基于LightGBM算法的短期电力负荷预测研究

电力用户侧短期负荷需求的快速准确预测是实现电网优化调度的基础，只有搞清楚用户侧负荷需求，才能更好实现负荷供给。因电力负荷需求受气象、生产生活等多重因素的影响，而现有方法预测准确度不够高，制约了电网总体运行效率的进一步提高。本文提出了一种基于LightGBM算法的短期电力负荷预测模型，特征输入参数中考虑了气象参数和用户历史用电指标，模型中使用了五折交叉验证法，以提高预测精确度及泛化性，并利用某省的实际电网母线的电力数据，对模型进行训练及验证。结论表明：不同历史数据规模大小的选择对LightGBM模型的预测精度有一定影响，预测数据与实际值相比，平均绝对误差均小于0.3，平均绝对百分比误差均小于0.01%，均方根误差均小于1%。将本文模型和多元线性回归模型及XGBoost模型的预测结果进行对比，证明本文模型具有更高的精确度和预测效果。

当今，随着社会经济飞速发展，电网负荷的稳定性要求日益提高，电力系统的编排调度面临愈发严峻的挑战[1]。短期电力负荷预测是一种预测未来几小时到几天的电力负荷预测方法[2]，它作为电网管理系统的重要组成部分，能够对电网状态进行实时评估，并且对电网的运行故障作出提前预警以及电网优化调度管理。随着我国间歇性可再生能源的快速发展，对短期电力负荷预测的精确度及速度有了更高的要求，因此，基于数据的短期电力负荷预测模型已成为一个重要的研究领域。

国内外学者在几十年的研究探索中提出了各类电力负荷预测方法，主要分为传统统计学方法和现代机器学习方法两大类。传统统计学方法也称为统计预测法，由于其精确度低，难以满足现今预测精度需求，随着大数据技术的发展，学者们逐渐转向基于机器学习预测算法领域。机器学习中比较常用的有广义线性回归[3]、SVR (支持向量回归机) [4]、人工神经网络[5]、随机森林法[6]和LightGBM [7]等，相比传统统计学方法，其预测精度要高很多。任鹏[8]等以商业建筑为研究对象，提出带反馈的广义多元线性回归模型，并通过实测数据验证了该模型具有较高的预测精度，但其模型构建复杂，历史数据准确度要求高，不适用于电网电力负荷预测；王瑞[9]等利用改进的RBF 人工神经网络进行短期电力负荷预测，经过实测数据验证说明该模型的平均绝对百分误差小于5%，预测精度有了一定的提高；霍娟[10]等人从算法自身参数、数据集特点和气候特征三个因素对随机森林法和支持向量机进行比较，发现气候特征中干球温度和露点温度对负荷预测影响最大， 而在相同数据集时两种方法的整体差异并不大；张晓[11]等利用双向循环GRU 对电网数据进行时序特征提取， 再建立LightGBM 模型进行负荷预测， 结果证明引入时序特征能使模型的各个指标均获得2%的提升；胡澜也[12]等选取了大量风力发电机的负荷数据，利用LightGBM 算法进行了建模预测，发现该算法拥有预测速度快、精度高和历史数据影响小等优点。

随着电网智能化技术的推广，电力负荷数据的获取变得更加容易，为数据驱动的预测模型提供了数