文档名：计及数据不平衡的RUSBoostLightGBM短期负荷预测方法
摘要：随着人工智能技术的发展,负荷预测的准确度显著提高,但仍有一些负荷曲线预测精度较低.造成这种现象的原因在于训练集中这类负荷曲线属于少数类,导致数据不平衡,模型无法充分学习,从而影响了预测的精度.为解决电力负荷数据不平衡问题导致的预测精度降低的问题,提出了一种先分类后预测的解决方法.通过改进的K-Mediods方法把具有高相似性的历史负荷曲线进行聚类,并构造分类标签与电力负荷的特征集;然后根据预测时间的特征进行分类,通过RUSBoost算法很好的优化了分类过程中数据不平衡问题;最后在每类中使用LightGBM算法进行负荷预测.在公开数据集上的实验表明,所提出方法对少数类负荷的预测效果显著,其平均绝对百分比误差(MAPE)为2.95%,均方根误差(RMSE)为175.71MW;对于常规负荷的预测,MAPE为3.52%,RMSE为195.84MW,相对其他方法也具有较好的预测效果.
Abstract：Theadvancementinartificialintelligencetechnologyhasgreatlyenhancedloadforecastingprecision.Nonetheless,certainloadcurveswithinthetrainingsetexperiencelowforecastingaccuracy.Thisisattributedtodataimbalanceresultingfromtheloadcurvesbelongingtoalimitednumberofclasses.Consequently,themodelfailstolearnsufficientlyleadingtocompromisedforecastingaccuracy.Toaddresstheissueofreducedpredictionaccuracyduetodataimbalanceinelectricloadforecasting,asolutioninvolvingclassificationbeforeloadpredictionisproposed.ThemethodinvolvesclusteringhistoricallysimilarloadprofilesusinganimprovedK-Medoidsapproach,constructingclassificationlabels,andfeaturesetsforelectricload.Subsequently,classificationisperformedbasedontemporalfeatures,andtheRUSBoostalgorithmisemployedtoeffectivelyaddressdataimbalanceissuesduringtheclassificationprocess.Finally,theLightGBMalgorithmisutilizedforloadpredictionwithineachclass.Experimentsonpublicdatasetsdemonstratetheeffectivenessoftheproposedmethodinforecastingcertaintypesofloads.TheMAPEis2.95%,andtheRMSEis175.71MW.Fortheforecastingofconventionalloads,theMAPEis3.52%,andtheRMSEmetricis195.84MW,whichisrelativetoothermethodsthatalsohavebetterforecastingeffect.
作者：张毅 温蜜Author：ZhangYi WenMi
作者单位：上海电力大学计算机科学与技术学院上海201306
刊名：国外电子测量技术 ISTIC
Journal：ForeignElectronicMeasurementTechnology
年，卷(期)：2024, 43(6)
分类号：TM714
关键词：负荷预测 负荷曲线聚类 数据不平衡 RUSBoost LightGBM
Keywords：loadforecasting loadprofileclustering dataimbalance RUSBoost LightGBM
机标分类号：TM715TP391TP183
在线出版日期：2024年7月12日
基金项目：计及数据不平衡的RUSBoost-LightGBM短期负荷预测方法[
期刊论文] 国外电子测量技术--2024, 43(6)张毅 温蜜随着人工智能技术的发展,负荷预测的准确度显著提高,但仍有一些负荷曲线预测精度较低.造成这种现象的原因在于训练集中这类负荷曲线属于少数类,导致数据不平衡,模型无法充分学习,从而影响了预测的精度.为解决电力负荷数...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
计及数据不平衡的RUSBoost-LightGBM短期负荷预测方法 Short-term load forecasting method with RUSBoost-LightGBM considering data imbalance
计及数据不平衡的RUSBoost-LightGBM短期负荷预测方法.pdf
- 文件大小:
- 9.05 MB
- 下载次数:
- 60
-
高速下载
|
