基于双层XGBoost和数据增强的空间负荷预测方法

作者：黄冬梅; 张宁宁; 胡安铎; 胡伟; 肖勇; 陈岸青

来源：电力工程技术, 2023, 42(01): 201-208.

• 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)

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。

• 单位
  国网信通亿力科技有限责任公司; 上海电力大学