基于最大互信息系数和小波分解的多模型集成短期负荷预测

为提高负荷预测精度,提出一种基于小波分解的多模型集成短期负荷预测方法。由最大互信息系数(MIC)选出与负荷相关性高的特征候选集;为获得平稳的负荷序列,将小波分解集成到多预测模型中;小波分解后的负荷序列由多种预测模型(最小二乘支持向量回归、长短期记忆循环神经网络和极限梯度提升树)进行训练,这些模型在同一小时内提供不同的预测;在集成过程中采用二次学习来组合各时段预测结果并得到最终输出。真实电网数据实验对比结果表明,该方法具有更高的泛化能力和预测精度。

基于异构图学习的新能源出力预测模型推理方法

双碳目标背景下,具有区域特征和性能特点的新能源出力预测模型层出不穷,如何甄别利用当前存在的海量预测模型是当前实际应用中预测人员关注的问题。因此,提出了基于异构图学习的新能源出力预测模型推理方法,将新能源出力预测分为基础模型层和模型推理层。在基础模型层中,基于不同区域特征数据集对具有不同特点的预测模型进行训练。而在模型推理层,设计了“输入信息节点-输入边-模型节点-潜在联系边-预测结果”的异构图表示方法以完成异构信息的融合,并通过异构图注意力网络实现最优模型推理,从而获得精准的新能源预测结果。以中国西南某省风电场为算例对所提方法进行验证,结果表明所提方法风电预测误差低于9%,且直接迁移于无数据新建场站上的预测表现优于其他方法。