Pronóstico de demanda de energía a corto y medio plazo con múltiples factores basado en fusión de múltiples modelos
Autores: Ji, Qingqing; Zhang, Shiyu; Duan, Qiao; Gong, Yuhan; Li, Yaowei; Xie, Xintong; Bai, Jikang; Huang, Chunli; Zhao, Xu
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Pronóstico de demanda de energía
Tecnología de aprendizaje automático
árbol de decisión de aumento de gradiente
Aumento extremo de gradiente
Máquina de aumento de gradiente ligero
Modelo de fusión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Con el desarrollo continuo de la economía y la sociedad, la predicción de la demanda de energía se ha convertido en una tarea importante de la industria eléctrica. La predicción precisa de la demanda de energía puede promover la operación y el desarrollo de la industria de suministro de energía. Sin embargo, dado que el consumo de energía se ve afectado por varios factores, es difícil predecir con precisión los datos de demanda de energía. Con la acumulación de datos en la industria eléctrica, la tecnología de aprendizaje automático ha mostrado un gran potencial en la predicción de la demanda de energía. En este estudio, se integraron el árbol de decisión de aumento de gradiente (GBDT), el aumento extremo de gradiente (XGBoost) y la máquina de aumento de gradiente ligero (LightGBM) mediante apilamiento para construir un modelo de fusión XLG-LR para predecir la demanda de energía. En primer lugar, se realizó un preprocesamiento en 13 meses de datos eléctricos y meteorológicos. A continuación, se ajustaron y optimizaron los hiperparámetros de cada modelo. En segundo lugar, basándose en la configuración óptima de hiperparámetros, se construyó un modelo de predicción utilizando el conjunto de entrenamiento (70% de los datos). Por último, el conjunto de prueba (30% de los datos) se utilizó para evaluar el rendimiento de cada modelo. El error absoluto medio (MAE), el error cuadrático medio (RMSE), el error porcentual absoluto medio (MAPE) y el coeficiente de bondad de ajuste (R^2) se utilizaron para analizar cada modelo en diferentes períodos de tiempo, incluyendo su efecto de pronóstico estacional, semanal y mensual. Además, el modelo de fusión propuesto se comparó con otros modelos de redes neuronales como los modelos GRU, LSTM y TCN. Los resultados mostraron que el modelo XLG-LR logró los mejores resultados de predicción en diferentes períodos de tiempo, y al mismo tiempo consumió menos tiempo en comparación con el modelo de red neuronal. Este método puede proporcionar una referencia más confiable para la operación y la planificación de las empresas eléctricas y la construcción futura de energía.
Descripción
Con el desarrollo continuo de la economía y la sociedad, la predicción de la demanda de energía se ha convertido en una tarea importante de la industria eléctrica. La predicción precisa de la demanda de energía puede promover la operación y el desarrollo de la industria de suministro de energía. Sin embargo, dado que el consumo de energía se ve afectado por varios factores, es difícil predecir con precisión los datos de demanda de energía. Con la acumulación de datos en la industria eléctrica, la tecnología de aprendizaje automático ha mostrado un gran potencial en la predicción de la demanda de energía. En este estudio, se integraron el árbol de decisión de aumento de gradiente (GBDT), el aumento extremo de gradiente (XGBoost) y la máquina de aumento de gradiente ligero (LightGBM) mediante apilamiento para construir un modelo de fusión XLG-LR para predecir la demanda de energía. En primer lugar, se realizó un preprocesamiento en 13 meses de datos eléctricos y meteorológicos. A continuación, se ajustaron y optimizaron los hiperparámetros de cada modelo. En segundo lugar, basándose en la configuración óptima de hiperparámetros, se construyó un modelo de predicción utilizando el conjunto de entrenamiento (70% de los datos). Por último, el conjunto de prueba (30% de los datos) se utilizó para evaluar el rendimiento de cada modelo. El error absoluto medio (MAE), el error cuadrático medio (RMSE), el error porcentual absoluto medio (MAPE) y el coeficiente de bondad de ajuste (R^2) se utilizaron para analizar cada modelo en diferentes períodos de tiempo, incluyendo su efecto de pronóstico estacional, semanal y mensual. Además, el modelo de fusión propuesto se comparó con otros modelos de redes neuronales como los modelos GRU, LSTM y TCN. Los resultados mostraron que el modelo XLG-LR logró los mejores resultados de predicción en diferentes períodos de tiempo, y al mismo tiempo consumió menos tiempo en comparación con el modelo de red neuronal. Este método puede proporcionar una referencia más confiable para la operación y la planificación de las empresas eléctricas y la construcción futura de energía.