典型文献
融合多类人工智能模型的电力系统负荷短期预测技术研究
文献摘要：
系统负荷短期预测作为电网调度及规划中必不可少的一环,在安排发电机组启停及检修计划、保持电网运行和降低发电成本等领域起到重要作用.针对系统负荷预测,近年来国内外已提出一系列智能预测方法,但其大多采用单一模型进行实现.而单一模型在同一预测对象前提下,只擅长挖掘数据的某一类特征,进而使得预测结果存在不同偏好.因此本文提出一种基于Stacking集成学习的多类型人工智能模型融合方法,即利用多个不同类型的基础模型构成弱分类器,使其在相同样本基础上单独训练、单独预测后,再利用另一个人工智能模型作为强分类器对所有弱分类器的预测结果进行拟合,最终输出一个唯一的系统负荷预测结果.最后,以某网5个省的真实负荷作为实验对象,并抽取一段时间的平均准确率进行对比.结果表明,本文提出的预测方法准确率要高于单一人工智能模型.
文献关键词：
系统负荷;短期预测;人工智能;集成学习;模型融合
中图分类号：
作者姓名：
梁凌宇;赵翔宇;黄文琦;袁红霞;曹尚;周锐烨;郭尧
作者机构：
南方电网数字电网研究院有限公司,广东广州510663
文献出处：
引用格式：
[1]梁凌宇;赵翔宇;黄文琦;袁红霞;曹尚;周锐烨;郭尧-.融合多类人工智能模型的电力系统负荷短期预测技术研究)[J].电力大数据,2022(06):16-23
A类：
B类：
人工智能模型,电力系统,系统负荷,短期预测,预测技术,电网调度,发电机组,机组启停,检修计划,电网运行,发电成本,负荷预测,智能预测,擅长,Stacking,集成学习,多类型,模型融合,融合方法,基础模型,弱分类器,实验对象,平均准确率
AB值：
0.31156
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。
