母线负荷预测对于电网安全稳定调度具有重要意义，但母线负荷随机波动性较强，其负荷类型因供电区域的差异而不同。为此，提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型，组合构成Stacking模型融合的元模型层，连接一个XGBoost模型对元模型进行融合，整体构成综合预测系统，并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析，验证了所提方法的有效性与适用性。

输电线路故障评估和分类数据，及相关数据的负荷预测（含python程序）.zip

电力系统短期电力负荷预测数据集（时间间隔1h，4.8w多条数据）2015-2020 特征包括：天气变量，如气温、相对湿度、降水量和风速。

历史负荷和温度数据（从2009年到2017年），泰国的五个不同地区收集的：中部，曼谷和大都会，南部，北部和东北部。基于LSTM的RNN设计的短期电力负荷预测系统。内含matlab代码和数据！！！

基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预测方法 基于CNN-LSTM混合神经网络模型的短期负荷预

针对用BP神经网络进行预测时权值难以确定的问题,提出了一种基于将灰色理论与BP神经网络相结合的预测算法。采用数量研究法,选取重庆市某供电局1999年到2006年的售电量作为样本,利用不同的灰色模型对样本进行预测,再选出预测的最优值对BP网络进行训练,最后用已训练好的BP网络对样本数据进行预测。经实例预测表明:灰色理论与BP网络相结合的预测精度与单一的预测模型相比有了明显的改进,该算法在理论和实践应用中都是可行的,并为电力部门的生产运行和规划提供了重要的参考。

完整数据和完整代码

特征包括：天气变量，如气温、相对湿度、降水量和风速。数据集来源CND

基于BP神经网络的电力负荷预测研究，内容包含了部分MATLAB代码实现