典型文献
基于优化聚类分解与XGBOOST的超短期电力负荷预测
文献摘要：
电力负荷预测是制定发电计划和确保电网稳定运行的基础,为提高电力负荷预测精度,提出一种基于优化聚类分解与极限梯度提升(XGBOOST)的超短期电力负荷预测方法.一方面针对模糊C均值聚类(FCM)不能自动选择聚类数问题提出一种均值漂移(Mean Shift)优化FCM的优化聚类(MF);另一方面为减小电力负荷数据随机性对电力负荷预测的影响,提出一种结合MF、自适应噪声的完全集成经验模式分解(CEEMDAN)、XGBOOST的MFCX(MF-CEEMDAN-XGBOOST)的超短期负荷预测模型.首先使用Mean Shift搜寻到的最佳聚类数和聚类中心替换FCM的聚类数和初始聚类中心,对负荷数据聚类,然后采用CEEMDAN分解得到较为平稳的负荷分量,最后使用XGBOOST对新的负荷序列分别预测后进行模态重构得到最终预测结果.使用Python语言搭建模型进行实例分析与不同模型对比,MFCX有较低的预测误差,从而验证了模型的有效性.
文献关键词：
超短期电力负荷预测;自适应噪声的完全集成经验模式分解;均值漂移;极限梯度提升;模糊C均值聚类
中图分类号：
作者姓名：
常乐;汪庆年
作者机构：
南昌大学信息工程学院 南昌330000
文献出处：
引用格式：
[1]常乐;汪庆年-.基于优化聚类分解与XGBOOST的超短期电力负荷预测)[J].国外电子测量技术,2022(05):46-51
A类：
聚类分解,自适应噪声的完全集成经验模式分解,MFCX
B类：
XGBOOST,超短期电力负荷预测,发电计划,电网稳定,极限梯度提升,负荷预测方法,均值聚类,FCM,均值漂移,Mean,Shift,负荷数据,随机性,CEEMDAN,超短期负荷预测,负荷预测模型,搜寻,寻到,最佳聚类数,初始聚类中心,数据聚类,负荷序列,模态重构,Python,模型对比,预测误差
AB值：
0.187776
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。
