTM-Attention的短期负荷预测

摘要：

为提高电力系统短期负荷预测精度和预测效率,提出一种基于多模型综合特征选择和长短期记忆单元(long short time memory,LSTM)-Attention的短期负荷预测方法.首先,利用随机森林算法、自适应集成(adaptive boosting,AdaBoost)算法及梯度提升树(gradient boosting decision tree,GBDT)算法对原始数据进行初步拟合预测,提取3种算法拟合后的结果来获取特征量与负荷大小的相关系数,从而建立综合相关系数.接着,根据综合相关系数的大小,剔除相关系数较小的特征量,将剩余的特征量与历史负荷大小数据结合构成新的数据集.最后,将新的数据集作为LSTM-Attention预测模型的输入,从而得到待预测日的负荷预测曲线.通过分析所提出的预测方法在某地区负荷数据集的预测结果可知,该方法优于其他预测方法.

关键词：短期负荷预测、多模型、特征选择、相关系数、LSTM-Attention

所属期刊栏目：7

分类号：TK01;TM71(一般性问题)

资助基金：国家自然科学基金51977039

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：11-20