文献

J-GLOBAL ID：202002210026385082   整理番号：20A0235906

XGBoostアルゴリズムに基づく新しい短期負荷予測モデル研究【JST・京大機械翻訳】

A new short-term load forecasting model based on XGBoost algorithm

著者 (3件)： Chen Jianqiang (上海電力大学電子与信息工程学院,上海,200090) ,  Yang Junjie (上海電力大学電子与信息工程学院,上海200090;上海電机学院,上海201306) ,  Lou Zhibin (上海科学院,上海,201203)
資料名： Diance yu Yibiao  (Diance yu Yibiao)
巻： 56  号： 21  ページ： 23-29  発行年： 2019年 
JST資料番号： C3447A  ISSN： 1001-1390  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 現在の電力網の負荷予測で収集されたデータに対して、特徴次元が比較的少なく、特徴関係が不明で、有効データ量が少ないという特徴があり、電力網の短期負荷予測精度を高めるため、XGBoostアルゴリズムに基づく新たな負荷予測モデルを提案した。XGBoostアルゴリズムに基づく負荷予測モデルはCARTツリーを基学習器とし、前処理後の歴史的負荷と特徴データを入力し、複数の弱い学習器を構築し、訓練し、モデルを獲得し、最後にモデルの入力テスト集合の特徴に対して最終的な予測結果を得る。構築した負荷予測モデルはデータ特徴の標準化、処理フィールドの欠損を避けるデータ、関心特徴間の相互依存の有無、学習効果が良いというメリットがある。実電力網データの実験結果により,XGBoostアルゴリズムに基づく負荷予測の平均絶対誤差パーセントは3.46%に低下し,BP,GRNN,DBNニューラルネットワークに基づく負荷モデルの予測精度よりも高く,提案モデルの優位性を示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *負荷予測 ,  学習 ,  前処理 ,  電力系統 ,  標準化 ,  *アルゴリズム ,  ニューラルネットワーク
準シソーラス用語： 予測精度 ,  負荷モデル ,  平均絶対誤差 ,  学習効果 ,  データ量 , 【Automatic Indexing@JST】

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (4件)： アルゴリズム ,  短期 ,  予測モデル ,  研究