资源描述：
《基于灰色投影改进随机森林算法的电力系统短期负荷预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第39卷第12期2015年6月25日Vol.39No.12June25,2015DOI:10.7500/AEPS20140916005基于灰色投影改进随机森林算法的电力系统短期负荷预测吴潇雨,和敬涵,张沛,胡骏(北京交通大学国家能源主动配电网技术研发中心,北京市100044)摘要:针对短期负荷预测领域传统的机器学习算法(如人工神经网络、支持向量机等)存在的诸如泛化性能不强、参数和模型结构确定困难等问题,将随机森林回归算法引入短期负荷预测领域。同时应用投影原理改进了传统的灰色关联相似日选取算法,提出了一种基于灰色投影改进随机森林算法
2、的电力系统短期负荷预测组合方法。基于灰色投影的相似日选取方法,采用灰色关联度判断矩阵表征历史样本与待预测日影响因素间的关联关系,并用熵权法确立影响因素的权重对判断矩阵加权,最后利用各个样本关联度投影值排序得到相似日集合。采用随机森林算法建立预测模型,利用灰色投影筛选出的相似日样本集合训练模型,最后输入预测日特征向量(天气预报数值、日类型等)完成预测。以浙江电网某县级市的负荷数据作为实际算例,并将上述方法与支持向量机方法以及未作灰色投影改进的随机森林算法进行对比。实验结果表明,新方法具有较高的预测精度和鲁棒性。关键词:短期负荷预测;
3、相似日;灰色投影法;随机森林;Bagging抽样方法;袋外估计0引言础上同时最小化经验风险和VC维(Vapnik-Chervonenkisdimension)的界,在预测对象上取得电力系统负荷预测是指从电力负荷历史数据及了较好的泛化性能。同时,其解决回归问题时,最后其影响因素数据出发,运用某种数学方法去推测未的问题等价为一个凸优化问题,又保证了其全局最[1]来某段时间电力负荷需求情况。长期以来,国内[7-8]优的特点,这些都是在ANN预测法上取得的进外学者对短期负荷预测的理论和方法做了大量的研步。但是,SVM方法也存在许多缺陷,例
4、如:核函数究。其中传统的方法是以时间序列预测原理为基础完全凭借经验选取,对于核参数和惩罚参数的确定,建立起来的预测方法,以自回归(AR)方法、自回归虽然有很多学者提出了粒子群寻优、遗传算法寻优滑动平均(ARMA)方法、累积式自回归滑动平均[9][2-3]等多种寻优手段,但仍然存在着优化过程复杂、收(ARIMA)方法等为代表。该类方法具有所需数敛速度慢等问题。总之,SVM方法在模型构造上存据少、模型简单且应用广泛的特点,但其对原始时间在太多人为决定的因素,不利于预测精度和速度的序列的平稳性要求较高,预测误差较大。进一步提高。近年来,
5、另一类以机器学习为理论基础的智能随机森林回归(randomforestregression,算法开始崭露头角。其中,人工神经网络(ANN)和[10]RFR)算法是随机森林(RF)理论的重要应用之支持向量机(SVM)是该类方法的典型代表。ANN[4-5]一,是BreimanL于2001年提出的一种统计学习方理论用于短期负荷预测的研究很多,其突出优点法。RFR算法是利用Bootstrap重抽样方法从原始是对大量非结构性、非精确性规律具有自适应功能,样本中抽取多个样本,对每个Bootstrap样本集进具有信息记忆、自主学习、知识推理和优
6、化计算的特行决策树建模,然后组合多棵决策树进行预测,并通点。ANN具有很强的自学习和复杂的非线性函数过取平均值得出最终预测结果。其本质是利用组合拟合能力,很适合于电力负荷预测问题,但研究过程多棵决策树做出预测的多决策树模型,该算法具有中也表明ANN方法具有局部最优、泛化误差较大、[6]预测精度高、泛化误差可控、收敛速度快以及调节参隐单元数目难以确定等问题。与ANN不同的数少等优点,可有效避免“过拟合”现象发生,适用于是,SVM方法在结构风险最小化准则(SRM)的基各种数据集的运算,尤其适用于超高维特征向量空[11]收稿日期:201
7、4-09-16;修回日期:2014-11-10。间。本文将RFR算法引入负荷预测领域,并在国家自然科学基金资助项目(51277009)。训练样本的选取上采用了灰色关联投影法选取相似50吴潇雨,等基于灰色投影改进随机森林算法的电力系统短期负荷预测日,最后的实际算例表明该组合算法在预测精度和m鲁棒性方面均具有突出优势。∑wjFijwjj=1Di=(6)mm1加权灰色关联投影法选择相似日22∑(wjFij)∑wjj=1j=1加权灰色关联投影法是构建在灰色系统理论和式中:D为第i个样本向量在待预测日向量上的投i[12]矢量投影原理上的一种
8、综合评价方法。该方法影值;i=1,2,…,n。克服了仅利用灰色关联系数评价样本关联度的劣6)根据各个历史日向量的灰色投影值按从大到势,引入了加权和投影的概念,先利用适当的加权方小排序,设置投影值阈值,选择投影值较大的样本作法突出关键负荷影响因素,再
