基于改进XGBoost算法的电力中长期负荷预测

作者：杜艳霞; 康荣保; 王莉莉; 张晓; 赵尔凡

来源：电声技术, 2022, 46(09): 129-134.

DOI：10.16311/j.audioe.2022.09.033

• 负荷预测
• 机器学习
• 改进XGBoost
• 特征提取
• 特征选择

为提高电力中长期负荷预测的精度，提出一种基于改进XGBoost算法的负荷预测方法。首先考虑影响负荷的多种因素，提取特征向量；其次，利用XGBoost方法对特征变量的相关性进行计算和选择；最后，基于特征选择后的负荷数据，构建XGBoost电力中长期负荷预测模型。在某地区真实历史负荷数据集上的实验结果表明，相较于LASSO等传统负荷预测方法，所提出的方法能够显著降低平均绝对误差（Mean Absolute Error,MAE）等多种预测误差指标。相较于原始XGBoost方法，所提方法的MAE值降低了9.35%，平均绝对百分误差（Mean Absolute Percentage Error,MAPE）值降低了8.89%，均方误差（Mean Square Error,MSE）值降低了22.66%，均方根误差（Root Mean Square Error,RMSE）值降低了12.07%，验证了所提方法能够有效提升电力中长期负荷预测精度。