考虑特征重组和BiGRU-Attention-XGBoost模型的超短期负荷功率预测

摘要

超短期电力负荷预测作为电力系统的基本组成，能为生产调度计划的制定提供重要依据。然而，电力负荷具有非线性、时变性和不确定性，充分挖掘其潜在特征并分别预测，是提升预测准确性的关键。提出一种基于自适应局部迭代滤波(adaptive local iterative filtering, ALIF)的BiGRU-Attention-XGBoost电力负荷组合预测模型。该模型基于ALIF-SE实现将历史负荷序列分解重组为周期序列、波动序列和趋势序列；通过Attention机制对BiGRU模型进行改进，并结合XGBoost模型构建基于时变权重组合的电力负荷预测模型。实验分析表明，输入模型数据经过ALIF-SE处理后预测精度有明显提升；所提组合模型在工作日和节假日均具有较好的预测效果，预测误差大部分在5%以下；通过在不同负荷数据集下进行实验对比，验证了所提预测方法的可迁移性。实验结果证明，所提模型具有有效性、准确性和可行性。

关键词

自适应局部迭代滤波 / 样本熵 / 深度学习 / 组合模型 / 超短期负荷预测