基于XGBoost與LightGBM集成的 電動汽車充電負(fù)荷預(yù)測模型
所屬分類：技術(shù)論文
上傳者：aetmagazine
文檔大?。?span>781 K
標(biāo)簽： 電動汽車 負(fù)荷預(yù)測 Stacking集成學(xué)習(xí)
所需積分：0分積分不夠怎么辦？
文檔介紹：隨著電動汽車規(guī)?；l(fā)展，充電站負(fù)荷對電網(wǎng)造成一定影響，為保障電網(wǎng)平穩(wěn)運行，提出一種基于極端梯度提升(eXtreme Gradient Boosting，XGBoost)與輕量級梯度提升機(jī)(Light Gradient Boosting Machine，LightGBM)融合的電動汽車充電負(fù)荷預(yù)測模型。該方法運用Stacking集成學(xué)習(xí)的策略：首先根據(jù)時間特征與歷史負(fù)荷數(shù)據(jù)采用XGBoost與LightGBM算法構(gòu)建負(fù)荷預(yù)測的基學(xué)習(xí)器，然后采用嶺回歸(Ridge Regression，RR)算法將基學(xué)習(xí)器的輸出結(jié)果進(jìn)行融合之后輸出負(fù)荷預(yù)測值。為了對比多種不同的負(fù)荷預(yù)測模型，采用上海市嘉定區(qū)的充電站訂單數(shù)據(jù)進(jìn)行試驗，結(jié)果表明，該方法所構(gòu)建的負(fù)荷預(yù)測模型相比單一算法模型具有更高的預(yù)測準(zhǔn)確度，對電網(wǎng)平穩(wěn)運行有一定理論及實用價值。
現(xiàn)在下載
VIP會員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。