[发明专利]一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质在审
申请号: | 202310077201.0 | 申请日: | 2023-01-30 |
公开(公告)号: | CN116245019A | 公开(公告)日: | 2023-06-09 |
发明(设计)人: | 李亚飞;刘乙;钱科军;郑众;谢鹰;张显楚;宋杰;陈嘉栋 | 申请(专利权)人: | 国网电力科学研究院有限公司;国电南瑞南京控制系统有限公司;国电南瑞科技股份有限公司;国网江苏省电力有限公司苏州供电分公司 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06F18/2431;G06Q50/06;G06N20/00;H02J3/00;G06F113/04;G06F111/08 |
代理公司: | 南京纵横知识产权代理有限公司 32224 | 代理人: | 马进 |
地址: | 210003 *** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 bagging 抽样 改进 随机 森林 算法 负荷 预测 方法 系统 装置 存储 介质 | ||
1.一种基于Bagging抽样及改进随机森林算法的负荷预测方法,其特征在于,包括:
获取历史负荷值;
将历史负荷值输入到构建好的随机森林模型中,得到预测结果;
所述随机森林模型通过以下方法进行构建:
获取原始样本集,利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集;
训练每个训练集得到对应的CART决策树;
将所有CART决策树集合在一起构成随机森林模型。
2.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法,其特征在于,所述历史负荷值包括预测日前一天和七天前的各96点负荷值以及环境数据。
3.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法,其特征在于,所述利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集,包括:
采用Bootstrap方法,随机从原始样本集中抽选N个训练样本(d1,d2,...,dN),执行n次循环,得到n个训练集,并且每个训练集互不相干。
4.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法,其特征在于,所述训练每个训练集得到对应的CART决策树,包括:
利用CART算法,把训练集划分为两个子集,不断递归分割使得生成的每个非叶子结点都有两个分支,在节点分割的时候按照Gini指数最小原则进行分割,每个节点分割的Gini指数的表达式为:
其中,D是分割前的集合,D1和D2是分割后的两个子集,Gini(D1)是D1的Gini指数,Gini(D2)是D2的Gini指数,Ginisplit(D)是D的Gini指数。
5.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法,其特征在于,在构建好的随机森林模型中,通过多棵CART决策树对历史负荷值进行测试分类,并根据预设比例得到最终的分类,从而得到预测结果。
6.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法,其特征在于,在构建随机森林模型的过程中,还包括设置参数的步骤:
在随机森林模型中设置特征评价标准、最大弱学习器个数、最大特征数、决策树最大深度、内部节点再划分所需最小样本数、叶子节点最少样本数。
7.一种基于Bagging抽样及改进随机森林算法的负荷预测系统,其特征在于,包括:
数据获取模块:用于获取历史负荷值;
负荷预测模块:用于将历史负荷值输入到构建好的随机森林模型中,得到预测结果;
还包括模型构建单元,用于通过以下方法构建随机森林模型:
获取原始样本集,利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集;
训练每个训练集得到对应的CART决策树;
将所有CART决策树集合在一起构成随机森林模型。
8.一种基于Bagging抽样及改进随机森林算法的负荷预测装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1至6任一项所述方法的步骤。
9.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网电力科学研究院有限公司;国电南瑞南京控制系统有限公司;国电南瑞科技股份有限公司;国网江苏省电力有限公司苏州供电分公司,未经国网电力科学研究院有限公司;国电南瑞南京控制系统有限公司;国电南瑞科技股份有限公司;国网江苏省电力有限公司苏州供电分公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310077201.0/1.html,转载请声明来源钻瓜专利网。