典型文献
基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测
文献摘要：
为了提高短期电力负荷预测的精度,提出一种基于极端梯度提升和长短期记忆网络的组合预测方法.首先采用Spearman相关系数法对负荷与气象因素进行相关性分析,提取模型输入特征.然后分别建立XGBoost、LSTM预测网络,并采用遗传算法优化网络的参数.最后利用模拟退火算法对各网络的预测结果分配最优权重系数,通过加权组合得到最终的集成预测结果.实验结果表明,XGBoost和LSTM组合模型对短期电力负荷预测的平均绝对百分比误差为0.88％,与XGBoost模型、LSTM模型相比,误差分别降低了2.17％、1.99％,在负荷预测领域更具有优势.
文献关键词：
短期负荷预测;XGBoost;模拟退火算法;LSTM;遗传算法
中图分类号：
作者姓名：
赵齐昌;马帅旗
作者机构：
陕西理工大学电气工程学院,陕西 汉中 723001
文献出处：
引用格式：
[1]赵齐昌;马帅旗-.基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测)[J].电工技术,2022(03):31-33,37
A类：
B类：
极端梯度提升,长短期记忆神经网络,组合模型,短期电力负荷预测,长短期记忆网络,组合预测方法,相关系数法,气象因素,提取模型,模型输入,输入特征,XGBoost,预测网络,遗传算法优化,模拟退火算法,最优权重,权重系数,集成预测,平均绝对百分比误差,短期负荷预测
AB值：
0.23237
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。
