改进GBDT算法的负荷预测研究

作者：徐永瑞; 左丰恺; 朱新山; 李硕士; 刘洪瑞; 孙彪

来源：电力系统及其自动化学报, 2021, 33(08): 94-101.

DOI：10.19635/j.cnki.csu-epsa.000618

• 负荷预测
• 决策树
• 集成学习
• 特征工程
• 样本空间

电力系统负荷预测是能源领域的常规问题,为解决电力系统负荷预测中普遍存在的精度不高、特征工程处理较为粗糙等问题,采用了一种基于改进GBDT(gradient boosted decision tree)算法的负荷预测新方法。该方法采用加权离散化的特征工程手段处理输入特征,合理推导GBDT算法的预测原理,并在Python环境中建模预测,输出的3个月的预测误差分别为3.91%、5.00%和4.65%,同时在同一个数据集下,和LSTM(long short term memory)模型进行对比实验,分别用不同的指标对比了二者的泛化性能。实验结果表明,所提的预测算法在运算速度以及泛化能力方面优于LSTM算法。

• 出版日期2021
• 单位天津大学