基于LSTM-AdaBoost的城市住宅区负荷预测

摘要

在智慧城市中,准确的住宅负荷预测是实现电力供需平衡和降低资源浪费的关键.为了提升对城市住宅区负荷预测的精度,构建了一种由长短期记忆网络(LSTM)和集成学习相结合的短期负荷预测模型LSTM-AdaBoost.该模型以露点(空气中的水蒸气凝结成水珠的温度)、历史负荷、周类型等特征作为数据输入;然后将具备时序记忆功能的LSTM网络作为集成学习的基学习器;最后用AdaBoost集成算法对基学习器进行加权组合得到强学习器.实验结果表明,LSTM-AdaBoost集成模型相较于LSTM网络、支持向量机(SVM)和CART决策树等单一预测方法具有更高的预测精度.