公开(公告)号：CN115169232B

公开(公告)日：2024-03-01

申请号：CN202210813246.5

申请日：2022-07-11

申请人： 山东科技大学

发明人： 高正中 ,  殷秀程 ,  孟晗 ,  于明沆 ,  王怀志 ,  郭擎宇

IPC分类号： G06F30/27 ,  G06F18/214 ,  G06Q50/06 ,  G06F113/04 ,  G06F119/02 ,  G06F119/06

摘要： 本发明属于电力系统负荷预测技术领域，具体公开了一种日高峰负荷预测方法、计算机设备以及可读存储介质。本发明首先通过改进的自适应噪声完全集合经验模态分解方法对原始日高峰负荷数据进行分解，然后将分解得到的各个模态分量重构为高频部分和低频部分；对于高频部分，本发明采用XGBoost作为Bagging并行集成学习方法的基学习器，并引入麻雀搜索算法对XGBoost的超参数进行优化，可以实现对高频部分的精细化预测，更好的跟踪负荷变化细节；对于低频部分，本发明使用多元线性回归快速准确地预测；此外，与传统的预测方式所采用的直接累积重构方法不同，本发明使用Bagging‑RBFNN对负荷的高频部分和低频部分进行误差修正重

公开(公告)号：CN115169232A

公开(公告)日：2022-10-11

申请号：CN202210813246.5

申请日：2022-07-11

申请人： 山东科技大学

发明人： 高正中 ,  殷秀程 ,  孟晗 ,  于明沆 ,  王怀志 ,  郭擎宇

IPC分类号： G06F30/27 ,  G06K9/62 ,  G06Q50/06 ,  G06F113/04 ,  G06F119/02 ,  G06F119/06

摘要： 本发明属于电力系统负荷预测技术领域，具体公开了一种日高峰负荷预测方法、计算机设备以及可读存储介质。本发明首先通过改进的自适应噪声完全集合经验模态分解方法对原始日高峰负荷数据进行分解，然后将分解得到的各个模态分量重构为高频部分和低频部分；对于高频部分，本发明采用XGBoost作为Bagging并行集成学习方法的基学习器，并引入麻雀搜索算法对XGBoost的超参数进行优化，可以实现对高频部分的精细化预测，更好的跟踪负荷变化细节；对于低频部分，本发明使用多元线性回归快速准确地预测；此外，与传统的预测方式所采用的直接累积重构方法不同，本发明使用Bagging‑RBFNN对负荷的高频部分和低频部分进行误差修正重构，从而输出最终预测结果，大大提高了负荷预测精度。