电力系统负荷预测是能源领域的常规问题,为解决电力系统负荷预测中普遍存在的精度不高、特征工程处理较为粗糙等问题,采用了一种基于改进GBDT(gradient boosted decision tree)算法的负荷预测新方法。该方法采用加权离散化的特征工程手...电力系统负荷预测是能源领域的常规问题,为解决电力系统负荷预测中普遍存在的精度不高、特征工程处理较为粗糙等问题,采用了一种基于改进GBDT(gradient boosted decision tree)算法的负荷预测新方法。该方法采用加权离散化的特征工程手段处理输入特征,合理推导GBDT算法的预测原理,并在Python环境中建模预测,输出的3个月的预测误差分别为3.91%、5.00%和4.65%,同时在同一个数据集下,和LSTM(long short term memory)模型进行对比实验,分别用不同的指标对比了二者的泛化性能。实验结果表明,所提的预测算法在运算速度以及泛化能力方面优于LSTM算法。展开更多
文摘电力系统负荷预测是能源领域的常规问题,为解决电力系统负荷预测中普遍存在的精度不高、特征工程处理较为粗糙等问题,采用了一种基于改进GBDT(gradient boosted decision tree)算法的负荷预测新方法。该方法采用加权离散化的特征工程手段处理输入特征,合理推导GBDT算法的预测原理,并在Python环境中建模预测,输出的3个月的预测误差分别为3.91%、5.00%和4.65%,同时在同一个数据集下,和LSTM(long short term memory)模型进行对比实验,分别用不同的指标对比了二者的泛化性能。实验结果表明,所提的预测算法在运算速度以及泛化能力方面优于LSTM算法。
