典型文献
基于XGBoost与LightGBM集成的电动汽车充电负荷预测模型
文献摘要：
随着电动汽车规模化发展,充电站负荷对电网造成一定影响,为保障电网平稳运行,提出一种基于极端梯度提升(eXtreme Gradient Boosting,XGBoost)与轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)融合的电动汽车充电负荷预测模型.该方法运用Stacking集成学习的策略:首先根据时间特征与历史负荷数据采用XGBoost与LightGBM算法构建负荷预测的基学习器,然后采用岭回归(Ridge Regression,RR)算法将基学习器的输出结果进行融合之后输出负荷预测值.为了对比多种不同的负荷预测模型,采用上海市嘉定区的充电站订单数据进行试验,结果表明,该方法所构建的负荷预测模型相比单一算法模型具有更高的预测准确度,对电网平稳运行有一定理论及实用价值.
文献关键词：
电动汽车;负荷预测;Stacking集成学习;极端梯度提升(XGBoost);轻量级梯度提升机(LightGBM)
中图分类号：
作者姓名：
吴丹;雷珽;李芝娟;王宁;段艳
作者机构：
国网上海市电力公司,上海200122;浦东供电公司,上海200122;同济大学 汽车学院,上海201804
文献出处：
引用格式：
[1]吴丹;雷珽;李芝娟;王宁;段艳-.基于XGBoost与LightGBM集成的电动汽车充电负荷预测模型)[J].电子技术应用,2022(09):44-49
A类：
B类：
XGBoost,LightGBM,电动汽车充电负荷,充电负荷预测,负荷预测模型,规模化发展,充电站负荷,极端梯度提升,eXtreme,Gradient,Boosting,轻量级梯度提升机,Machine,方法运用,Stacking,集成学习,时间特征,负荷数据,基学习器,岭回归,Ridge,Regression,RR,输出结果,多种不同,嘉定区,订单数据,一算,算法模型,预测准确度
AB值：
0.301545
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。
