【精彩论文】基于特征选择和组合模型的短期电力负荷预测

观点凝练

摘要：提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类，分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择，依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络，进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。
结论：本文针对特征选择和多核SVR线性组合问题提出了解决优化方案，不仅使模型特征选择的方法更严谨，能够得到高相关低冗余的特征向量，同时保证较低的模型复杂度，还使用可以进行自学习的浅层神经网络作为单核RSVR模型的组合工具，从而替代了采用误差倒数法的线性组合方式。整个模型并非各类算法的盲目堆砌。通过实验对比，3核RSVR-NN组合模型预测性能不仅优于单核模型与其他机器算法模型，也优于3核RSVR线性组合模型。

在后续的研究工作中，可尝试多个“混合核函数”SVR模型组合或者将SVR与其他机器学习算法进行组合，进一步提升整体负荷预测效果。

引文信息

徐宇颂, 邹山花, 卢先领. 基于特征选择和组合模型的短期电力负荷预测[J]. 中国电力, 2022, 55(7): 121-127.XU Yusong, ZOU Shanhua, LU Xianling. Short-term load forecasting based on feature selection and combination model[J]. Electric Power, 2022, 55(7): 121-127.

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

◀

编辑：杨彪

校对：蒋东方

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。