一种基于小波特征提取与集成学习模型的负荷预测方法

    公开(公告)号:CN115879590A

    公开(公告)日:2023-03-31

    申请号:CN202210407539.3

    申请日:2022-04-19

    摘要: 本发明提出了一种基于小波特征提取与集成学习模型的负荷预测方法,采用小波变换方法对负荷序列进行频率分解,运用XGBoost算法对负荷序列进行特征选择,结合Stacking集成学习模型进行负荷预测。在负荷预测的第一阶段,采取多个历史时刻的负荷数据及温度、湿度、降雨量与节假日信息,对相关数据进行预处理和归一化;第二阶段以前一阶段处理后的数据为基础,运用小波分解以获得平稳的多个频率分量的负荷序列,使用XGBoost算法对分解后的负荷序列进行特征选择,去除无关特征的同时降低输入的维度。第三阶段将之前构建的特征集输入Stacking深度学习模型中进行训练。本方法在单一模型的基础上,能有效提高负荷预测的精度和泛化能力,降低模型的训练时间,具有较强的实用性。