[發(fā)明專利]基于隨機(jī)森林回歸和多步尋優(yōu)的短期負(fù)荷需求預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910337788.8
• 申請(qǐng)日: 2019-04-25
• 公開（公告）號(hào): CN110135630B
• 公開（公告）日: 2022-02-25
• 發(fā)明（設(shè)計(jì)）人: 孔政敏;呂何;付卓林;王碟;張成剛;楊玉杰
• 申請(qǐng)（專利權(quán)）人: 武漢數(shù)澎科技有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 武漢華強(qiáng)專利代理事務(wù)所(普通合伙) 42237
• 代理人: 溫珊姍

本發(fā)明公開了基于隨機(jī)森林回歸和多步尋優(yōu)的短期負(fù)荷需求預(yù)測(cè)方法，包括：S100提供原始數(shù)據(jù)集，將原始數(shù)據(jù)集劃分為訓(xùn)練集和預(yù)測(cè)集；S200對(duì)原始數(shù)據(jù)集進(jìn)行特征篩選；S300基于訓(xùn)練集訓(xùn)練隨機(jī)森林回歸模型，對(duì)隨機(jī)森林回歸模型參數(shù)進(jìn)行多步尋優(yōu)，得短期負(fù)荷需求預(yù)測(cè)模型；S400以預(yù)測(cè)集為輸入，利用短期負(fù)荷需求預(yù)測(cè)模型獲得負(fù)荷需求預(yù)測(cè)值，將負(fù)荷需求預(yù)測(cè)值及對(duì)應(yīng)的負(fù)荷特征數(shù)據(jù)加入訓(xùn)練集，作為預(yù)測(cè)下一個(gè)預(yù)測(cè)點(diǎn)的負(fù)荷需求值時(shí)的歷史負(fù)荷需求數(shù)據(jù)和歷史負(fù)荷特征數(shù)據(jù)。本發(fā)明方法模型全局泛化性能強(qiáng)，參數(shù)選擇快速，運(yùn)行效率高，短期負(fù)荷需求預(yù)測(cè)精度高。

技術(shù)領(lǐng)域

本發(fā)明涉及電力負(fù)荷需求預(yù)測(cè)領(lǐng)域，尤其涉及基于隨機(jī)森林回歸和多步尋優(yōu)的短期負(fù)荷需求預(yù)測(cè)方法。

背景技術(shù)

隨著我國(guó)電力大數(shù)據(jù)+互聯(lián)網(wǎng)融合的日益深入，電網(wǎng)公司與售電企業(yè)逐步走入市場(chǎng)，短期電力負(fù)荷需求預(yù)測(cè)對(duì)電網(wǎng)系統(tǒng)調(diào)控和電力市場(chǎng)運(yùn)營(yíng)都具有重要意義。電力負(fù)荷需求預(yù)測(cè)是電網(wǎng)經(jīng)濟(jì)安全運(yùn)行的必要保障。可以說，精準(zhǔn)的短期負(fù)荷預(yù)測(cè)(Short Term LoadForecasting,STLF)對(duì)電力需求響應(yīng)、能源市場(chǎng)分析以及電力輸配電規(guī)劃具有重要決策意義。由于短期電力負(fù)荷需求受到諸多如溫度、假期、地區(qū)等非線性因素的影響，因此特征數(shù)據(jù)質(zhì)量以及所用預(yù)測(cè)數(shù)學(xué)模型對(duì)提高STLF預(yù)測(cè)精度至關(guān)重要。

目前，短期電力負(fù)荷預(yù)測(cè)主要分為兩大類：一類是以時(shí)間序列、灰色預(yù)測(cè)為主的常規(guī)回歸方法；另一類是以神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)為代表的智能預(yù)測(cè)方法，如人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)等方法。近年來，由于支持向量回歸(Support VectorRegression,SVR)具有泛化能力較強(qiáng)、自定義核函數(shù)等優(yōu)點(diǎn)，國(guó)內(nèi)外學(xué)者將其作為電力負(fù)荷預(yù)測(cè)的研究熱點(diǎn)。然而，SVR預(yù)測(cè)模型的最終預(yù)測(cè)精度受其算法本身和輸入特征的選擇影響較大，輸入特征、核函數(shù)以及優(yōu)化算法的選取往往需要經(jīng)過復(fù)雜的預(yù)實(shí)驗(yàn)。作為新興機(jī)器學(xué)習(xí)方法的隨機(jī)森林回歸(Random Forest Regression,RFR)可望解決上述問題。RFR通過Bootstrap重抽樣方法組合回歸樹進(jìn)行預(yù)測(cè)，具有預(yù)測(cè)精度高、收斂速度快等優(yōu)點(diǎn)，在許多預(yù)測(cè)領(lǐng)域已被廣泛研究。此外，RFR建模無需復(fù)雜的特征選擇算法，所有特征均可用于建立預(yù)測(cè)模型，但是RFR的預(yù)測(cè)性能受其模型參數(shù)影響較大。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有短期負(fù)荷需求預(yù)測(cè)技術(shù)存在的受其算法本身和輸入特征的選擇影響較大、以及輸入特征、核函數(shù)和優(yōu)化算法的選取往往需要經(jīng)過復(fù)雜的預(yù)實(shí)驗(yàn)等缺陷，本發(fā)明提出了基于隨機(jī)森林回歸和多步尋優(yōu)的短期負(fù)荷需求預(yù)測(cè)方法，以有效提高短期電力負(fù)荷需求預(yù)測(cè)精度。

本發(fā)明提供的基于隨機(jī)森林回歸和多步尋優(yōu)的短期負(fù)荷需求預(yù)測(cè)方法，包括：

S100提供原始數(shù)據(jù)集，包括歷史負(fù)荷特征數(shù)據(jù)、歷史負(fù)荷需求數(shù)據(jù)以及預(yù)測(cè)日負(fù)荷特征數(shù)據(jù)；所述負(fù)荷特征數(shù)據(jù)指負(fù)荷需求相關(guān)的特征數(shù)據(jù)；將歷史負(fù)荷特征數(shù)據(jù)和歷史負(fù)荷需求數(shù)據(jù)作為訓(xùn)練集，將預(yù)測(cè)日負(fù)荷特征數(shù)據(jù)作為預(yù)測(cè)集；

S200將歷史負(fù)荷特征數(shù)據(jù)和歷史負(fù)荷需求數(shù)據(jù)分別作為負(fù)荷特征樣本與負(fù)荷樣本，分別計(jì)算各維負(fù)荷特征與負(fù)荷間的相關(guān)系數(shù)，從訓(xùn)練集和預(yù)測(cè)集中剔除相關(guān)系數(shù)絕對(duì)值小于預(yù)設(shè)閾值的負(fù)荷特征數(shù)據(jù)，對(duì)相關(guān)系數(shù)絕對(duì)值不大于預(yù)設(shè)閾值的負(fù)荷特征數(shù)據(jù)，將相關(guān)系數(shù)與自然數(shù)1之差的絕對(duì)值作為該維負(fù)荷特征的衰減權(quán)重；預(yù)設(shè)閾值為經(jīng)驗(yàn)值；

S300基于訓(xùn)練集訓(xùn)練隨機(jī)森林回歸模型，對(duì)隨機(jī)森林回歸模型參數(shù)進(jìn)行多步尋優(yōu)，得短期負(fù)荷需求預(yù)測(cè)模型；參數(shù)包括回歸樹的數(shù)量m和深度d；

所述對(duì)隨機(jī)森林回歸模型參數(shù)進(jìn)行多步尋優(yōu)具體為：

S310利用網(wǎng)格搜索法為每個(gè)參數(shù)設(shè)置相應(yīng)的搜索間隔后構(gòu)成高維搜索向量，遍歷高維搜索向量計(jì)算各搜索區(qū)域的適應(yīng)度，適應(yīng)度小于預(yù)設(shè)適應(yīng)度閾值的搜索區(qū)域即局部?jī)?yōu)化域；

S320以局部?jī)?yōu)化域作為果蠅優(yōu)化法的參數(shù)選取區(qū)域，將最佳參數(shù)當(dāng)作果蠅最佳位置，利用果蠅優(yōu)化法進(jìn)行多步尋優(yōu)搜索最佳參數(shù)；