基于XGB-Transformer模型的短期电力负荷预测

作者：董家富; 万雄; 王岩; 叶瑞丽; 熊志杰; 范海威; 薛一波^*

来源：电力信息与通信技术, 2023, 21(01): 9-18.

DOI：10.16543/j.2095-641x.electric.power.ict.2023.01.02

• 短期负荷预测
• 深度学习
• XGBoost
• Transformer

短期电力负荷预测作为电力系统的基本组成，能够指导电力公司制定经济合理的生产调度计划。由于电力负荷数据的时序特性和非线性特性，准确作出电力负荷预测具有很大的挑战。当下深度学习不断发展，其在复杂非线性关系建模和处理时序信息等方面表现突出。文章提出一种融合XGBoost和改进Transformer模型的新型短期电力负荷预测方法 XGB-Transformer。该方法考虑时间周期和气象因素对电力负荷的影响，利用基于XGBoost的特征选择方法进行数据规约，利用改进后的Transformer模型来学习序列内部规律和序列间的长距离依赖关系，以提高预测准确性与效率。该方法在真实的电力系统负荷数据上进行实验，结果表明XGB-Transformer方法在准确率和效率2个方面均优于传统方法和其他深度学习方法，证明了其有效性。

• 单位
  清华大学; 国家电力调度控制中心; 国家电网有限公司; 中国电力科学研究院有限公司; 国网福建省电力有限公司