检索结果-南通市图书馆

高电压技术 2021年第8期47卷 2885-2895页

作者：孙超吕奇朱思曈郑薇曹云飞王俊沈阳农业大学信息与电气工程学院沈阳110866 国网辽宁省电力有限公司营口供电公司营口115000

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 gr... 详细信息

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

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于特征工程及XGBoost算法的超短期电力负荷预测

基于特征工程及XGBoost算法的超短期电力负荷预测

引用

作者：吕奇沈阳农业大学

学位级别：硕士

电力负荷预测是基于电力负荷、经济发展状况和气象指标等历史数据,探索历史数据和未来负荷变化之间规律的方法。在电网调度、检修计划的制定方面一直是备受关注的重要依据,在保证供电的可靠性,提高社会经济效益等方面具有重要意义。因此... 详细信息

电力负荷预测是基于电力负荷、经济发展状况和气象指标等历史数据,探索历史数据和未来负荷变化之间规律的方法。在电网调度、检修计划的制定方面一直是备受关注的重要依据,在保证供电的可靠性,提高社会经济效益等方面具有重要意义。因此,为了节省电力资源、保持电网安全稳定运行,必须深入研究电力负荷短期预测方法。本文以超短期电力负荷预测为研究目标,分析、确定显著影响负荷的特征数据,研究基于机器学习、深度学习及集成算法的负荷预测算法,以提高预测精度和效率。历史负荷数据和特征数据对负荷预测的结果有着重要的影响,但现有的超短期负荷预测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。针对此问题,采取特征工程的思想,将采集到的原始特征数据进行填充及清洗后分别基于MDS(Multiple Dimensional Scalling)算法和XGBoost(e Xtreme Gradient Boosting)算法对特征数据集进行筛选与降维,得出对电力负荷具有显著影响的低维特征数据集。同时分析各特征数据之间及其与负荷数据间的相关性,进而建立了以提高负荷预测精度和效率为目的的数据处理层模型。研究成果可为负荷预测模型搭建提供高质量数据集。预测算法的选择对负荷预测结果也具有重要的影响,随着人工智能技术的发展进步,传统的预测算法已经无法满足所需精度及效率的需求。所以,提出基于XGBoost算法的超短期电力负荷预测模型,与数据处理层一起构建双层XGBoost预测模型,通过构建多个弱学习器逐层训练,以数据处理层筛选出的特征集和负荷为输入,采用麻雀优化算法(Sparrow Search Algorithm,SSA)优化XGBoost预测模型的相关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,可为电力系统规划提供依据。机器学习、人工智能领域的技术进步为提高负荷预测精度提供了有效途径。鉴于此,利用提出的双层XGBoost算法预测模型和特征选择算法,以考虑多特征对负荷的影响为研究基点,从Stacking架构下融合多模型的角度研究了晴天工作日、节假日及阴雨天不同情况下负荷预测模型。将XGBoost算法与多模型融合,充分考虑各种单模型预测方法的数据统计和训练原理差别,建立一个融合多学习器的负荷预测方法。将多种机器学习及深度学习方法植入其中,其中包括XGBoost、支持向量机算法(support vector machines,SVM)、随机森林算法(Random Forest,RF)、卷积神经网络(Convolutional Neural Networks,CNN)、循环门单元(Gate Recurrent Unit,GRU)。并依据评价指标,选择XGBoost作为元学习器建立第二层预测模型。通过实际应用,所搭建的预测模型可有效地定量分析输入数据信息的特征影响程度,而随着基学习器的学习能力的提升,各个单模型的预测误差相关程度也会大大降低,从而进一步提高模型的预测精度及效果。以工作日预测为例,均值绝对偏差百分比为0.57%,均方根误差为0.05k W,均值绝对偏差为0.04k W。且在不同时间段数据集下,具有良好的泛化能力,验证了模型和预测方法的实用性及有效性。

关键词：负荷预测特征工程 XGBoost 集成算法 Stacking 多特征维度

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：