[发明专利]基于随机森林回归和多步寻优的短期负荷需求预测方法

说明书

本发明公开了基于随机森林回归和多步寻优的短期负荷需求预测方法，包括：S100提供原始数据集，将原始数据集划分为训练集和预测集；S200对原始数据集进行特征筛选；S300基于训练集训练随机森林回归模型，对随机森林回归模型参数进行多步寻优，得短期负荷需求预测模型；S400以预测集为输入，利用短期负荷需求预测模型获得负荷需求预测值，将负荷需求预测值及对应的负荷特征数据加入训练集，作为预测下一个预测点的负荷需求值时的历史负荷需求数据和历史负荷特征数据。本发明方法模型全局泛化性能强，参数选择快速，运行效率高，短期负荷需求预测精度高。

技术领域

本发明涉及电力负荷需求预测领域，尤其涉及基于随机森林回归和多步寻优的短期负荷需求预测方法。

背景技术

随着我国电力大数据+互联网融合的日益深入，电网公司与售电企业逐步走入市场，短期电力负荷需求预测对电网系统调控和电力市场运营都具有重要意义。电力负荷需求预测是电网经济安全运行的必要保障。可以说，精准的短期负荷预测(Short Term LoadForecasting,STLF)对电力需求响应、能源市场分析以及电力输配电规划具有重要决策意义。由于短期电力负荷需求受到诸多如温度、假期、地区等非线性因素的影响，因此特征数据质量以及所用预测数学模型对提高STLF预测精度至关重要。

目前，短期电力负荷预测主要分为两大类：一类是以时间序列、灰色预测为主的常规回归方法；另一类是以神经网络、机器学习为代表的智能预测方法，如人工神经网络(Artificial Neural Network,ANN)等方法。近年来，由于支持向量回归(Support VectorRegression,SVR)具有泛化能力较强、自定义核函数等优点，国内外学者将其作为电力负荷预测的研究热点。然而，SVR预测模型的最终预测精度受其算法本身和输入特征的选择影响较大，输入特征、核函数以及优化算法的选取往往需要经过复杂的预实验。作为新兴机器学习方法的随机森林回归(Random Forest Regression,RFR)可望解决上述问题。RFR通过Bootstrap重抽样方法组合回归树进行预测，具有预测精度高、收敛速度快等优点，在许多预测领域已被广泛研究。此外，RFR建模无需复杂的特征选择算法，所有特征均可用于建立预测模型，但是RFR的预测性能受其模型参数影响较大。

发明内容

针对现有短期负荷需求预测技术存在的受其算法本身和输入特征的选择影响较大、以及输入特征、核函数和优化算法的选取往往需要经过复杂的预实验等缺陷，本发明提出了基于随机森林回归和多步寻优的短期负荷需求预测方法，以有效提高短期电力负荷需求预测精度。

本发明提供的基于随机森林回归和多步寻优的短期负荷需求预测方法，包括：

S100提供原始数据集，包括历史负荷特征数据、历史负荷需求数据以及预测日负荷特征数据；所述负荷特征数据指负荷需求相关的特征数据；将历史负荷特征数据和历史负荷需求数据作为训练集，将预测日负荷特征数据作为预测集；

S200将历史负荷特征数据和历史负荷需求数据分别作为负荷特征样本与负荷样本，分别计算各维负荷特征与负荷间的相关系数，从训练集和预测集中剔除相关系数绝对值小于预设阈值的负荷特征数据，对相关系数绝对值不大于预设阈值的负荷特征数据，将相关系数与自然数1之差的绝对值作为该维负荷特征的衰减权重；预设阈值为经验值；

S300基于训练集训练随机森林回归模型，对随机森林回归模型参数进行多步寻优，得短期负荷需求预测模型；参数包括回归树的数量m和深度d；

所述对随机森林回归模型参数进行多步寻优具体为：

S310利用网格搜索法为每个参数设置相应的搜索间隔后构成高维搜索向量，遍历高维搜索向量计算各搜索区域的适应度，适应度小于预设适应度阈值的搜索区域即局部优化域；

S320以局部优化域作为果蝇优化法的参数选取区域，将最佳参数当作果蝇最佳位置，利用果蝇优化法进行多步寻优搜索最佳参数；