邹鑫，罗涓

用梯度提升决策树实现电力负荷非线性影响因素分析

邹鑫，罗涓

（华北电力大学 经济管理系，河北 保定 071003）

为了避免由因素冗余导致的预测精度下降，对比分析了6种集成机器学习模型的性能，发现梯度提升决策树回归模型性能最好。利用梯度提升决策树进行特征重要性排序，选出显著影响因素；然后通过计算偏依赖量来评估各影响因素与最大负荷之间的非线性关系；最后，运用长短期记忆预测模型对各个因素的组合进行验证。结果表明，利用梯度提升决策树可以有效捕捉最大负荷与各因素之间的非线性关系，且经过因素选择和考虑温度累积效应后，负荷预测准确度得到显著提高。

新型电力系统；负荷预测；梯度提升决策树；长短期记忆；非线性影响

0 引言

电力负荷预测对于电力系统规划和运行至关重要。电力负荷预测主要分为短期、中期和长期预测3类。在“双碳”目标下，准确而高效的短期电力负荷预测对于提高电力利用率、降低碳排放具有重要意义。

短期电力负荷预测主要包括收集并处理数据、特征选择、模型训练、预测等步骤。在进行负荷预测模型训练前，分析负荷的相关影响因素是影响负荷预测准确性的关键环节。目前，对于负荷与各影响因素间线性关系的分析，学者大多聚焦于主成分分析法[1]、灰色关联度分析法[2]以及皮尔逊相关系数[3]等方法。文献[4]采用主成分分析方法对变量进行线性降维，随后使用（Back propagation，BP）神经网络进行负荷预测。……