赵齐昌,马帅旗.基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测[J].电工技术,2022(3):31-33
基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测
  
DOI：TM726DOI:10.19768/j.cnki.dgjs.2022.03.010
中文关键词:  短期负荷预测  XGBoost  模拟退火算法  LSTM  遗传算法
英文关键词:
基金项目:
作者单位
赵齐昌 陕西理工大学电气工程学院 
马帅旗 陕西理工大学电气工程学院 
摘要点击次数: 1204
全文下载次数: 0
中文摘要:
      为了提高短期电力负荷预测的精度，提出一种基于极端梯度提升和长短期记忆网络的组合预测方法。首先采用Spearman相关系数法对负荷与气象因素进行相关性分析，提取模型输入特征。然后分别建立XGBoost、LSTM预测网络，并采用遗传算法优化网络的参数。最后利用模拟退火算法对各网络的预测结果分配最优权重系数，通过加权组合得到最终的集成预测结果。实验结果表明，XGBoost和LSTM组合模型对短期电力负荷预测的平均绝对百分比误差为0.88%，与XGBoost模型、LSTM模型相比，误差分别降低了2.17%、1.99%，在负荷预测领域更具有优势。
英文摘要:
      
查看全文  查看/发表评论  下载PDF阅读器