電力負荷預(yù)測在電力系統(tǒng)規(guī)劃和發(fā)展的過程中承擔(dān)了十分重要的角色,準確的預(yù)測有助于降低成本并優(yōu)化決策。合理的進行負荷預(yù)測對電力系統(tǒng)規(guī)劃及其重要,是電力事業(yè)持續(xù)、穩(wěn)定和健康發(fā)展的必然要求,具有顯著的經(jīng)濟和社會效益。天氣、經(jīng)濟條件等各種不同因素均會對電力負荷的波動產(chǎn)生一定的影響,導(dǎo)致負荷預(yù)測存在較強的不穩(wěn)定性。近些年,學(xué)者們對于電力負荷預(yù)測方法的研究逐漸深入,眾多負荷預(yù)測的方法相繼被提出,但是使用單一模型進行負荷預(yù)測時普遍存在的問題是單一模型無法充分展現(xiàn)負荷的變化規(guī)律,對于不同的數(shù)據(jù)集不能保證預(yù)測精度的穩(wěn)定性,因此負荷組合預(yù)測模型逐漸受到人們的關(guān)注。本文首先介紹了電力負荷預(yù)測與組合預(yù)測的概念與研究背景,論述了組合預(yù)測的意義和基本原理,并詳細介紹了隨機森林、分位數(shù)回歸森林、梯度提升回歸樹、分位數(shù)回歸梯度提升、XGBoost和LightGBM等常用的機器學(xué)習(xí)回歸算法的基本原理與算法流程,以及簡單平均、基于模型性能的加權(quán)平均、普通最小二乘預(yù)測組合、最小絕對偏差預(yù)測組合等組合方法的基本原理。此外,介紹了兩種模型評估采用的評價指標(biāo):MAPE與RMSE。由于單一模型難以對所有數(shù)據(jù)集都得到最佳的預(yù)測精度,為...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1.緒論
    1.1 研究背景及意義
    1.2 組合預(yù)測理論的研究現(xiàn)狀
    1.3 本文的主要工作與創(chuàng)新
    1.4 本文的組織結(jié)構(gòu)
2.電力負荷預(yù)測模型理論介紹
    2.1 單項預(yù)測模型
        2.1.1 分類回歸樹
        2.1.2 隨機森林
        2.1.3 分位數(shù)回歸森林
        2.1.4 梯度提升回歸樹
        2.1.5 分位數(shù)回歸梯度提升
        2.1.6 XGBoost
        2.1.7 Light GBM
    2.2 組合預(yù)測模型
        2.2.1 簡單平均
        2.2.2 基于模型性能的加權(quán)平均
        2.2.3 普通最小二乘與最小偏差加權(quán)平均
    2.3 模型評估
    2.4 本章小結(jié)
3.優(yōu)化的組合預(yù)測模型
    3.1 基于XGBoost模型的多維特征提取方法
    3.2 基于貝葉斯的超參數(shù)優(yōu)化模型
    3.3 優(yōu)化的組合預(yù)測模型
    3.4 本章小結(jié)
4.FE-BO組合模型電力負荷預(yù)測
    4.1 數(shù)據(jù)準備
        4.1.1 電力負荷數(shù)據(jù)來源及預(yù)處理
        4.1.2 電力負荷特性分析
        4.1.3 電力負荷預(yù)測特征選擇
    4.2 特征提取
    4.3 單項模型預(yù)測
    4.4 組合模型預(yù)測
        4.4.1 FE-BO組合模型與基準模型的比較
        4.4.2 FE-BO組合模型與未優(yōu)化組合模型的比較
    4.5 本章小結(jié)
5.結(jié)論與展望
    5.1 本文主要結(jié)論
    5.2 下一步工作
參考文獻
致謝



本文編號：3762421