共 23 条
基于LSTM与XGBoost组合模型的超短期电力负荷预测
被引：229
|作者：
陈振宇
[1
,2
]
刘金波
[3
]
李晨
[4
]
季晓慧
[4
]
李大鹏
[1
]
黄运豪
[1
]
狄方春
[1
]
高兴宇
[5
]
徐立中
[6
]
机构：
[1] 电力调度自动化技术研究与系统评价北京市重点实验室(中国电力科学研究院有限公司)
[2] 中国科学院微电子研究所
[3] 中国地质大学(北京)信息工程学院
[4] 国网浙江省电力有限公司
[5] 国家电网有限公司大数据中心
[6] 国家电网有限公司国家电力调度控制中心
来源：
关键词：
电力负荷;
超短期;
负荷预测;
LSTM网络;
XGBoost;
组合模型;
D O I：
10.13335/j.1000-3673.pst.2019.1566
中图分类号：
TM715 [电力系统规划];
学科分类号：
080802 ;
摘要：
为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork, LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE (mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU (gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。
引用
收藏
页码：614 / 620
页数：7
相关论文