基于XGBoost特征提取的热电联产发电功率预测

精准的短期电力负载预测对电力系统的调度与控制、安全与防御等方面具有重要意义。随着电厂设备的日益复杂化,依靠专家经验或人工提取特征也变得愈发困难。结合极限梯度提升(Extreme Gradient Boosting, XGBoost)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于XGBoost特征提取的融入注意力机制的深度卷积长短期记忆网络(CNN-LSTM-A)模型预测方法。首先,针对短期负荷预测,其电力负荷以及影响因素历史数据的随机性、波动性和不确定性,使用XGBoost对历史序列数据进行特征选择。将处理后的数据通过卷积层进行更深入的特征提取。然后,通过长短期记忆层进行拟合,并采取注意力机制对权值进行优化,减少历史信息的丢失并加强重要信息的影响,最终完成对功率的精准预测。利用浙江某电厂的实测数据进行实验,并与传统常用的经典模型进行对比,实验结果表明,所提方法预测精度更高,验证了该模型的精准性与可行性。