论文摘要
为避免负荷预测特征集中冗余特征对预测精度的负面影响,降低预测器复杂度,提出一种基于条件互信息(CMI)和高斯过程回归(GPR)的短期负荷预测特征选择方法.首先,为降低建模所用特征量,根据与目标变量具有最大互信息的特征,选取剩余特征中可对目标变量提供最大信息增益的特征,计算CMI值并进行排序;然后,以GPR为预测器,以其预测结果平均绝对百分比误差为决策变量,按照特征CMI值排序顺序,采用序列前向选择方法,确定最优特征子集;最终,以最优特征子集构建GPR预测模型,并与皮尔逊相关系数法(PCC)和互信息(MI)2种特征选择方法分别结合支持向量机和反向传播神经网络开展对比实验.实验结果证明新方法降低了最优特征集合冗余度与预测模型复杂度,且具有更高的预测精度.
论文目录
文章来源
类型: 期刊论文
作者: 薛琳,黄南天,赵树野,王盼盼
关键词: 短期负荷预测,特征选择,条件互信息,高斯过程回归
来源: 东北电力大学学报 2019年02期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 东北电力大学电气工程学院,国网内蒙古东部电力有限公司经济技术研究院
基金: 国家自然科学基金资助项目(51307020),吉林省科技发展计划项目(20160204004GX,20160411003XH)
分类号: TM715
DOI: 10.19718/j.issn.1005-2992.2019-02-0030-09
页码: 30-38
总页数: 9
文件大小: 428K
下载量: 182