基于Sigmoid软切换的XGBoost与BP神经网络混合模型用于短期风电功率预测

《Atmosphere》：Short-Term Wind Power Forecasting Based on Sigmoid-Weighted Soft-Switching Strategy Between XGBoost and BP Neural Networks

　　风力发电具有强间歇性和波动性特征，使得准确的短期预测对于可靠的电力系统运行和电网的稳定调度至关重要。传统的单模型方法往往难以同时保持整体预测精度和可靠捕捉功率峰值。为解决这一问题，本文提出了一种混合预测模型，该模型在极端梯度提升（XGBoost）和反向传播（BP）神经网络之间采用Sigmoid加权的软切换策略。引入了一种峰值加权的均方误差（MSE）损失函数，以提高XGBoost学习极端功率样本的能力，同时利用历史风电的标准差作为波动指标来确定波动状态，并用Sigmoid函数将该指标映射为连续的BP权重。因此，最终预测是通过平滑加权融合而非硬模型选择获得的：在稳定条件下，XGB Wtd占主导地位，而随着功率波动的增加，BP Std的贡献也随之增加。实验结果表明，与峰值加权的XGBoost（XGB Wtd）相比，所提出的模型整体MAE仅增加了1.02%，而峰值MAE降低了26.80%。总体而言，所提出的模型保持了轻量化的结构，并为描述性误差-分散分析提供了经验区间，展示了在短期风电预测方面的实际应用潜力。