典型文献
基于加权灰色关联投影的Bagging-Blending多模型融合短期电力负荷预测
文献摘要：
针对短期电力负荷随时间变化呈现随机性和不确定性问题,提出了一种基于加权灰色关联投影算法Bagging-Blending的融合模型.首先,采用加权灰色关联投影算法对电力负荷中各影响因素(如天气、温度、湿度、日期类型等)进行分析,以选取历史负荷特征.在此基础上,分别将各单一模型SVR(support vector regression)、KNN(K-nearest neighbor)、GRU(gate recurrent unit)、XGBoost(eXtreme Gradient Boosting)、LightGBM(light gradient boosting machine)、CatBoost(Categorical features gradient Boosting)嵌入Bagging集成算法中以提升模型的稳定性和泛化能力.同时利用Pearson相关系数对各单一模型进行相关性分析.然后,依据模型对数据观测空间角度的不同,使用Blending模型对相关性小的模型进行融合.最后,通过新英格兰地区电力负荷数据ISO New England进行验证.所提融合模型与传统单模型(SVR、GRU)和其他融合模型(Bagging-XGBoost、最优加权的GRU-XGBoost)相比,具有较强的泛化能力和较高的稳定性与预测精度.
文献关键词：
加权灰色关联投影算法;Bagging;Blending;Pearson相关系数;模型融合
中图分类号：
作者姓名：
徐耀松;王德兴
作者机构：
辽宁工程技术大学电气与控制工程学院,辽宁 葫芦岛 125105
文献出处：
引用格式：
[1]徐耀松;王德兴-.基于加权灰色关联投影的Bagging-Blending多模型融合短期电力负荷预测)[J].信息与控制,2022(02):188-200
A类：
加权灰色关联投影算法
B类：
Bagging,Blending,多模型融合,短期电力负荷预测,随机性,融合模型,负荷特征,SVR,support,vector,regression,KNN,nearest,neighbor,GRU,gate,recurrent,unit,XGBoost,eXtreme,Gradient,Boosting,LightGBM,light,gradient,boosting,machine,CatBoost,Categorical,features,集成算法,泛化能力,数据观测,观测空间,空间角度,新英格兰,负荷数据,ISO,New,England,单模
AB值：
0.356514
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。
