基于迭代决策树(GBDT)短期负荷预测研究

被引：28

作者：

郑凯文

杨超

机构：

[1] 贵州大学电气工程学院

来源：

贵州电力技术 | 2017年 / 20卷 / 02期

关键词：

GBDT; 负荷预测; 预测;

D O I：

10.19317/j.cnki.1008-083x.2017.02.019

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 ;

摘要：

迭代决策树(GBDT)属于机器学习算法的一种,由多颗决策树组成,所有树的结论累加起来作为最终答案。该算法表达能力强,可用于大部分回归问题。本文以贵州省遵义市某县负荷及天气数据为基础,结合GBDT算法,对该地区未来8天的日最大负荷进行预测。同时与随机森林和支持向量机两种算法的预测结果对比,结果证明GBDT算法对于短期负荷预测有较好的效果。

引用

收藏

页码：82 / 84+90 +90

页数：4

相关论文

共 9 条

[1] 实现影响因素多源异构融合的短期负荷预测支持向量机算法 [J].

吴倩红 ;

高军 ;

侯广松 ;

韩蓓 ;

汪可友 ;

李国杰 .

电力系统自动化, 2016, 40 (15) :67-72+92

[2] 电力用户侧大数据分析与并行负荷预测 [J].

王德文 ;

孙志伟 .

中国电机工程学报, 2015, 35 (03) :527-537

[3] 短期负荷预测的解耦决策树新算法 [J].

李响 ;

黎灿兵 ;

曹一家 ;

李龙 ;

程子霞 ;

吕素 .

电力系统及其自动化学报, 2013, 25 (03) :13-19

[4] 支持向量机在短期负荷预测中的应用概况 [J].

王奔 ;

冷北雪 ;

张喜海 ;

单翀皞 ;

从振 .

电力系统及其自动化学报, 2011, 23 (04) :115-121

[5] 基于自适应粒子群优化的SVM模型在负荷预测中的应用 [J].

陆宁 ;

武本令 ;

刘颖 .

电力系统保护与控制, 2011, 39 (15) :43-46+51

[6] 基于蚁群支持向量机的短期负荷预测 [J].

魏俊 ;

周步祥 ;

林楠 ;

邢义 .

电力系统保护与控制, 2009, 37 (04) :36-40

[7] 基于粒子群模糊神经网络的短期电力负荷预测 [J].

刘玲 ;

严登俊 ;

龚灯才 ;

张红梅 ;

李大鹏 .

电力系统及其自动化学报, 2006, (03) :47-50

[8] 基于改进决策树算法的日特征负荷预测研究 [J].

栗然 ;

刘宇 ;

黎静华 ;

顾雪平 ;

牛东晓 ;

刘永奇 .

中国电机工程学报, 2005, (23) :36-41

[9] 基于神经网络的负荷组合预测模型研究 [J].

谢开贵 ;

李春燕 ;

周家启 .

中国电机工程学报, 2002, (07) :85-89