多算法多模型与在线第二次学习结合的短期电力负荷预测方法

来源：计算机应用杂志2017年第11期北京时间：

作者：周末, 金敏

单位：湖南大学 信息科学与工程学院, 长沙 410084

摘要：为了提高短期电力负荷预测精度，首次提出多算法多模型与在线第二次学习结合的预测方法。首先，利用互信息方法和统计方法对输入变量进行选择；然后，通过Bootstrap方法对数据集进行多样性采样，利用多个不同的人工智能算法和机器学习算法训练得到多个差异化较大的异构预测模型；最后，用每个待预测时刻最近一段时间的实际负荷值、第一次学习生成的多异构预测模型的负荷预测值构成新训练数据集，对新训练数据集进行在线第二次学习，得到最终预测结果。对中国广州市负荷进行预测研究，与最优单模型、单算法多模型和多算法单模型相比，在每日总负荷预测中，全年平均绝对百分误差（MAPE）分别下降了21.07%、7.64%和5.00%，在每日峰值负荷预测中，全年MAPE分别下降了16.02%、7.60%和13.14%。实验结果表明，推荐方法有效地提高了负荷预测精度，有利于智能电网实现节能降耗、调度精细化管理和电网安全预警。

关键词：短期电力负荷预测,多样性采样,异构模型,多算法多模型,在线第二次学习

基金资助：国家自然科学基金资助项目（61374172）；国家科技成果转化项目（201255）。