【精彩论文】基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

观点凝练

摘要：短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题，提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM（long short term memory）网络结构，并将其与XGBoost（eXtreme boosting system）预测模型并行结合，之后结合MAPE-RW（mean absolute percentage error-reciprocal weight）算法进行模型融合初始权重设置，对最佳权重进行搜索，构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验，结果表明CNN-LSTM- XGBoost模型的MAPE（mean absolute percentage error）与RMSE（root mean square error）分别为0.377%与148.419 MW，相比于单一网络模型与融合模型结构实现了误差指标的显著降低，验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。
结论：面对电力系统短期负荷预测精度日益提高的市场要求，针对负荷数据特征数受限的情况，本文提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。在数据预处理后通过CNN层提取负荷数据的有效非线性局部特征，之后通过LSTM层结合时序特征与局部特征进行学习并调整网络结构，并根据MAPE-RW算法进行最优模型权重搜索，设计出最佳模型结构。基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测模型优势体现在：（1）结合了CNN与LSTM网络结构，主动丰富维度单一的输入数据特征，使网络学习更高效；（2）结合了XGBoost机器学习模型，将深度学习与机器学习技术同时运用于负荷预测，实现高精度负荷预测；（3）运用MAPE-RW算法设置融合模型权重，完成对最优权重的搜索，降低了融合模型的误差性。实验结果表明，与SVR、GRU-NN、LSTM和GBRT模型相比，所提模型实现了在不同负荷数据下的可迁移性，本网络结构模型解决了其他模型在输入特征受限下的低精度预测问题，在短期负荷预测的模型训练速度、预测精度与误差指标方面取得较大提高。

引文信息

庄家懿, 杨国华, 郑豪丰, 等. 基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法[J]. 中国电力, 2021, 54(5): 46-55.ZHUANG Jiayi, YANG Guohua, ZHENG Haofeng, et al. Short-term load forecasting method based on multi-model fusion using cnn-lstm-xgboost framework[J]. Electric Power, 2021, 54(5): 46-55.

 往期回顾 

编辑：杨彪

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。