基于多模型融合Stacking集成学习方式的负荷预测方法

作者:史佳琪; 张建华

摘要:人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合 Stacking 集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势,构建多个机器学习算法嵌入的 Stacking集成学习的负荷预测模型,模型的基学习器包含 XGBoost树集成算法和长短记忆网络算法。算例使用 ENTSO 中瑞士负荷数据对算法有效性进行了验证。预测结果表明,XGBoost、梯度决策树、随机森林模型能够通过自身模型的增益情况对输入数据的特征贡献度进行量化分析;Stacking中各个基学习器的学习能力越强,关联程度越低,模型预测效果越好;与传统单模型预测相比,基于多模型融合的Stacking 集成学习方式的负荷预测方法有着较高的预测精度。

分类:
  • 期刊
  • >
  • 自然科学与工程技术
  • >
  • 工程科技II
  • >
  • 电力工业
收录:
  • 北大期刊(中国人文社会科学期刊)
  • CSCD 中国科学引文数据库来源期刊(含扩展版)
  • 维普收录(中)
  • 万方收录(中)
  • EI 工程索引(美)
  • 国家图书馆馆藏
  • 上海图书馆馆藏
  • 知网收录(中)
  • JST 日本科学技术振兴机构数据库(日)
  • 统计源期刊(中国科技论文优秀期刊)
关键词:
  • 人工智能
  • 负荷预测
  • 多模型融合
  • stacking集成学习
  • xgboost
  • 长短记忆网络

注:因版权方要求,不能公开全文,如需全文,请咨询杂志社

期刊名称:中国电机工程学报

期刊级别:北大期刊

期刊人气:8348

杂志介绍:
主管单位:中国科学技术协会
主办单位:中国电机工程学会
出版地方:北京
快捷分类:电力
国际刊号:0258-8013
国内刊号:11-2107/TM
邮发代号:82-327
创刊时间:1964
发行周期:半月刊
期刊开本:A4
下单时间:1-3个月
复合影响因子:3.5
综合影响因子:4.31