科研之友
微信
新浪微博
Facebook
分享链接
摘要
能源负荷时间序列具有周期波动性和增长性两重趋势。一般梯度提升树GBDT通过集成多个分类与回归树CART，能够很好地拟合周期波动性趋势，但是对于增长性趋势拟合较差。相关研究先分解再使用组合模型预测，而本文研究在分解后使用多分量集成学习进行预测。首先分解出负荷的2种趋势分量及残差分量，将CART的叶节点改为3个预测模型，使其能够对3个分量进行预测。同时优化CART损失函数为各分量预测结果的误差平方总和，使其能够考虑3个分量预测模型的损失。然后基于梯度提升重构预测结果，使其能够以多分量集成学习的方式拟合负荷的两重趋势。最后提出基于分解和多分量集成学习的负荷预测方法，该方法在某地区电力负荷预测实验中，相比其它预测方法，各项误差评价指标均有所下降。实验结果表明，本文提出的方法在两重趋势性负荷的预测中具有更好的表现，同时也为GBDT预测其它类型数据提供了改进思路。
-
单位机电工程学院; 上海师范大学
