基于双层XGBoost和数据增强的空间负荷预测方法

基于双层XGBoost和数据增强的空间负荷预测方法
为了解决空间负荷预测面临的特征变量众多和数据匮乏问题，文中提出一种基于双层极端梯度提升(extreme gradient boosting，XGBoost)和数据增强的空间负荷预测方法。该方法首先将待预测区域按馈线供电范围划分为若干子区域；其次构建基于双层XGBoost的特征选择模型，第一层XGBoost对特征进行评分及排序，将组合特征和负荷输入第二层XGBoost并进行子区域负荷预测，根据子区域负荷预测结果选择每个子区域的最佳特征变量；然后利用生成对抗网络(generative adversarial network，GAN)增强每个子区域的训练集样本，并通过极限学习机(extreme learning machine，ELM)实现子区域预测；最后将每个子区域的预测值相加得到待预测区域的预测值。以上海市局部区域为例，对文中方法进行仿真实验和对比分析。结果表明，文中方法可同时解决特征变量选择和数据匮乏问题，具有更高的预测精度。

标题：
基于双层XGBoost和数据增强的空间负荷预测方法
Spatial load forecasting method based on double-layer XGBoost and data enhancement

作者：
黄冬梅，张宁宁，胡安铎，胡伟，肖勇，陈岸青
HUANG Dongmei, ZHANG Ningning, HU Anduo, HU Wei, XIAO Yong, CHEN Anqing

关键词：
空间负荷预测;极端梯度提升(XGBoost);特征选择;生成对抗网络(GAN);数据增强;极限学习机(ELM)
spatial load forecasting;extreme gradient boosting (XGBoost);feature selection;generative adversarial network (GAN);data enhancement;extreme learning machine (ELM)

2025-1-23 19:56 上传 基于双层XGBoost和数据增强的空间负荷预测方法.pdf

文件大小:

1.42 MB

下载次数:

60

高速下载