基于LSTM-XGBoost和多模型算法的短期负荷预测

打开文本图片集

摘  要： 针对负荷数据波动性强、特征存在冗余而导致使用单一模型预测短期负荷时精度较低的问题，提出一种融合梯度提升树（GBDT）、自适应噪声完备集合经验模态分解（CEEMDAN）、长短期记忆（LSTM）和极端梯度提升（XGBoost）的短期负荷预测组合方法。首先利用GBDT对负荷数据集进行特征选择，筛选出重要特征；然后使用CEEMDAN将负荷序列分解后合并为低频分量和高频分量；再将低频分量输入到LSTM中进行预测，将高频分量输入到XGBoost中进行预测；最后，短期负荷的最终预测结果由两个模型的预测结果进行叠加而成。（剩余9108字）