[發明專利]一種基于Bagging抽樣及改進隨機森林算法的負荷預測方法、系統、裝置及存儲介質

在審

• 申請號: 202310077201.0
• 申請日: 2023-01-30
• 公開（公告）號: CN116245019A
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 李亞飛;劉乙;錢科軍;鄭眾;謝鷹;張顯楚;宋杰;陳嘉棟
• 申請（專利權）人: 國網電力科學研究院有限公司;國電南瑞南京控制系統有限公司;國電南瑞科技股份有限公司;國網江蘇省電力有限公司蘇州供電分公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/2431;G06Q50/06;G06N20/00;H02J3/00;G06F113/04;G06F111/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 馬進

本發明公開了一種基于Bagging抽樣及改進隨機森林算法的負荷預測方法、系統、裝置及存儲介質，屬于智能電網和智能用電技術領域，方法包括：獲取歷史負荷值；將歷史負荷值輸入到構建好的隨機森林模型中，得到預測結果；本發明基于Bagging抽樣法，構建CART決策樹，在數據處理時做到更準確更全面的處理異常和冗余的信息，提取出有效的數據進行下一步操作，進而降低計算量，通過組合型算法共同組建的隨機森林模型，具有各個算法的優點，不僅可以使得電力系統短期負荷預測更加智能化，也可以有效的提升電力系統短期負荷預測的準確率。

技術領域

本發明涉及一種基于Bagging抽樣及改進隨機森林算法的負荷預測方法、系統、裝置及存儲介質，屬于智能電網和智能用電技術領域。

背景技術

作為電氣部門不可或缺的工作之一，電力負荷預測的準確進行保障電力系統的高效安全地運行，安全地安排檢修計劃，并且高效準確地控制發電機組的停啟，減少額外的麻煩和意外事故的發生，在把發電成本控制到最低的情況下使社會效益和經濟效益得到提升，保障社會的正常運行，從根本上切實的解決問題。

國內外學者專家對短期電力負荷預測的理論方法進行大量的研究，許多具有優良性能的模型算法被應用于這一領域，使得短期負荷預測進入到了快速發展的時代，現在一般認為將短期負荷預測方法分為兩大類——傳統經典預測方法和現代智能預測方法，傳統的經典預測方法原理簡單但是局限性高往往精度不是很準確使得誤差較大。現代智能預測方法隨著人工智能的發展，對數據的處理能力極強，很大程度的提高了電力負荷預測的精度，但是過于強大的模擬往往伴隨著計算量較大的問題。

當前技術對于電力系統負荷的預測，除了傳統的時間序列法、回歸分析法、趨勢外推法，還有一些現在智能預測方法，如人工神經網絡算法、小波分析法、模糊理論等，總的來說，運用單一的算法，工作量大，計算復雜，對電力系負荷的預測準確率低，存在較多類型的誤判。

發明內容

本發明的目的在于提供一種基于Bagging抽樣及改進隨機森林算法的負荷預測方法、系統、裝置及存儲介質，解決現有技術中預測準確率低、計算量大等問題。

為實現以上目的，本發明是采用下述技術方案實現的：

第一方面，本發明提供了一種基于Bagging抽樣及改進隨機森林算法的負荷預測方法，包括：

獲取歷史負荷值；

將歷史負荷值輸入到構建好的隨機森林模型中，得到預測結果；

所述隨機森林模型通過以下方法進行構建：

獲取原始樣本集，利用Bagging算法從原始樣本集中隨機不放回抽樣生成多個訓練集；

訓練每個訓練集得到對應的CART決策樹；

將所有CART決策樹集合在一起構成隨機森林模型。

結合第一方面，進一步的，所述歷史負荷值包括預測日前一天和七天前的各96點負荷值以及環境數據。

結合第一方面，進一步的，所述利用Bagging算法從原始樣本集中隨機不放回抽樣生成多個訓練集，包括：

采用Bootstrap方法，隨機從原始樣本集中抽選N個訓練樣本(d1，d2，...，dN)，執行n次循環，得到n個訓練集，并且每個訓練集互不相干。

結合第一方面，進一步的，所述訓練每個訓練集得到對應的CART決策樹，包括：

利用CART算法，把訓練集劃分為兩個子集，不斷遞歸分割使得生成的每個非葉子結點都有兩個分支，在節點分割的時候按照Gini指數最小原則進行分割，每個節點分割的Gini指數的表達式為：