摘要：在常规的电力系统负荷预测过程中,所用的预测方法不能快速、有效地训练大量数据样本,并且不能有效地运用历史数据。为了解决这些问题,设计了一种基于大数据平台的电力系统负荷预测模型。运用Xgboost算法搭建训练样本模型生成决策树,为了防止在该过程中出现过拟合,采用了Gradient Boosting思想和Shrinkage思想;搭建Hadoop平台部署Xgboost算法。通过对某省M县实际负荷数据特性的分析,构建了基于负荷的时间特性、温度特性的训练样本,分别进行了夏季、冬季情况下的负荷预测,同时与随机森林（RF）算法和梯度提升决策树（GBDT）算法进行对比。预测试验对比验证了Xgboost算法具有准确性好、训练速度快等特点,且在开启多线程的情况下,Xgboost算法有更明显的提升。

关键词：负荷预测 大数据 xgboost 随机森林 梯度提升决策树 

单位：贵州大学电气工程学院; 贵州贵阳550025