基于优化聚类分解与XGBOOST的超短期电力负荷预测

摘要：

电力负荷预测是制定发电计划和确保电网稳定运行的基础,为提高电力负荷预测精度,提出一种基于优化聚类分解与极限梯度提升(XGBOOST)的超短期电力负荷预测方法.一方面针对模糊C均值聚类(FCM)不能自动选择聚类数问题提出一种均值漂移(Mean Shift)优化FCM的优化聚类(MF);另一方面为减小电力负荷数据随机性对电力负荷预测的影响,提出一种结合MF、自适应噪声的完全集成经验模式分解(CEEMDAN)、XGBOOST的MFCX(MF-CEEMDAN-XGBOOST)的超短期负荷预测模型.首先使用Mean Shift搜寻到的最佳聚类数和聚类中心替换FCM的聚类数和初始聚类中心,对负荷数据聚类,然后采用CEEMDAN分解得到较为平稳的负荷分量,最后使用XGBOOST对新的负荷序列分别预测后进行模态重构得到最终预测结果.使用Python语言搭建模型进行实例分析与不同模型对比,MFCX有较低的预测误差,从而验证了模型的有效性.

关键词：超短期电力负荷预测、自适应噪声的完全集成经验模式分解、均值漂移、极限梯度提升、模糊C均值聚类

所属期刊栏目：41

分类号：TM715(输配电工程、电力网及电力系统)

在线出版日期：2022-09-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：46-51