来源：期刊VIP网 时间：
作者：顼佳宇;王晓冰;李冰;王媛;雍明月;邵晨;
单位：国网北京市电力公司;中国国际工程咨询有限公司;国网四川省电力公司成都供电公司;河北省分布式储能与微网重点实验室(华北电力大学);
摘要：针对电力系统短期负荷预测的问题，提出基于改进贝叶斯优化和集成学习的预测模型。首先，采用岭回归、套索回归、随机森林和Huber回归作为基学习器，以待测负荷之前时段的负荷数据作为自变量，独立地预测待测负荷值；其次，构建基于极致梯度提升的元学习器，以基学习器的预测值作为自变量，进一步提升待测负荷值的预测精度；然后，使用基于Hyperband改进的贝叶斯优化算法和5折交叉验证进行参数优化；最后，利用沙普利加和解释值分析各个基学习器对元学习器的重要性，以及各个输入特征对集成学习模型的重要性。仿真及实际算例验证表明，该方法相较于单一模型具有更好的预测精度和稳定性，且与神经网络模型相比，所提模型在不损失预测精度的情况下提高了预测可解释性。
关键词：电力系统;;短期负荷预测;;贝叶斯优化;;集成学习;;极致梯度提升;;沙普利加和解释值
基金资助：国网北京市电力公司科技项目（520234240002）
