.png){kind=icon}
返回
Short-Term Electrical Load Forecasting Based on XGBoost Model
.png){kind=icon}
OA
AI
DOI：10.3390/en18195144.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电力负荷预测是电力工程领域最重要的科学和实践任务之一。预测精度直接影响到整个电力系统的运行效率以及电力市场的表现。本文提出了用于源数据预处理和调整XGBoost模型的算法，以获得最准确的预测曲线。初始数据包括2013年至2025年期间塔塔尔斯坦共和国电力系统的小时用电量和气象条件。该研究的创新之处在于定义并论证了最优模型训练周期，并开发了一种新的评估指标以评估模型效率——平衡能源市场运营中的财务损失。研究表明，训练数据集的最优深度为10年。同时证明，在训练过程中使用传统指标（MAE、MAPE、MSE等）作为损失函数并不总能得到最适合市场条件的有效模型。在2025年前5个月验证数据上评估的最准确模型的MAPE、MAE和财务损失值分别为1.411%、38.487 MWh和16,726,062 RUR。而最具商业有效性的模型的各项指标分别为1.464%、39.912 MWh和15,961,596 RUR。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.2
论文数:
1.5W
被引数:
14.2W
机构
引用论文
分享收藏Enhancing Short-Term Load Forecasting With a CNN-GRU Hybrid Model: A Comparative Analysis用cnn-gru混合模型增强短期负荷预测的比较分析.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Short-term power load forecasting for combined heat and power using CNN-LSTM enhanced by attention mechanism基于注意力机制的cnn-lstm热电联供短期电力负荷预测ENERGY
ENERGYIF9.4
PREAI
分享收藏Zhao, J.; Shen, X.; Liu, Y.; Liu, J.; Tang, X. Enhancing Aggregate Load Forecasting Accuracy with Adversarial Graph Convolutional Imputation Network and Learnable Adjacency Matrix. Energies 2024, 17, 4583. [Google Scholar] [CrossRef]赵, J.; 沈, X.; 刘, Y.; 刘, J.; 汤, X. 通过对抗图卷积补全网络和可学习邻接矩阵提升聚合负荷预测精度. Energies 2024, 17, 4583. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Osgonbaatar, T.; Matrenin, P.; Safaraliev, M.; Zicmane, I.; Rusina, A.; Kokin, S. A Rank Analysis and Ensemble Machine Learning Model for Load Forecasting in the Nodes of the Central Mongolian Power System. Inventions 2023, 8, 114. [Google Scholar] [CrossRef]Osgonbaatar, T.; Matrenin, P.; Safaraliev, M.; Zicmane, I.; Rusina, A.; Kokin, S. 节点负荷预测的等级分析和集成机器学习模型。Inventions 2023, 8, 114. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容