吉林大学学报(信息科学版) ›› 2023, Vol. 41 ›› Issue (1): 131-137.
生红莹, 赵伟国, 陈 扬, 周 江
SHENG Hongying, ZHAO Weiguo, CHEN Yang, ZHOU Jiang
摘要: 针对现有电力系统短期负荷预测中存在的预测效果不佳的问题, 提出基于深度数据挖掘的电力系统短期负荷预测算法。 将归一化处理的历史电力系统负荷数据、 模糊处理的温度数据、 天气状况、 降水概率等数据作为预测模型的输入量, 构建基于模糊 GBDT(Gradient Boosting Decision Tree)的电力系统短期负荷预测模型, 并引入 Boosting 算法, 以解决预测模型中存在的训练速度缓慢和内存占用大等问题; 在此基础上, 设计基于模糊Boosting-GBDT 的电力系统短期负荷预测模型, 实现电力系统短期负荷预测。 实验结果表明, 所提预测方法在工作日和休息日不同时刻的电力系统短期负荷预测结果与实际负荷较接近; 未来一周电力系统短期负荷预测MAPE 和 RMSPE 值均低于 0. 2% 。
中图分类号: