典型文献
基于特征加权Stacking集成学习的净负荷预测方法
文献摘要：
当前用户侧接入大量新能源,通常采用实际电力负荷减去新能源发电功率后的负荷(称为"净负荷")进行预测研究.由于新能源发电随机性强,净负荷具有不确定性强、规律性差的特点,难以准确预测.为此,提出了一种基于特征加权改进的Stacking集成学习净负荷预测方法.首先,通过对不同单一预测模型的预测性能和差异性的分析,优选出长短期记忆网络、Elman神经网络、随机森林树和最小二乘支持向量机作为Stacking集成的学习器.其次,针对传统Stacking集成预测由于忽略学习器之间差异性所导致的预测能力不足问题,根据预测精度对不同学习器进行特征加权,以修正各学习器所带来的整体预测误差.最后,基于德国TENNET区域实测数据进行算例分析,结果表明,相比于单一预测模型、传统Stacking集成预测方法,基于特征加权Stacking集成学习的净负荷预测方法在晴天、多云、多雨、多雪等天气情况下均具有更高的预测精度.
文献关键词：
新能源;净负荷预测;Stacking集成算法;特征加权
中图分类号：
作者姓名：
鲍海波;吴阳晨;张国应;李江伟;郭小璇;黎静华
作者机构：
广西电网有限责任公司南宁供电局,南宁市530031;广西电力系统最优化与节能技术重点实验室(广西大学) ,南宁市530004;广西电网有限责任公司电力科学研究院,南宁市530023
文献出处：
引用格式：
[1]鲍海波;吴阳晨;张国应;李江伟;郭小璇;黎静华-.基于特征加权Stacking集成学习的净负荷预测方法)[J].电力建设,2022(09):104-116
A类：
TENNET
B类：
特征加权,Stacking,集成学习,净负荷预测,负荷预测方法,用户侧,电力负荷,减去,新能源发电,发电功率,预测研究,随机性,准确预测,预测性能,长短期记忆网络,Elman,最小二乘支持向量机,集成预测,预测能力,不足问题,据预测,预测误差,算例分析,晴天,多云,多雨,天气情况,集成算法
AB值：
0.261672
相似文献
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。
