典型文献
关键信息缺失下基于相空间重构及机器学习的电力负荷预测
文献摘要：
随着碳交易系统的发展,准确预测电力能源消耗对于能源管理是至关重要的.为实现在缺失天气等多种关键信息下的电力负荷预测,首先采用混沌理论中的相空间重构技术对历史负荷时间序列进行处理,根据排列熵验证混沌特性.并利用8种机器学习模型进行预测与比较,其中包括4种以神经网络为基础的机器学习模型、3种以统计学习为基础的机器学习模型及1种基准模型.其次采用灰色关联度法对预测精度较高的极限学习机(ELM)和极端梯度提升(XGBoost)进行组合,构建了ELM-XGBoost模型.最后将ELM-XGBoost应用于一日至一周内不同时间尺度的负荷预测.结果表明,预测精度随预测时间尺度增加而呈现降低的趋势,且在日负荷预测中,所构建的ELM-XGBoost模型预测精度得到提升,应用效果良好.
文献关键词：
电力负荷预测;关键信息;极限学习机;极端梯度提升;相空间重构;排列熵
中图分类号：
作者姓名：
侯慧;王晴;赵波;章雷其;吴细秀;谢长君
作者机构：
武汉理工大学自动化学院, 湖北 武汉 430070;国网浙江省电力有限公司电力科学研究院, 浙江 杭州 310014
文献出处：
引用格式：
[1]侯慧;王晴;赵波;章雷其;吴细秀;谢长君-.关键信息缺失下基于相空间重构及机器学习的电力负荷预测)[J].电力系统保护与控制,2022(04):75-82
A类：
B类：
关键信息,信息缺失,相空间重构,电力负荷预测,碳交易,交易系统,准确预测,电力能源,能源消耗,能源管理,混沌理论,重构技术,排列熵,混沌特性,机器学习模型,统计学习,灰色关联度法,极限学习机,ELM,极端梯度提升,XGBoost,一日,一周,不同时间尺度
AB值：
0.263415
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。
