基于XGBoost与LightGBM集成的电动汽车充电负荷预测模型

作者：吴丹; 雷珽; 李芝娟; 王宁; 段艳

来源：电子技术应用, 2022, 48(09): 44-49.

DOI：10.16157/j.issn.0258-7998.212316

• 电动汽车
• 负荷预测
• Stacking集成学习
• 极端梯度提升(XGBoost)
• 轻量级梯度提升机(LightGBM)

随着电动汽车规模化发展，充电站负荷对电网造成一定影响，为保障电网平稳运行，提出一种基于极端梯度提升(eXtreme Gradient Boosting,XGBoost)与轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)融合的电动汽车充电负荷预测模型。该方法 运用Stacking集成学习的策略：首先根据时间特征与历史负荷数据采用XGBoost与LightGBM算法构建负荷预测的基学习器，然后采用岭回归(Ridge Regression,RR)算法将基学习器的输出结果 进行融合之后输出负荷预测值。为了对比多种不同的负荷预测模型，采用上海市嘉定区的充电站订单数据进行试验，结果表明，该方法所构建的负荷预测模型相比单一算法模型具有更高的预测准确度，对电网平稳运行有一定理论及实用价值。

• 单位
  同济大学; 国网上海市电力公司