融合LSTM与XGBoost的电力系统动态状态短期预测方法

《Energies》：Hybrid LSTM–XGBoost Prediction of Power System Dynamic States Under Renewable Integration

　　

摘要

随着可再生能源和逆变器资源的渗透率不断提高，电力系统表现出更强的不确定性和非线性动态特性，这增加了对动态状态准确短期预测的需求。本研究提出了一种结合长短期记忆（LSTM）网络和XGBoost的混合预测方法，以提高关键动态变量的预测准确性。LSTM模块用于从历史时间序列数据中提取时间依赖性，提取的深层特征与原始输入特征融合以构建增强特征向量。随后采用XGBoost回归器来捕获非线性特征交互并生成最终预测结果。该方法以转子转速、有功功率和功率角作为代表性动态变量进行评估。以物理单位表示的测试集结果表明，所提出的模型在转子转速、有功功率和功率角上的RMSE值分别为1.0×10^?6 p.u.、2.5808 MW和0.0001度，MAE值分别为1.0×10^?6、1.0269 MW和0.0001度。与参考模型相比，所提出的方法降低了所有三个变量的RMSE和MAE，表明LSTM-XGBoost框架能够提高电力系统动态状态预测的准确性。