基于多模型融合的多因素电力需求中短期预测方法

摘要

本发明公开了基于多模型融合的多因素电力需求中短期预测方法，通过融合多种模型对不同时长条件下的电力需求进行预测，在有效提升预测精度的前提下节省大量预测时间。GBDT、XGBoost和LightGBM三种模型均属于Boosting模型，是基于决策树的一种决策模型，通过在决策树中寻找最优解求解目标问题的答案。使用Stacking框架分两层对电力数据进行预测，在由GBDT、XGBoost和LightGBM三种Boosting模型完成预测后，由LR模型对预测结果进行修正后输出，增强了预测的准确度和可信度。将三个模型进行联合，共同对电力需求进行预测，从而使三个模型能够形成互补，带来更高精度的预测结果。本方法属于决策搜索型优化求解算法，因此在决策所需时间上远低于人工智能算法。