基于STL-XGBoost-NBEATSx的小时天然气负荷预测

打开文本图片集

摘要：小时天然气负荷预测受外部特征因素与预测方法的影响，为提高其预测精度并解决其他深度学习类模型或组合模型可解释性差、训练时间过长的问题，在引入“小时影响度”这一新特征因素的同时提出一种基于极端梯度提升树（extreme gradient boosting tress，XGBoost）模型与可解释性神经网络模型NBEATSx组合预测的方法；以 XGBoost模型作为特征筛选器对特征集数据进行筛选，再将筛选降维后的数据集输入到NBEATSx中训练，提高NBEATSx的训练速度与预测精度；将负荷数据与特征数据经STL（seasonal and trend decomposition using Loess）算法分解为趋势分量、季节分量与残差分量，再分别输入到XGBoost中进行预测，减弱原始数据中的噪音影响；将优化后的NBEATSx与XGBoost模型通过方差倒数法进行组合，得出STL-XGBoost-NBEATSx组合模型的预测结果。（剩余16932字）