典型文献
双层特征选择和CatBoost-Bagging集成的短期风电功率预测
文献摘要：
为了充分挖掘风电场数据和提高短期风电功率预测精度,提出了一种基于双层特征选择和装袋算法(bootstrap aggregating,Bagging)集成分类梯度提升算法(categorical boosting,CatBoost)的短期风电功率预测方法.首先,对风电场原始特征数据应用模拟退火特征选择进行特征寻优,得到第一层特征集.然后,在其基础上,第二层特征选择通过距离相关系数和最大信息系数分析风电功率强相关的特征,从而形成最终特征集.最后,建立CatBoost-Bagging集成模型进行风电功率短期预测,并使用新疆某风电场实测数据对算法有效性进行验证.结果表明,与传统单一机器学习模型及其Bagging集成模型相比,CatBoost-Bagging集成模型的预测精度和模型拟合效果更好.
文献关键词：
短期风电功率预测;双层特征选择;CatBoost算法;Bagging集成学习
中图分类号：
作者姓名：
康文豪;徐天奇;王阳光;邓小亮;李琰
作者机构：
云南民族大学 云南省高校电力信息物理融合系统重点实验室,昆明 650504;国网湖南省电力有限公司,长沙 410004
文献出处：
引用格式：
[1]康文豪;徐天奇;王阳光;邓小亮;李琰-.双层特征选择和CatBoost-Bagging集成的短期风电功率预测)[J].重庆理工大学学报,2022(07):303-309
A类：
双层特征选择
B类：
CatBoost,Bagging,短期风电功率预测,风电场,装袋,bootstrap,aggregating,集成分类,梯度提升算法,categorical,boosting,特征数据,数据应用,模拟退火,第一层,征集,第二层,距离相关系数,最大信息系数,系数分析,集成模型,风电功率短期预测,机器学习模型,模型拟合,拟合效果,集成学习
AB值：
0.248077
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
