在预测模型构建方面，由于影响电力负荷变化的因素具有高度的随机性，电力负荷变化也具有较高的随机性，增加了负荷预测的难度。现有的负荷预测模型可分为三大类：经典预测模型、人工智能预测模型和机器学习预测模型。经典的预测模型主要包括回归分析和时间序列方法。文献[5]提出了一种多元线性回归（MLR）方法。该方法以趋势、温度、周日等变量为基本变量，构造了更多的二阶温度、三阶温度等组合变量。然后利用这些变量训练再结晶模型。在[6]中，提出了一种时间序列方法，其中考虑外生变量，构造了具有广义自回归条件和特征成分的模型。从而避免了传统时间序列模型忽略外部影响因素的缺陷。这些经典预测模型属于线性预测方法，结构简单，预测速度快。然而，对于非线性负荷，这些线性预测方法很难提高预测精度。人工智能预测的主要模型是神经网络（NN）[7]，[8]，它包括反向传播神经网络（BPNN）和极端学习机（ELM）。神经网络具有很强的非线性逼近能力和自学习能力，但网络参数的选择比较困难。虽然ELM可以解决这个问题，但它是不稳定的。机器学习预测模型主要包括最小二乘支持向量机（LSSVM）[9]、随机森林（RF）[8]和梯度增强回归树（GBRT）[8]、[10]。LSSVM是支持向量机的一种扩展，它克服了支持向量机的缺点，降低了计算复杂度，提高了求解速度。LSSVM对大负载增长仍然有效。然而，LSSVM对异常值的鲁棒性不够，需要用优化方法设置模型的训练参数，增加了训练时间和难度。RF和GBRT是对异常值具有良好鲁棒性的树型算法，用于模型训练的参数设置较少，预测精度较高。但是GBRT在迭代过程中容易出现过拟合。利用RF算法学习一个回归模型，然后在模型的预测输出中初始化GBRT（iGBRT）[11]，可以有效地避免过度拟合问题，提高训练效率，获得比RF和GBRT更好的预测性能。然而，树算法对于大负载增长并不有效。
所有预测模型都有其特定的应用范围。在模型训练中，单个模型可能存在过拟合，且可能受限于泛化能力。在模型预测中，同一单一模型对不同的预测样本具有不同的预测精度，不同单一模型对同一预测样本也具有不同的预测精度。为了进一步减小单模型的预测误差，发展了多模型集成方法[12]、[13]。在负荷预测领域，有两种方法可以训练多个模型。一种方法只涉及一种算法。通过使用设置不同的模型参数，选取不同的输入变量[14]-[16]，构造了多个模型，解决了单一模型的拟合度过高和泛化能力有限的问题。然而，仅限于单一算法，这种方法无法解决单一算法应用有限的问题。另一种方法涉及多个算法，每个算法训练一个模型[17]–[19]。多种算法的优势互补，克服了单一算法应用范围有限的缺点，但每种算法仍在单一模型中使用，存在拟合度过高、泛化能力有限的问题。对于综合多个预测模型的输出，常用的方法有简单平均法和加权平均法。然而，这些方法只考虑将多模型预测输出作为变量进行集成，而忽略了原始数据集的特征。在医学诊断领域，[20]提出了一种二次学习方法，分为两个学习阶段。第一阶段是对多模型进行分集采样训练，生成包含原始数据集特征的新训练集。第二阶段，在新的训练集上生成C4.5决策树，提高了系统的泛化能力。然而，用于第二阶段学习的新训练集是从原始训练集获得的。该方法属于离线学习方法，由于存在负荷增长率和近期效应的问题，不适用于电力负荷的时间序列。
来源：CSDN
作者：HU_LSS
链接：https://blog.csdn.net/weixin_43527195/article/details/104750535