基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

作者：庄家懿; 杨国华^*; 郑豪丰; 张鸿皓

来源：中国电力, 2021, 54(05): 46-55.

• 短期负荷预测
• 局部特征预提取
• LSTM
• XGBoost
• 多模型融合

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM(long short term memory)网络结构,并将其与XGBoost(eXtreme boosting system)预测模型并行结合,之后结合MAPE-RW(mean absolute percentage error-reciprocal weight)算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM-XGBoost模型的MAPE(mean absolute percentage error)与RMSE(root mean square error)分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。