基于特征加权Stacking集成学习的净负荷预测方法

摘要

当前用户侧接入大量新能源，通常采用实际电力负荷减去新能源发电功率后的负荷（称为“净负荷”）进行预测研究。由于新能源发电随机性强，净负荷具有不确定性强、规律性差的特点，难以准确预测。为此，提出了一种基于特征加权改进的Stacking集成学习净负荷预测方法。首先，通过对不同单一预测模型的预测性能和差异性的分析，优选出长短期记忆网络、Elman神经网络、随机森林树和最小二乘支持向量机作为Stacking集成的学习器。其次，针对传统Stacking集成预测由于忽略学习器之间差异性所导致的预测能力不足问题，根据预测精度对不同学习器进行特征加权，以修正各学习器所带来的整体预测误差。最后，基于德国TENNET区域实测数据进行算例分析，结果表明，相比于单一预测模型、传统Stacking集成预测方法，基于特征加权Stacking集成学习的净负荷预测方法在晴天、多云、多雨、多雪等天气情况下均具有更高的预测精度。