针对区域用户用电预测的影响因素众多、用户行为模式差异的特点,提出一种基于Xgboost算法的综合预测方法。该方法从周期、趋势、扰动三方面考虑用电的影响因素,搜集用户历史用电数据和气象数据,对数据中的缺失值进行补充,并对数据进行平滑化处理。将所得用户数据进行K-means聚类,从而得到不同类别的用户。运用最大信息系数(MIC)计算各影响因素与用户用电量的相关性大小,依据相关性大小对不同影响因素排序,进而提取主要影响因素。利用Xgboost算法构建不同用户类别的用电预测模型,对不同类别用户进行用电预测,进而获得区域整体用电情况。采用实际用电数据,调整算法参数,对综合方法进行仿真分析,并与其他方法进行对比。结果表明,该方法综合考虑了多方面影响因素,划分了不同的用户群落,具有更高的精度和可靠性。Xgboost算法在区域用电预测中具有较好的应用前景。进行平滑化和归一化处理，将所得的数据进行K-means聚类［11］用电预测中-电动折弯机张家港滚圆机滚弧机全自动钢管滚圆机滚弧机;运用最大信息系数计算各影响因素与用户用电量的相关性，依据相关性大小对不同影响因素排序，从而提取主要关联因素;分别建立面向不同用户类别的Xgboost预测模型，本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com选择合适的参数，作出相应预测，并实现对区域整体的用电预测。使用聚类算法，对用户进行分类;针对不同的类别，提取与用电量相关性较高的影响因素，分别建立模型进行预测;将分类的预测结果相加，从而获得区域总体用电预测结果。基于Xgboost的综合预测方法流程如图1所示。图1综合预测方法流程图多影响因素分析方法2．1多影响因素数据的采集用户的用电量是多种影响因素共同作用的结果。对于不同类别的用户，分别从周期、趋势、扰动三个角度进行考虑。在周期方面，采集了用户前1日的用电量D1、前2日的用电量D2、前3日的用电量D3、前7日的用电量D7、最近3日的平均用电量A3、最近7日的平均用电量A7，共6种影响因素。在趋势方面，采集了最近3日的平均用电增长率I3、最近5日的平均用电增长率I5、最近7日的用电平均增长率I7、近两周的用电增长率C2，共4种影响因素。在扰动方面，考虑预测日的天气预报，采集了最高温度T1、最低温度T2、湿度H1、人体舒适度指数S1、是否为节假日R1、是否为调休日N1，共6种影响因素。在用户历史用电量方面，本文用最近3日用电量的平均值替代部分缺失值数据，同时考虑用电数据的统计学用电预测中-电动折弯机张家港滚圆机滚弧机全自动钢管滚圆机滚弧机本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com