典型文献
基于机器学习与疫情关联特征的短期负荷预测
文献摘要：
准确的电力负荷预测是电力系统正常运转的重要保障.针对新冠疫情期间负荷需求波动大、历史参考负荷难以建模等问题,提出了一种基于机器学习与静默指数、滚动焦虑指数的短期负荷预测方法.首先,利用谷歌流动性数据和疫情数据构建出静默指数、滚动焦虑指数来量化经济、疫情的发展对电力负荷造成的影响.然后,采用最大信息系数分析疫情期间电力负荷的强相关因素并引入疫情负荷关联特征.最后,将气象数据、历史负荷以及构建的疫情关联特征合并作为预测模型的输入变量,通过多种机器学习模型进行预测算例分析.结果表明,引入疫情关联特征的负荷预测模型能够有效地提高疫情期间负荷预测的准确性.
文献关键词：
负荷预测;新冠疫情;机器学习;静默指数;焦虑指数
中图分类号：
作者姓名：
程志友;汪德胜
作者机构：
教育部电能质量工程研究中心(安徽大学),安徽合肥 230601;安徽大学电子信息工程学院,安徽合肥 230601
文献出处：
引用格式：
[1]程志友;汪德胜-.基于机器学习与疫情关联特征的短期负荷预测)[J].电力系统保护与控制,2022(23):1-8
A类：
静默指数
B类：
基于机器学习,关联特征,短期负荷预测,电力负荷预测,电力系统,新冠疫情期间,负荷需求波动,滚动,焦虑指数,负荷预测方法,疫情数据,最大信息系数,系数分析,气象数据,特征合并,机器学习模型,算例分析,负荷预测模型
AB值：
0.244758
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。
