基于LightGBM改进的GBDT短期负荷预测研究

精确的负荷预测对电网的供需平衡以及电力市场的平稳运行具有非常重要的意义。梯度提升决策树(GBDT)算法在短期负荷预测中具有很好的应用前景。Light GBM是一个梯度提升框架。该框架训练效率更快、使用内存更低、准确率更高。除此之外,它还支持并行学习,可以处理规模庞大的数据。对GBDT的计算流程及其特征进行了详细的分析,并指出Light GBM的引入可以使GBDT能够更加高效地处理更多的样本。通过histogram决策树算法寻找决策树的最优分割点,可达到降低内存的目的;通过增加决策树最大深度的方式限制过拟合,可提高预测精度;通过直方图作差,可提高运行速度。基于以上三种改进方式,提出了基于Light GBM的改进GBDT算法,并将其应用于短期负荷预测。根据贵州省某县的实际数据构造了相应的算例,验证了所提方法的有效性,证明了该算法具有更高的计算效率以及计算精度。基于Light GBM的改进GBDT算法不仅可以应用于负荷预测,而且在数据挖掘领域也具有良好的应用前景。