基于加权灰色关联投影的Bagging-Blending多模型融合短期电力负荷预测

针对短期电力负荷随时间变化的随机性和不确定性，提出了一种基于加权灰色系统的融合模型。首先，利用加权灰色关联投影算法分析电力负荷的影响因素（如天气、温度、湿度、日期类型等），以选择历史负荷的特征。在此基础上，将SVR（支持向量区域）、KNN（k-nearest　neighbor）、GRU（门回归单元）、XG、Boost（eXtreme）、Light、GBM（light、gradient、machine）类别特征梯度推进的单模型嵌入Bagging积分算法，以提高模型的稳定性和泛化能力。同时，Pearson相关系数被用来评估每一个模型。然后，根据模型数据观测的不同空间角度，采用Blending模型对相关性较小的模型进行融合。最后，通过新英格兰地区电力在新England的装货数据进行了验证。与传统的单一模型（GRUSVR）和其他融合模型（bagging xgboost、GRUXG-Boost和最优加权）相比，该融合模型具有较强的泛化能力、较高的稳定性和预测精度。