一种基于季节分解的误差校正中期电力负荷预测模型
机器学习
2023-06-21 v1 信号处理
摘要
中期电力负荷预测（LF）在电力系统规划与运行中起着关键作用。为解决现有 LF 模型在运行过程中存在的误差累积与传递问题，本文提出一种称为基于误差校正的负荷预测（ECLF）的新模型，旨在提供更准确且稳定的 LF。首先，时间序列分析与特征工程作用于原始数据，将负荷数据分解为三个分量并提取相关特征。然后，基于堆叠集成的思想，采用长短期记忆（LSTM）作为误差校正模块分别预测各分量，并将预测结果作为新特征输入极端梯度提升（XGBoost）进行第二步预测。最后，对各分量子序列预测结果进行重构以获得最终 LF 结果。所提模型在中国两个城市的真实电力负荷数据上进行了评估，实验结果表明其相比其他基准模型具有更优性能。
引用
@article{arxiv.2306.10826,
title = {An Error Correction Mid-term Electricity Load Forecasting Model Based on Seasonal Decomposition},
author = {Liping Zhang and Di Wu and Xin Luo},
journal= {arXiv preprint arXiv:2306.10826},
year = {2023}
}
备注
8 pages, 3 figures