基于纵横多模型stacking集成学习超短期负荷预测

摘要

为了应对电力系统复杂性和波动性加剧带来的超短期负荷预测挑战，提出了一种融合纵横向特征的多模型stacking集成预测方法。从时序和时刻双维度构建特征空间，采用反向传播算法（BP）、长短期记忆网络（LSTM）、门控循环单元（GRU）、双向门控循环单元（BiGRU）和时间卷积网络（TCN）5种基学习器进行特征建模，设计残差注意力机制作为元学习器，通过自适应权重分配融合基模型预测结果，同时引入残差连接以增强模型泛化能力。基于巴拿马电力数据进行实验，结果表明，与单一最优纵向TCN模型相比，所提方法的均方根误差和平均绝对误差分别降低了29.6%和31.0%。这表明协同挖掘纵横向特征并优化集成策略可有效提高超短期负荷预测的精确度和鲁棒性。

关键词

负荷预测 / stacking集成学习 / 纵横向特征融合 / 残差注意力机制 / 时间序列分析