基于LightGBM的夜经济用户级短期负荷概率预测方法  

A User-Level Short-Term Probabilistic Load Forecasting Based on LightGBM in Night Economy

作　　者：周文涛 魏光涛 王泽黎 张晓晨 任立志 ZHOU Wentao;WEI Guangtao;WANG Zeli;ZHANG Xiaochen;REN Lizhi(State Grid Beijing Chaoyang Electric Power Supply Company,Beijing 100124,China)

机构地区：[1]国网北京朝阳供电公司,北京100124

出　　处：《数据与计算发展前沿》2023年第3期160-168,共9页Frontiers of Data & Computing

基　　金：国家重点研发计划(2017YFB0202302);国家自然科学基金(62073133);国网北京电力公司实施项目(B702-03210001)。

摘　　要：[目的]为了度量夜经济中用户级短期负荷的不确定性,基于LightGBM(Light Gradient Boosting Machine)和KDE(Kernel Density Estimation)方法,本文设计了一种夜经济用户级短期负荷概率预测模型框架和预测方法。[方法]首先,利用LightGBM对待预测用户的历史负荷与影响因素(如天气、日类型等)进行建模。然后,使用该模型预测用户的未来短期负荷,并将LightGBM模型所包含的树的输出作为概率预测的输入,利用核密度估计方法计算该用户未来短期负荷的概率密度及预测区间。[结论]最后利用北方某城市的多个夜经济用户真实负荷数据进行了实验验证,实验结果表明本方法预测结果准确,鲁棒性高,且对夜经济多类用户均适用。[Objective]To estimate the uncertainty of user-level short-term load in the night economy,this paper designs a user-level short-term load probability prediction method based on the light gradient boosting machine(LightGBM)and kernel density estimation(KDE).[Methods]First,the LightGBM is applied to model the historical load and influencing factors(such as weather,day type,etc.).Then,the trained LightGBM-based model predicts the user's future load.The predictions produced by the trees in LightGBM are used as input to the kernel density estimation(KDE)to generate the probabilistic density and prediction intervals of the user's future load.[Conclusions]The experimental results on the actual load of multiple night economic users verify the performance of this framework.

关 键 词：用户级负荷预测 负荷概率预测 LightGBM 梯度提升决策树 核密度估计 

分 类 号：TM715[电气工程—电力系统及自动化] TP181[自动化与计算机技术—控制理论与控制工程]