[發明專利]基于隨機森林回歸和多步尋優的短期負荷需求預測方法

有效

• 申請號: 201910337788.8
• 申請日: 2019-04-25
• 公開（公告）號: CN110135630B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 孔政敏;呂何;付卓林;王碟;張成剛;楊玉杰
• 申請（專利權）人: 武漢數澎科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 武漢華強專利代理事務所(普通合伙) 42237
• 代理人: 溫珊姍

1.基于隨機森林回歸和多步尋優的短期負荷需求預測方法，其特征是，包括：

S100提供原始數據集，包括歷史負荷特征數據、歷史負荷需求數據以及預測日負荷特征數據；所述負荷特征數據指負荷需求相關的特征數據；將歷史負荷特征數據和歷史負荷需求數據作為訓練集，將預測日負荷特征數據作為預測集；

所述歷史負荷特征數據和所述預測日負荷特征數據分別至少包括歷史日和預測日的日期數據、氣象數據、以及相似日負荷值；所述相似日負荷值，指與當前日負荷特征的歐氏距離最小的歷史負荷特征所對應歷史日的電力負荷值；

所述氣象數據和所述日期數據均通過中國氣象數據網提供的API接口實時獲取；

所述歷史負荷需求數據從智能電能表采集的用戶電力信息數據中獲取；

S200將歷史負荷特征數據和歷史負荷需求數據分別作為負荷特征樣本與負荷樣本，分別計算各維負荷特征與負荷間的相關系數，從訓練集和預測集中剔除相關系數絕對值小于預設閾值的負荷特征數據，對相關系數絕對值不大于預設閾值的負荷特征數據，將相關系數與自然數1之差的絕對值作為該維負荷特征的衰減權重；預設閾值為經驗值；

S300基于訓練集訓練隨機森林回歸模型，對隨機森林回歸模型參數進行多步尋優，得短期負荷需求預測模型；參數包括回歸樹的數量m和深度d；

所述對隨機森林回歸模型參數進行多步尋優具體為：

S310利用網格搜索法為每個參數設置相應的搜索間隔后構成高維搜索向量，遍歷高維搜索向量計算各搜索區域的適應度，適應度小于預設適應度閾值的搜索區域即局部優化域；

S320以局部優化域作為果蠅優化法的參數選取區域，將最佳參數當作果蠅最佳位置，利用果蠅優化法進行多步尋優搜索最佳參數；

S400以預測集為輸入，利用短期負荷需求預測模型獲得負荷需求預測值，將負荷需求預測值及對應的負荷特征數據加入訓練集，作為預測下一個預測點的負荷需求值時的歷史負荷需求數據和歷史負荷特征數據；具體為：基于滾動時域預測法預測負荷需求預測值，即以預設時間間隔為時域進行滾動預測；每次預測完成，將每次預測的負荷需求預測值及對應的負荷特征數據加入訓練集中，用來在下一次預測前對隨機森林回歸模型進行訓練和多步尋優。

2.如權利要求1所述的短期負荷需求預測方法，其特征是：

S200中，各維負荷特征與負荷間的相關系數其中，r_xy表示負荷特征與負荷間的相關系數；S_xy表示負荷特征樣本與負荷樣本的協方差；S_x和S_y分別表示負荷特征樣本和負荷樣本的標準差；x_j和y_j分別表示負荷特征樣本和負荷樣本中第j個樣本，n表示樣本數；x_avg和y_avg分別表示負荷特征樣本和負荷樣本的平均值。

3.如權利要求1所述的短期負荷需求預測方法，其特征是：

在執行步驟S300前，對步驟S200處理后的數據集進行缺失值處理和標準化。

4.如權利要求1所述的短期負荷需求預測方法，其特征是：

S300中，基于訓練集訓練隨機森林回歸模型具體為：

采用Bootstrap重抽樣方法從訓練集中選取m個子集，利用每個子集分別訓練得到一顆回歸樹，基于損失最小化原則集成回歸樹，獲得隨機森林回歸模型。

5.如權利要求1所述的短期負荷需求預測方法，其特征是：

S410中計算各搜索區域的適應度，進一步為：

將訓練集隨機等分為若干組，其中一組作為測試集，其余組作為子訓練集；

采用各組子訓練集分別訓練當前隨機森林回歸模型，每次訓練后采用訓練后的隨機森林回歸模型預測測試集對應的預測負荷值；

訓練完畢，分別計算各搜索區域的適應度其中，為第p次訓練后利用測試集獲得的預測負荷值，P為子訓練集數；ξ_p為測試集對應的實際負荷值。

6.如權利要求1所述的短期負荷需求預測方法，其特征是：

S420進一步包括：

(1)初始化最大迭代次數maxgen，種群大小sizepop和果蠅初始位置(X_axis，Y_axis)，將果蠅位置看作模型參數，采用二進制編碼構造參數；

(2)在參數選取區域內對果蠅個體賦予隨機飛行距離和方向，獲得果蠅個體更新后的位置；

(3)基于果蠅個體當前位置計算氣味濃度值，并對其進行二進制編碼，氣味濃度值為果蠅個體到原點距離的倒數；判斷氣味濃度值代入sigmoid函數的結果是否大于0.5，若是，將氣味濃度值解碼為十進制值，即得優化后的模型參數；若不是，執行步驟(2)，對果蠅個體位置做下一次迭代更新；

(4)每次迭代通過果蠅個體的新位置生成新的氣味濃度值，基于新的氣味濃度值執行步驟(3)；當迭代次數大于maxgen或新的氣味濃度值小于歷史最佳濃度值，則迭代結束，當前模型參數即最佳參數；否則，返回步驟(2)繼續更新果蠅位置。