测试五种超参数优化算法在短期负荷预测中的效果
机器学习
2026-02-27 v1
摘要
准确预测电力需求对于维持电网的稳定可靠、优化能源资源分配以及促进高效能源消费实践至关重要。本研究考察了五种超参数优化(HPO)算法——随机搜索、协方差矩阵适应进化策略(CMA--ES)、贝叶斯优化、部分粒子群优化(PSO)和Nevergrad优化器(NGOpt)—在单变量和多变量短期负荷预测(STLF)任务中的效果。使用 Panama 电力数据集(n=48,049)，我们评估了这些 HPO 算法在替代性预测算法 XGBoost 上的表现，包括准确率(i.e., MAPE, )和运行时间。性能图表展示了这些指标在样本量从 1,000 到 20,000 之间的变化情况，Kruskal--Wallis 检验评估了性能差异的统计显著性。结果表明，HPO 算法相对于随机搜索在运行时间上具有显著优势。在单变量模型中，贝叶斯优化在所测试方法中表现最差。该研究为优化 STLF 场景下的 XGBoost 提供了有价值的见解，并识别了未来研究的方向。
引用
@article{arxiv.2410.15047,
title = {Testing the Efficacy of Hyperparameter Optimization Algorithms in Short-Term Load Forecasting},
author = {Tugrul Cabir Hakyemez and Omer Adar},
journal= {arXiv preprint arXiv:2410.15047},
year = {2026}
}
备注
This is a conference paper submitted to 2nd IEEE INTERNATIONAL CONFERENCE ON IoT, COMMUNICATION AND AUTOMATION TECHNOLOGY (ICICAT 2024). It is currently under review