基于LSTM与XGBoost组合模型的超短期电力负荷预测

【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。

下载App查看全文

下载全文更多同类文献

PDF全文下载

CAJ全文下载

(如何获取全文？欢迎：购买知网充值卡、在线充值、在线咨询)

CAJViewer阅读器支持CAJ、PDF文件格式，AdobeReader仅支持PDF格式

	【相似文献】
	【相似文献】

中国期刊全文数据库

前16条

1	陈亮;王震;王刚;;深度学习框架下LSTM网络在短期电力负荷预测中的应用[J];电力信息与通信技术;2017年05期
2	陈卓;孙龙祥;;基于深度学习LSTM网络的短期电力负荷预测方法[J];电子技术;2018年01期
3	陈倩;齐林海;王红;;基于LSTM网络的谐波多标签分类[J];电力建设;2019年07期
4	朱继峰;闫飞;郑水明;洪星芸;徐正国;;基于XGBoost的磨煤机效率异常检测[J];计算机应用;2019年S2期
5	姚朝;辛平安;施卜今;周艳平;;基于LSTM时间递归神经网络的短期电力负荷预测[J];云南水力发电;2019年03期
6	杨柳;潘冰;;计及风光储差异化峰谷调度的LSTM微电网负荷预测模型[J];电器与能效管理技术;2019年19期
7	张莲;王磊;曹阳;;基于CAS优化的LSTM循环神经网络的高压断路器故障预测方法研究[J];重庆理工大学学报(自然科学);2020年02期
8	李松岭;;基于TensorFlow的LSTM循环神经网络短期电力负荷预测[J];上海节能;2018年12期
9	张宇航;邱才明;贺兴;凌泽南;石鑫;;一种基于LSTM神经网络的短期用电负荷预测方法[J];电力信息与通信技术;2017年09期
10	徐家慧;张明;白静洁;何慧;赵扬;白盛楠;;基于双向LSTM的电网调度日志分类[J];计算机应用与软件;2019年01期
11	刘培贞;贾玉祥;夏时洪;;一种面向电力运维作业的LSTM动作识别方法[J];系统仿真学报;2019年12期
12	邸瑞;陈正鸣;吕嘉;;基于SMOTE的XGBoost算法在风机叶片结冰预测中的应用[J];信息技术;2019年12期
13	徐尧强;方乐恒;赵冬华;王凯;;基于LSTM神经网络的用电量预测[J];电力大数据;2017年08期
14	许裕栗;杨晶;李柠;甘中学;;Xgboost算法在区域用电预测中的应用![J];自动化仪表;2018年07期
15	张云翔;饶竹一;;基于LSTM神经网络的电网文本分类方法[J];现代计算机;2020年02期
16	郎伟明;麻向津;周博文;杨东升;罗艳红;刘林奇;;基于LSTM和非参数核密度估计的风电功率概率区间预测[J];智慧电力;2020年02期

中国重要会议论文全文数据库

前1条

1	陈晋贤;;基于SMBO优化的XGBoost集成电路PVD电阻率虚拟量测[A];中国自动化学会华东六省一市学术年会论文摘要集[C];2018年

中国硕士学位论文全文数据库

前4条

1	张冲冲;基于LSTM深度网络和改进核极限学习机的短期电力负荷预测[D];华北电力大学;2019年
2	Khuram Hayat;基于融合LSTM的超短期风速概率预测方法研究[D];华北电力大学(北京);2019年
3	周楚杰;基于LSTM和TCN混合深度学习的风速短期预测模型[D];兰州大学;2019年
4	王若恒;基于LSTM的风电功率区间预测研究[D];华中科技大学;2018年

	快捷付款方式		订购知网充值卡	订购热线	帮助中心
	微信支付支付宝银行卡	知网卡在线购卡更多>>	免费送卡上门银行汇款购卡邮局汇款购卡	400-819-9993 010-62982499 010-62783978	常见问题在线咨询阅读器下载	充值中心知网卡新手指南