基于机器学习算法的短期电力负荷预测研究

• 作 者: 黄震
• 出 处: 青岛科技大学
• 发表日期: 2020年01期
• 关键词: 电力负荷预测 小波去噪 极端梯度提升 长短期记忆网络 最大信息系数

电力负荷预测是电力行业制定发展规划的基础,也是确保电网稳定运行的前提条件。随着用电场景的复杂化,对电力负荷预测提出了更高的要求。精准的电力负荷预测有助于保持电力供需平衡,提高电网的经济效益。目前电力负荷预测中缺乏对数据时序信息及各影响因素信息的充分挖掘利用,具有强大数据分析能力的机器学习算法为提高电力负荷预测的效率和精度提供了研究基础。针对以上问题,本文具体研究内容为:(1)针对样本数据中异常数据及属性数据难以处理的问题,本文采用更加有效的数据预处理方案,包括独热编码、数据标准化、空缺数据填补以及小波去噪方法。通过对历史负荷数据进行预处理,使得预测模型可以学习到更加准确的信息,为提高模型的预测精度做了铺垫。(2)电力负荷数据具有时序属性,利用长短期记忆网络(LSTM)善于处理时序问题的特点,构建了LSTM预测模型。采用最大信息系数计算出与用电负荷相关性较大的因素作为输入变量。为了避免因激活函数求导收敛而引起的梯度消失问题,在构建的LSTM模型中引入了softsign激活函数进行优化,同时采用正则化方法防止模型过拟合。最后,基于真实样本数据进行实验,在输入特征较少的情况下,上述LSTM模型与其他预测方法相比具有较优的预测性能。(3)针对电力负荷预测时模型输入特征选择困难的问题,以极端梯度提升(XGBoost)算法为基础,构建了融合历史负荷与实时影响因素的XGBoost预测模型。分别利用梯度提升决策树算法和最大信息系数对不同的特征进行分析,合理的选择主要特征作为模型的输入变量,提高模型预测精度的同时降低了计算复杂度。同时,针对XGBoost算法参数较多、调优困难的问题,引入改良粒子群算法(IPSO)对模型的超参数进行调优,进一步提升了模型的预测性能。最后,通过不同时间跨度的电力负荷预测实例,与其他预测方法相比,IPSO-XGBoost可以有效地提高短期电力负荷预测的精度。