基于XGBoost與LightGBM集成的 電動汽車充電負荷預測模型
所屬分類：技術論文
上傳者：aetmagazine
文檔大?。?span>781 K
標簽： 電動汽車 負荷預測 Stacking集成學習
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，充電站負荷對電網造成一定影響，為保障電網平穩(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(Light Gradient Boosting Machine，LightGBM)融合的電動汽車充電負荷預測模型。該方法運用Stacking集成學習的策略：首先根據時間特征與歷史負荷數據采用XGBoost與LightGBM算法構建負荷預測的基學習器，然后采用嶺回歸(Ridge Regression，RR)算法將基學習器的輸出結果進行融合之后輸出負荷預測值。為了對比多種不同的負荷預測模型，采用上海市嘉定區(qū)的充電站訂單數據進行試驗，結果表明，該方法所構建的負荷預測模型相比單一算法模型具有更高的預測準確度，對電網平穩(wěn)運行有一定理論及實用價值。
現在下載
VIP會員，AET專家下載不扣分；重復下載不扣分，本人上傳資源不扣分。