基于串行–并行集成学习的高峰负荷预测方法

负荷预测自电力工业诞生便是一项热门的基础研究问题,连续多天的日高峰负荷预测往往对电网的优化运行与安全稳定起到重要作用。该文深入分析了统计学习类算法的误差分布,提出一种基于串–并行集成学习的连续多日高峰负荷预测方法。首先介绍了统计学习类算法的泛化误差的分解情况,阐述了XGBoost串行集成算法与Bagging并行集成学习的训练机理,分析了粒子群算法的基本原理。在综合考量模型偏差与方差分布的基础上,提出Bagging框架下基于XGBoost算法的负荷预测模型,并采用粒子群算法交叉验证XGBoost模型最优超参数。最后,使用斯洛文尼亚电力公司用电负荷数据对算法有效性进行验证,算例表明XGBoost模型对特征贡献度的量化分析有效地辅助了特征选择的过程,粒子群算法缩短了XGBoost超参数寻优的时间。与传统模型相比,基学习器为树模型的Bagging-XGBoost算法有着较高的预测精度。预测结果显示串–并行方式耦合的集成学习方式在连续多日高峰负荷预测场景中有着较高应用价值。