基于融合集成算法的配電網(wǎng)負(fù)荷預(yù)測(cè)研究

李 強(qiáng),趙 峰,吳金淦,譚守標(biāo)

(1.國(guó)網(wǎng)信息通信產(chǎn)業(yè)集團(tuán)有限公司,北京 102200;2.安徽繼遠(yuǎn)軟件有限公司,安徽 合肥 230088;3.安徽大學(xué)集成電路學(xué)院,安徽 合肥 230601)

0 引言

配電網(wǎng)中的負(fù)荷預(yù)測(cè)能夠有效保障電力運(yùn)行狀態(tài)的穩(wěn)定,是配電網(wǎng)健康評(píng)估的重要指標(biāo)。隨著電網(wǎng)的不斷轉(zhuǎn)型與升級(jí),電力負(fù)荷預(yù)測(cè)的精度要求也越來(lái)越高。因此,負(fù)荷預(yù)測(cè)的研究一直在不斷深入。有效的配電網(wǎng)負(fù)荷預(yù)測(cè)可以減少電力資源的浪費(fèi)、降低運(yùn)行維護(hù)的成本,為綠色電網(wǎng)的轉(zhuǎn)型提供條件[1]。傳統(tǒng)的電力負(fù)荷預(yù)測(cè)經(jīng)過(guò)不斷的探索和研究,已形成諸多成果,預(yù)測(cè)的效果也不斷提高。但隨著人們的物質(zhì)條件的不斷豐富,空調(diào)、熱水器等耗電較大的電器需求量日益激增,逐年刷新了電力負(fù)荷峰值。電力負(fù)荷具有較大的波動(dòng)性,使電力負(fù)荷預(yù)測(cè)的難度和復(fù)雜性有了很大提高。這對(duì)傳統(tǒng)的負(fù)荷預(yù)測(cè)技術(shù)提出了新的要求。眾多學(xué)者也在不斷研究新的預(yù)測(cè)技術(shù)和方法。

傳統(tǒng)的電力負(fù)荷預(yù)測(cè)方法眾多,由早期的時(shí)間序列和回歸分析的基本方法到人工智能機(jī)器學(xué)習(xí)算法在電力負(fù)荷預(yù)測(cè)上的應(yīng)用,使得負(fù)荷預(yù)測(cè)的體系不斷成熟[2]。機(jī)器學(xué)習(xí)算法預(yù)測(cè)電力負(fù)荷的典型代表有支持向量機(jī)(support vector machines,SVM)、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等算法[3]。這些算法在不斷的改進(jìn)和優(yōu)化中逐漸提高了預(yù)測(cè)的準(zhǔn)確率。文獻(xiàn)[4]對(duì)于負(fù)荷的預(yù)測(cè)主要使用遺傳算法(gentric algorthm,GA)優(yōu)化模型參數(shù),但參數(shù)優(yōu)化的工作量較大、時(shí)間消耗較多。文獻(xiàn)[5]在XGBoost算法預(yù)測(cè)負(fù)荷的基礎(chǔ)上提出使用貝葉斯算法進(jìn)一步優(yōu)化模型,以提高短期負(fù)荷預(yù)測(cè)的效果。以上研究均采用單一算法進(jìn)行負(fù)荷預(yù)測(cè)。對(duì)于復(fù)雜、隨機(jī)變化的負(fù)荷量而言,單一算法預(yù)測(cè)的效果不理想。即使對(duì)單一算法進(jìn)行優(yōu)化,預(yù)測(cè)的精度變化也較小、適應(yīng)性較差。

本文將相關(guān)特征選擇與優(yōu)化Stacking集成學(xué)習(xí)算法相結(jié)合,提出了一種基于融合集成算法的配電網(wǎng)負(fù)荷預(yù)測(cè)模型。本文在數(shù)據(jù)集的選擇上,綜合相關(guān)系數(shù)和灰色關(guān)聯(lián)算法對(duì)樣本中負(fù)荷影響較小的特征進(jìn)行剔除,留下相關(guān)性高的樣本作為模型的訓(xùn)練輸入。同時(shí),本文對(duì)傳統(tǒng)Stacking集成學(xué)習(xí)的輸入和輸出特征進(jìn)行優(yōu)化,提高了模型的預(yù)測(cè)效果。所提模型比單一算法模型的預(yù)測(cè)具有更高的準(zhǔn)確率,以及更強(qiáng)的穩(wěn)定性和健壯性。

1 算法理論概述

1.1 特征因素分析方法

1.1.1 相關(guān)系數(shù)法

相關(guān)系數(shù)是衡量樣本特征與負(fù)荷變化的關(guān)聯(lián)性強(qiáng)弱的一種分析法[6]。一般而言,相關(guān)系數(shù)的計(jì)算方法主要分為兩種,分別是Pearson系數(shù)法和Spearman系數(shù)法[7]。因?yàn)楸疚碾娏ω?fù)荷預(yù)測(cè)主要是衡量各樣本特征與負(fù)荷的線性關(guān)聯(lián)程度,而Spearman系數(shù)主要是衡量變量之前的單調(diào)關(guān)系,所以本文選用Pearson系數(shù)分析更為適合。各樣本特征與負(fù)荷的線性相關(guān)程度P為:

(1)

P在(-1,1)內(nèi)取值。|P|越接近1,表明樣本特征與負(fù)荷變化量關(guān)聯(lián)性越強(qiáng);越接近0,則表明關(guān)聯(lián)性越弱。

1.1.2 灰色關(guān)聯(lián)算法

灰色關(guān)聯(lián)算法可以計(jì)算出樣本各特征與負(fù)荷變化的數(shù)值關(guān)系,通過(guò)數(shù)值可以衡量?jī)煞N數(shù)值的相關(guān)程度[8]。灰色關(guān)聯(lián)算法對(duì)于特征樣本的數(shù)量要求較低,在小樣本下也能夠表現(xiàn)優(yōu)異的關(guān)聯(lián)性。因此,灰色關(guān)聯(lián)算法可以較好地衡量樣本特征與負(fù)荷變化之間的關(guān)系。灰色關(guān)聯(lián)算法的一般步驟如下。

①母序列和子序列確定。本文的母序列即參考序列為負(fù)荷的變化量L=L(k)(k=1,2,…,n);子序列即比較序列為各樣本特征量Fj=Fj(k)(k=1,2,…,n,j=1,2,…,m)。其中:L(k)為不同維度的負(fù)荷變化量;j為樣本特征量的個(gè)數(shù);k為測(cè)試樣本的個(gè)數(shù)。

②規(guī)范化處理。規(guī)范化處理又稱無(wú)量綱處理,是必要的步驟。系統(tǒng)中不能直接比較或者難以比較的數(shù)據(jù),可以在一定的規(guī)范化處理后進(jìn)行比較。本文可采用初值化處理法。其計(jì)算式為:

(2)

③特征差序列值求取。

Δi(k)=|L(k)-Fi(K)|(k=1,2,…,n,i=0,1,…,m)

(3)

式中:Δi(k)為不同維度樣本特征差值序列值。

④計(jì)算樣本特征序列和負(fù)荷變化量之間的關(guān)聯(lián)系數(shù)δi(k)。

(4)

式中:ρ為關(guān)聯(lián)分辨系數(shù),取值在(0,1)之間,ρ越小則分辨率越大。

當(dāng)ρ≤0.55時(shí),分辨率表現(xiàn)較好。本文選取ρ=0.5作為分辨系數(shù)以進(jìn)行計(jì)算。

⑤關(guān)聯(lián)度大小計(jì)算。

(5)

式中:ri為樣本特征關(guān)聯(lián)度值。

1.2 融合集成算法

Stacking集成算法是一種分階段預(yù)測(cè)算法,具有較高的可擴(kuò)展性,能夠充分利用樣本數(shù)據(jù)集進(jìn)行多層訓(xùn)練,以提高算法的精度[9]。Stacking集成算法一般包括兩個(gè)階段。一階模型即初級(jí)模型,由多個(gè)機(jī)器學(xué)習(xí)算法組成。為了減少初級(jí)模型的過(guò)擬合,此階段采用交叉驗(yàn)證的方式對(duì)輸入原始樣本進(jìn)行訓(xùn)練,并將得到的輸出結(jié)果規(guī)范化后作為二階模型的輸入,以得到識(shí)別結(jié)果。Stacking集成算法的預(yù)測(cè)結(jié)構(gòu)如圖1所示。

圖1 Stacking集成算法的預(yù)測(cè)結(jié)構(gòu)

2 融合集成算法的負(fù)荷預(yù)測(cè)研究

2.1 融合集成算法的組合原則

Stacking集成算法的使用需要考慮一階模型各初級(jí)算法的選擇以及二階模型中元學(xué)習(xí)算法的選擇。本文的初級(jí)算法選擇主要依據(jù)如下。

①盡可能選擇算法之間原理差異較大的模型進(jìn)行組合。所產(chǎn)生的結(jié)果相關(guān)性較低,對(duì)于結(jié)果的預(yù)測(cè)效果有很好的提升。

②選擇單個(gè)算法預(yù)測(cè)效果好、性能較強(qiáng)的模型進(jìn)行組合,以提高模型輸出特征數(shù)據(jù)的有效性。

常見的機(jī)器學(xué)習(xí)算法中原理差異較大的算法包括XGBoost、長(zhǎng)短時(shí)記憶(long short-term memory,LSTM)、灰狼優(yōu)化-反向傳播(grey wolf optimization-back propagation,GWO-BP)和SVM這4種。但對(duì)于Stacking集成算法,并不是選擇越多的算法進(jìn)行組合預(yù)測(cè)效果越好,而是要在預(yù)測(cè)效果優(yōu)異的前提下兼顧時(shí)間效率,從而提升模型整體的性能和效率。

2.2 融合集成算法的優(yōu)化

傳統(tǒng)的集成算法將訓(xùn)練數(shù)據(jù)分為K等份,取1份作為驗(yàn)證子集,余下(K-1)份為訓(xùn)練子集,采用交叉驗(yàn)證法進(jìn)行模型的訓(xùn)練,并取各初級(jí)算法預(yù)測(cè)結(jié)果的均值作為元學(xué)習(xí)算法的輸入特征[10]。這就存在數(shù)據(jù)劃分不均導(dǎo)致的預(yù)測(cè)結(jié)果不佳的情況。因此,本文對(duì)初級(jí)算法和元學(xué)習(xí)算法的輸入樣本分別作以下改進(jìn)。

①初級(jí)算法的改進(jìn)。依據(jù)初級(jí)算法的個(gè)數(shù)將歸一化后的特征樣本進(jìn)行拷貝,并結(jié)合樣本采樣比例進(jìn)行n次隨機(jī)不放回抽樣,產(chǎn)生(n-1)個(gè)訓(xùn)練子集和1個(gè)測(cè)試子集以對(duì)初級(jí)算法進(jìn)行訓(xùn)練;同時(shí),依據(jù)驗(yàn)證集的預(yù)測(cè)值與真實(shí)值的誤差,給每個(gè)初級(jí)算法分配權(quán)重。權(quán)重越大,則誤差越小。

②對(duì)元學(xué)習(xí)算法的輸入結(jié)果進(jìn)行優(yōu)化,依據(jù)初級(jí)算法的預(yù)測(cè)精度對(duì)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)平均計(jì)算。所得結(jié)果作為元學(xué)習(xí)算法的輸入,可以提升模型的預(yù)測(cè)效果。

2.3 融合集成算法的實(shí)現(xiàn)流程

融合集成算法的一般流程如下。

①獲取初始樣本特征集,通過(guò)相關(guān)系數(shù)和灰色關(guān)聯(lián)算法對(duì)樣本中負(fù)荷影響較小的特征進(jìn)行剔除和整合,形成初級(jí)樣本數(shù)據(jù)集D1。

②對(duì)樣本數(shù)據(jù)進(jìn)行規(guī)劃化和歸一化。

③通過(guò)2.2節(jié)改進(jìn)的初級(jí)算法,得到(n-1)個(gè)訓(xùn)練子集和1個(gè)驗(yàn)證子集。

④將訓(xùn)練子集放入初級(jí)算法中進(jìn)行訓(xùn)練,并使用驗(yàn)證子集對(duì)初級(jí)算法的預(yù)測(cè)結(jié)果進(jìn)行驗(yàn)證;同時(shí),依據(jù)驗(yàn)證集的預(yù)測(cè)值與真實(shí)值的誤差,給每個(gè)初級(jí)算法分配權(quán)重W。

⑤依據(jù)初級(jí)算法的預(yù)測(cè)精度對(duì)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)平均計(jì)算,并將所得結(jié)果作為元學(xué)習(xí)算法的輸入特征。

⑥將結(jié)果輸入元學(xué)習(xí)算法中,得到預(yù)測(cè)的結(jié)果。

3 試驗(yàn)和結(jié)果

3.1 數(shù)據(jù)集獲取與評(píng)價(jià)

試驗(yàn)采用安徽省10 kV配電網(wǎng)某線路32個(gè)臺(tái)區(qū)2018～2020年的歷史數(shù)據(jù)[11](包括電力負(fù)荷、溫度、濕度、雨量、風(fēng)力、假日、月度、季節(jié)數(shù)據(jù))。其中,數(shù)據(jù)采集間隔為1 h。本文以2018～2019這2年的歷史數(shù)據(jù)組成數(shù)據(jù)集,建立預(yù)測(cè)模型對(duì)2020年數(shù)據(jù)集進(jìn)行預(yù)測(cè),并比對(duì)與2020年真實(shí)數(shù)據(jù)之間的差異。相關(guān)模型運(yùn)行在Intel Core(TM)i7 3.6 GHz、16 GB內(nèi)存的計(jì)算機(jī)端。操作系統(tǒng)為Windows10。預(yù)測(cè)軟件為Matlab。模型預(yù)測(cè)結(jié)果主要采取準(zhǔn)確率、平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)和均方根誤差(root mean square error,RMSE)作為評(píng)價(jià)指標(biāo)。

(6)

式中:Ia為準(zhǔn)確率;TP為預(yù)測(cè)值與實(shí)際值均為正;TN為預(yù)測(cè)值與實(shí)際值均為負(fù);FP為預(yù)測(cè)值為正、實(shí)際值為負(fù);FN為預(yù)測(cè)值為負(fù)、實(shí)際值為正。

(7)

(8)

式中:Ir為RMSE值。

3.2 集成學(xué)習(xí)算法的選擇與確定

集成算法模型中元學(xué)習(xí)算法的確定不僅需要保證預(yù)測(cè)結(jié)果的準(zhǔn)確率,還應(yīng)兼顧時(shí)間效率。只有這樣才能實(shí)現(xiàn)模型的活化性和可擴(kuò)展性。因此,本文選擇初級(jí)算法中的3個(gè)進(jìn)行組合,以形成一階模型。以下對(duì)各初級(jí)學(xué)習(xí)算法進(jìn)行驗(yàn)證,以選擇評(píng)價(jià)結(jié)果較好的算法作為本文集成學(xué)習(xí)算法。

為了保證算法選取的高效和工作量的適度,本文選擇和確定的集成算法的訓(xùn)練、測(cè)試樣本數(shù)量不宜過(guò)大。為了保證數(shù)據(jù)的幅度變化,需在本文大量樣本中采用間隔樣本剔除的方法,即將1 d的24條數(shù)據(jù)間隔剔除,形成12條數(shù)據(jù)。數(shù)據(jù)集任意選取1周的84條負(fù)荷數(shù)據(jù)并將其中1 d的12條數(shù)據(jù)作為驗(yàn)證集、其余數(shù)據(jù)作為訓(xùn)練集,以統(tǒng)計(jì)XGBoost、LSTM、GWO-BP、SVM這4種算法的預(yù)測(cè)誤差。誤差較小模型的預(yù)測(cè)結(jié)果較好。各算法的參數(shù)設(shè)置如下。

①XGBoost算法。試驗(yàn)設(shè)置算法的學(xué)習(xí)率為0.12、子集觀察值的最小權(quán)重和為1、樹的最大深度為5、樣本特征的采樣率為0.8、alpha正則化值為0、最小損失函數(shù)減少值為0.2。

②LSTM算法。試驗(yàn)設(shè)置算法學(xué)習(xí)率為0.09、算法的神經(jīng)元個(gè)數(shù)為56個(gè)、全連接層的神經(jīng)元個(gè)數(shù)為32個(gè)、激活函數(shù)為R函數(shù)。

③GWO-BP算法。由于反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu),而灰狼優(yōu)化(grey wolf optimization,GWO)算法的灰狼尋優(yōu)能夠提升全局的搜索性能,試驗(yàn)使用GWO優(yōu)化BP神經(jīng)網(wǎng)絡(luò),以提高算法的穩(wěn)定性。試驗(yàn)設(shè)置狼群數(shù)為120、最大迭代次數(shù)為80、神經(jīng)網(wǎng)絡(luò)的輸入層和隱含層分別為4和3、輸出節(jié)點(diǎn)為1、激活函數(shù)為S函數(shù)。

④SVM算法。對(duì)比線性核函數(shù),其懲罰系數(shù)c為10。

不同算法預(yù)測(cè)負(fù)荷結(jié)果誤差對(duì)比如表1所示。

表1 不同算法預(yù)測(cè)負(fù)荷結(jié)果誤差對(duì)比

由表1可知,XGBoost算法的預(yù)測(cè)MAPE和RMSE均較小,表明該算法的預(yù)測(cè)準(zhǔn)確性高。這是由于該算法自身對(duì)損失函數(shù)進(jìn)行優(yōu)化,使用一階、二階導(dǎo)數(shù)進(jìn)行迭代,對(duì)預(yù)測(cè)負(fù)荷變化值的依賴性表現(xiàn)效果好。GWO-BP算法經(jīng)過(guò)優(yōu)化,預(yù)測(cè)效果明顯優(yōu)于LSTM算法,而預(yù)測(cè)誤差僅次于XGBoost算法。LSTM算法由于其特殊的記憶結(jié)構(gòu),在提取關(guān)聯(lián)特征上表現(xiàn)優(yōu)異,且誤差的結(jié)果也比較理想。SVM算法的應(yīng)用較廣,主要應(yīng)用于非線性樣本,對(duì)于負(fù)荷預(yù)測(cè)的效果不如其他算法。

因此,本文的集成學(xué)習(xí)一階模型的初級(jí)算法選用XGBoost算法、GWO-BP算法、LSTM算法,二階模型的元學(xué)習(xí)算法選用XGBoost算法。這就組成了Stacking集成學(xué)習(xí)基本模型。

3.3 特征選擇

數(shù)據(jù)集確定后,需要對(duì)數(shù)據(jù)集進(jìn)行規(guī)范化,以形成初始數(shù)據(jù)集。數(shù)據(jù)集中包括歷史負(fù)荷、溫度、濕度、雨量、風(fēng)力、假日、月度、季節(jié)這8類數(shù)據(jù)。相關(guān)系數(shù)法對(duì)于試驗(yàn)環(huán)境及樣本數(shù)量均有很高要求。因此,本文加入不依賴于樣本特征量的灰色關(guān)聯(lián)度算法對(duì)變量關(guān)系進(jìn)行綜合評(píng)估,以使相關(guān)性計(jì)算更為可靠。通過(guò)相關(guān)系數(shù)和灰色關(guān)聯(lián)算法對(duì)樣本中的8類數(shù)據(jù)進(jìn)行相關(guān)性計(jì)算。關(guān)聯(lián)度R為:

(9)

式中:r0為灰色關(guān)聯(lián)度;|r1|為相關(guān)系數(shù)的絕對(duì)值。

本文將R>0.8的數(shù)據(jù)作為有效樣本,除去關(guān)聯(lián)度小的特征數(shù)據(jù),以組成特征集。

試驗(yàn)對(duì)本文的8類數(shù)據(jù)分別進(jìn)行關(guān)聯(lián)度計(jì)算。季節(jié)、歷史負(fù)荷、月度、溫度以及假日這5類數(shù)據(jù)的關(guān)聯(lián)度結(jié)果分別為0.965、0.932、0.922、0.907、0.896。這說(shuō)明這些因素與負(fù)荷變化強(qiáng)相關(guān)。而濕度、雨量、風(fēng)力這3類數(shù)據(jù)的關(guān)聯(lián)度結(jié)果分別為0.681、0.413、0.242,對(duì)負(fù)荷的變化影響小。因此,本文選擇季節(jié)、歷史負(fù)荷、月度、溫度和假日這5個(gè)強(qiáng)關(guān)聯(lián)特征數(shù)據(jù)作為初始數(shù)據(jù)集,以進(jìn)行訓(xùn)練和驗(yàn)證。

3.4 融合集成算法的性能驗(yàn)證

3.4.1 誤差分析

本文融合集成算法主要采用了XGBoost算法、GWO-BP算法、LSTM算法作為初級(jí)算法,XGBoost算法作為元學(xué)習(xí)算法。為了驗(yàn)證融合集成算法模型的預(yù)測(cè)效果和時(shí)間效率,本文融合集成算法與Stacking集成算法[12]、XGBoost算法、GWO-BP算法進(jìn)行了比較分析。Stacking集成算法包括XGBoost、LSTM、SVM和k近鄰(k-nearest neighbour,KNN)。不同算法預(yù)測(cè)負(fù)荷結(jié)果的誤差對(duì)比如表2所示。

表2 不同算法預(yù)測(cè)負(fù)荷結(jié)果的誤差對(duì)比

由表2可知,Stacking集成算法主要組合了多個(gè)預(yù)測(cè)能力良好的算法,在預(yù)測(cè)中取長(zhǎng)補(bǔ)短,使得模型更好地減少了過(guò)擬合,提升了模型的擴(kuò)展性和穩(wěn)定性,以及預(yù)測(cè)效果。Stacking集成算法中對(duì)算法的選擇也影響了預(yù)測(cè)的精度。組合算法一般選用單一算法效果較好且預(yù)測(cè)原理差異較大的算法,本文選取了3個(gè)組合算法。相較于Stacking集成算法,本文融合集成算法的預(yù)測(cè)效果較好:MAPE減少了0.05%;準(zhǔn)確率提升了3.07%;RMSE減小了2.16。該結(jié)果說(shuō)明了本文融合集成算法具有較好的預(yù)測(cè)結(jié)果,對(duì)于負(fù)荷的預(yù)測(cè)效果提升顯著。不同算法的負(fù)荷預(yù)測(cè)對(duì)比如圖2所示。

圖2 不同算法的負(fù)荷預(yù)測(cè)對(duì)比

3.4.2 訓(xùn)練時(shí)間分析

Stacking集成算法組合了多種算法,雖然預(yù)測(cè)精度較高,但是時(shí)間消耗較大。這也是集成算法的缺點(diǎn)。本文的融合集成算法選用3個(gè)初級(jí)算法組合,從而在一定程度上降低模型訓(xùn)練和測(cè)試時(shí)間的消耗。同理,本文將本文融合集成算法與Stacking集成算法、XGBoost算法、GWO-BP算法的訓(xùn)練和測(cè)試時(shí)間進(jìn)行比對(duì)分析。不同預(yù)測(cè)算法的時(shí)間對(duì)比結(jié)果如表3所示。

表3 不同預(yù)測(cè)算法的時(shí)間對(duì)比結(jié)果

由表3可知,集成算法的訓(xùn)練時(shí)間相比較單一算法有了一定的增加。這是因?yàn)榧伤惴ńM合了多種初級(jí)算法,增加了算法的復(fù)雜度。除了訓(xùn)練時(shí)間增加明顯外,模型的預(yù)測(cè)時(shí)間相差較小、檢測(cè)效率也較高。本文融合集成算法由于組合算法的個(gè)數(shù)少于Stacking集成算法,因此在訓(xùn)練時(shí)間上表現(xiàn)優(yōu)異。其檢測(cè)時(shí)間也比Stacking集成算法減少了0.087 s,與其中最快的單一算法GWO-BP的預(yù)測(cè)時(shí)間相差0.067 s,小于0.1 s。該結(jié)果說(shuō)明本文的融合集成算法的時(shí)間效率有所提升。

4 結(jié)論

負(fù)荷預(yù)測(cè)作為電力工作中必不可少的環(huán)節(jié),對(duì)電力的穩(wěn)定運(yùn)行和可靠性評(píng)估有著重要意義。機(jī)器學(xué)習(xí)算法的不斷研究和發(fā)展也為算法的改進(jìn)提供了參考。為了提升預(yù)測(cè)效率,研究的重點(diǎn)逐漸轉(zhuǎn)移到了融合算法上,即將多個(gè)單一算法組合以發(fā)揮出各自算法的優(yōu)勢(shì)。這減少了單一算法的過(guò)擬合,在研究中表現(xiàn)出了良好的效果。

本文通過(guò)對(duì)融合集成算法進(jìn)行研究,提出了一種基于關(guān)聯(lián)特征選擇的融合集成算法。該研究的主要貢獻(xiàn)在于兩個(gè)方面:一是對(duì)于初始數(shù)據(jù)集選取,采用相關(guān)系數(shù)和灰色關(guān)聯(lián)算法綜合分析樣本中的關(guān)聯(lián)性,提取關(guān)聯(lián)性高的樣本數(shù)據(jù)集,不僅縮短了試驗(yàn)的訓(xùn)練時(shí)間還提高了算法的預(yù)測(cè)精度;二是對(duì)傳統(tǒng)Stacking集成學(xué)習(xí)的輸入和輸出特征進(jìn)行優(yōu)化和改進(jìn),進(jìn)一步提高了模型的預(yù)測(cè)效果。試驗(yàn)結(jié)果表明,基于融合智能算法嵌入集成的配電網(wǎng)負(fù)荷預(yù)測(cè)模型與其他Stacking集成學(xué)習(xí)算法、XGBoost算法、GWO-BP算法、SVM算法等相比,負(fù)荷預(yù)測(cè)的精度提升了3.07%、預(yù)測(cè)時(shí)間效率較高、總體性能表現(xiàn)較好。該模型在配電網(wǎng)的負(fù)荷預(yù)測(cè)中發(fā)揮了重要作用。