文章详情
| 稿件标题： | VMD-Stacking集成学习的多特征变量短期负荷预测模型 |
| 稿件作者： | 王士彬1,2，何鑫2,3，余成波2,3，张未2,3，陈佳2,3 |
| DOI： | 10.11809/bqzbgcxb2024.02.028 |
| 科学编辑： | 李彬 博士（华北电力大学 副教授） |
| 栏目名称： | 信息科学与控制工程 |
| 关键词： | 短期电力负荷预测；变分模态分解；Stacking集成学习；多特征变量；轻量级梯度提升机；极限梯度提升机 |
| 文章摘要： | 针对当前短期电力负荷预测结果准确度不够高的问题，提出一种由变分模态分解（variational modal decomposition，VMD）和Stacking集成学习框架组合的多特征变量短期负荷预测模型。在预测前使用VMD算法将负荷数据分解，然后加入对模型重要性较高的特征变量，再建立由轻量级梯度提升机(light gradient boosting machine，LightGBM)与极限梯度提升机(extreme gradient boosting,XGBoost)融合的Stacking集成学习预测模型，并比较不同天气情况下对预测模型准确度的影响。经实际算例对比验证表明：多特征的VMDStacking集成学习预测模型的误差较小。采用VMD算法分解历史负荷序列，分解后子模态分量的周期性体现了出来，让模型预测波动性较大的负荷时更容易；温度、天气、农历和节假日情况等影响负荷变化的关键因素有被考虑到，模型的准确度得以提高；Stacking 集成学习模型对各算法取长补短，泛化能力增强，预测的准确度高于单一模型。 |
| 稿件基金： | 重庆市自然科学基金面上项目(cstc2021jcyjmsxmX0251)；重庆市教育委员会科学技术研究计划(KJQN202101115，KJQN202201157)；重庆理工大学研究生教育高质量发展行动计划资助成果(gzlcx20232039,gzlcx20233120) |
| 引用本文格式： | 王士彬，何鑫，余成波，等.VMDStacking集成学习的多特征变量短期负荷预测模型［J］.兵器装备工程学报，2024，45(2)：218-224. WANG Shibin, HE Xin, YU Chengbo, et al.Multifeature shortterm load forecasting based on VMDStacking ensemble learning［J］.Journal of Ordnance Equipment Engineering，2024，45(2)：218-224. |
| 刊期名称： | 2024年02期 |
| 出版时间： | 2024年2月 |
| 收稿日期： | 2023年3月17日 |
| 修回日期： | 2023年5月13日 |
| 录用日期： | 2023年6月14日 |
| 上线时间： | 2024年2月28日 |
| 浏览次数： | 1396 |
| 下载次数： | 46 |
| 免费阅读PDF 在线阅读 下载本期目录 下载本期封面 | |