LSTM-LightGBM组合模型的短期电力负荷预测

负荷预测在电力网络规划里占据着主导地位,准确的预测对制定合理的调度方案、提高设备利用率、保证电网安全、稳定运行起着至关重要的作用。传统时间序列分析方法难以学习短期电力负荷数据的非线性特征,因此,将LSTM(Long Short-Term Memory Neural Network)与LightGBM(Light Gradient Boosting Machine)相结合。这种预测方法在保留了对时序数据总体感知的同时,也考虑了非连续性特征的有效信息。结果表明,本方法的平均绝对百分误差(Mean Absolute Percent Error)和均方根误差(Root Mean Square Error)均低于单一模型,决定系数(Coefficient of Determination)为0.975,具有更高的预测精度。说明长短期记忆神经网络与轻梯式升降机的组合模型能够有效突破单一模型的预测瓶颈,具有更高的预测精度和适用性。