计算机与现代化JISUANJIYUXIANDAIHUA2023年第3期总第331期文章编号：1006-2475（2023）03-0096-06收稿日期：2021-11-19；修回日期：2021-12-21基金项目：上海市科委项目（115105024）作者简介：张子森（1994—），男，安徽临泉人，硕士研究生，研究方向：人工智能数据挖掘，E-mail：zhang.zisen@outlook.com；徐晓钟（1964—），男，高级工程师，研究方向：人工智能数据挖掘，计算机软件架构设计，E-mail：xxz_edu@shnu.edu.cn。0引言随着社会的发展，全球能源消耗呈指数增长，合理的能源需求管理对于经济和环境可持续发展至关重要［1］。负荷预测是能源需求管理领域的热点，准确地预测负荷对于规划者和决策者有着重要的意义。根据不同的管理需求，负荷预测分为以年为单位的中长期负荷预测，以月、周、天为单位的短期负荷预测，以及以时、分为单位的超短期负荷预测［2］。本文以电力能源为例，对短期负荷预测进行研究。短期负荷同时具有周期波动性和增长性的二重趋势，使得负荷的变化呈现出复杂的非线性组合特征［3］。以某地区一段时间内每日同一时刻的电力负荷值为例，该类型数据具有以年为单位的周期波动性，以及随时间推移的增长趋势，如图1所示。图1电力负荷时间序列针对短期负荷，目前预测方法主要分为3种：1）传基于分解和多分量集成学习的负荷预测方法张子森，徐晓钟（上海师范大学信息与机电工程学院，上海201418）摘要：能源负荷时间序列具有周期波动性和增长性两重趋势。一般梯度提升树GBDT通过集成多个分类与回归树CART，能够很好地拟合周期波动性趋势，但是对于增长性趋势拟合较差。相关研究先分解再使用组合模型预测，而本文研究在分解后使用多分量集成学习进行预测。首先分解出负荷的2种趋势分量及残差分量，将CART的叶节点改为3个预测模型，使其能够对3个分量进行预测。同时优化CART损失函数为各分量预测结果的误差平方总和，使其能够考虑3个分量预测模型的损失。然后基于梯度提升重构预测结果，使其能够以多分量集成学习的方式拟合负荷的两重趋势。最后提出基于分解和多分量集成学习的负荷预测方法，该方法在某地区电力负荷预测实验中，相比其它预测方法，各项误差评价指标均有所下降。实验结果表明，本文提出的方法在两重趋势性负荷的预测中具有更好的表现，同时也为GBDT预测其它类型数据提供了改进思路。关键词：负荷时间序列；STL分解；梯度提升树；多分量预测；负荷预测中图分类号：TP301.6文献标志码：ADOI：10.3969/j.issn....
