-
题名基于PCA-GBDT算法的电力数据用电量预测方法
- 1
-
-
作者
刘晖
-
机构
国网江西省电力有限公司宜春供电分公司
-
出处
《电力大数据》
2026年第2期89-98,共10页
-
文摘
在电力大数据结构复杂的背景下,传统梯度提升树算法在数据维度较高时存在预测精度低、效率低下等问题。为此,提出一种考虑主成分的梯度提升树算法(principal component analysis of gradient boosting decision tree,PCA-GBDT)模型,并对机器学习组件和算法参数进行优化改进,以精准预测电力数据的用电量,提高电力行业工作效率。结果显示,迭代次数为5时,与支持向量机和未改进的算法相比,所提算法的误差分别降低了0.33%和0.63%。在居民用电方面,该算法的平均绝对百分比误差较未改进的算法减少了18.48%。对该算法的参数进行优化后,发现所提优化方案的用电量误差最小,均方误差和均方根误差分别为258.47万kW·h和16.34万kW·h。结果表明,所提算法能够精准预测电力数据用电量,对电力行业的发展规划和布局调整具有重要研究意义。
-
关键词
机器学习
pca-gpdt
电力数据
用电量预测
SPARK
-
Keywords
machine learning
pca-gpdt
power data
electricity consumption forecast
Spark
-
分类号
TM715
[电气工程—电力系统及自动化]
-
