【摘要】：隨著智能電網(wǎng)的不斷發(fā)展,電力企業(yè)積累的大量數(shù)據(jù)為用戶用電量精細化預測提供了數(shù)據(jù)基礎。針對與用電量預測相關的大數(shù)據(jù)種類多、體量大、維度高和生成速度快等特點,在研究用戶用電特性評價指標的基礎上,提出海量用戶用電特性子空間聚類分析方法,挖掘用戶多種用電模式。根據(jù)不同用電模式對用戶進行群體劃分,并利用互信息矩陣從區(qū)域及行業(yè)經(jīng)濟數(shù)據(jù)、氣候條件,以及電力價格等方面辨識與用戶群體用電量相關聯(lián)的因素,進而構建基于隨機森林算法的用電量大數(shù)據(jù)預測模型。該文方法可以有效識別不同用戶群體的用電關聯(lián)因素,規(guī)避用電模式差異性為用電量預測帶來的不利影響。仿真結果表明,該方法具有較高的預測精度,且適用于大數(shù)據(jù)分析處理。
[Abstract]:With the continuous development of smart grid, a large amount of data accumulated by power enterprises provide a data basis for accurate prediction of power consumption. In view of the characteristics of big data, which is related to power consumption prediction, such as many kinds, large volume, high dimension and fast generation speed, based on the study of the evaluation index of user's power consumption characteristics, a cluster analysis method of massive user's power consumption characteristic subspace is put forward. Excavate a variety of user power patterns. According to the different power consumption modes, the users are divided into groups, and the mutual information matrix is used to identify the factors related to the electricity consumption of the user group from the aspects of regional and industry economic data, climate conditions, and electricity price, etc. Furthermore, the forecasting model of power consumption big data based on stochastic forest algorithm is constructed. The method can effectively identify the power consumption correlation factors of different user groups and avoid the adverse effects of different power consumption modes on power consumption prediction. The simulation results show that this method has high prediction accuracy and is suitable for big data analysis.
【作者單位】： 電力傳輸與功率變換控制教育部重點實驗室(上海交通大學);中國電力科學研究院;
【基金】：國家863高技術研究發(fā)展計劃項目(2015AA050203) 國家電網(wǎng)公司科技項目(520900150037)~~
【分類號】：TM714

【相似文獻】

相關期刊論文 前10條

1 王麗婷;丁曉青;方馳;;基于隨機森林的人臉關鍵點精確定位方法[J];清華大學學報(自然科學版);2009年04期

2 康有;陳元芳;顧圣華;姚欣明;黃琴;湯艷平;;基于隨機森林的區(qū)域水資源可持續(xù)利用評價[J];水電能源科學;2014年03期

3 邱一卉;林成德;;基于隨機森林方法的異常樣本檢測方法[J];福建工程學院學報;2007年04期

4 馬昕;王雪;楊洋;;基于隨機森林算法的大學生異動情況的預測[J];江蘇科技大學學報(自然科學版);2012年01期

5 劉美菊;劉冬;劉劍;;隨機森林在群控電梯交通模式識別中的應用[J];機械設計與制造;2013年04期

6 姚登舉;楊靜;詹曉娟;;基于隨機森林的特征選擇算法[J];吉林大學學報(工學版);2014年01期

7 張曄;楊國田;;基于隨機森林的數(shù)據(jù)融合架空輸電線路鐵塔損傷識別[J];黑龍江科技信息;2014年20期

8 呂淑婷;張啟敏;;一類帶Poisson跳的隨機森林發(fā)展系統(tǒng)數(shù)值解的穩(wěn)定性[J];蘭州理工大學學報;2012年03期

9 陳海利;孫志偉;龐龍;;基于隨機森林的文本分類研究[J];科技創(chuàng)新與應用;2014年02期

10 莊進發(fā);羅鍵;彭彥卿;黃春慶;吳長慶;;基于改進隨機森林的故障診斷方法研究[J];計算機集成制造系統(tǒng);2009年04期

相關會議論文 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標檢測中的應用[A];第六屆和諧人機環(huán)境聯(lián)合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達數(shù)據(jù)分析的隨機森林方法及算法改進[A];黑龍江省第十次統(tǒng)計科學討論會論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機森林結合激光誘導擊穿光譜技術用于的鋼鐵分類[A];中國化學會第29屆學術年會摘要集——第19分會：化學信息學與化學計量學[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙�；敢种苿┑臉嬓шP系研究[A];第十一屆全國計算（機）化學學術會議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機森林回歸分析方法及在代謝組學中的應用[A];2011年中國衛(wèi)生統(tǒng)計學年會會議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機森林和k-近鄰法在某型坦克變速箱狀態(tài)識別中的應用[A];第八屆全國轉子動力學學術討論會論文集[C];2008年

7 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹的集合體和后向消除策略去分類P-糖蛋白化合物[A];第十屆全國計算(機)化學學術會議論文摘要集[C];2009年

相關博士學位論文 前4條

1 曹正鳳;隨機森林算法優(yōu)化研究[D];首都經(jīng)濟貿(mào)易大學;2014年

2 雷震;隨機森林及其在遙感影像處理中應用研究[D];上海交通大學;2012年

3 岳明;基于隨機森林和規(guī)則集成法的酒類市場預測與發(fā)展戰(zhàn)略[D];天津大學;2008年

4 李書艷;單點氨基酸多態(tài)性與疾病相關關系的預測及其機制研究[D];蘭州大學;2010年

相關碩士學位論文 前10條

1 錢維;藥品不良反應監(jiān)測中隨機森林方法的建立與實現(xiàn)[D];第二軍醫(yī)大學;2012年

2 韓燕龍;基于隨機森林的指數(shù)化投資組合構建研究[D];華南理工大學;2015年

3 賀捷;隨機森林在文本分類中的應用[D];華南理工大學;2015年

4 張文婷;交通環(huán)境下基于改進霍夫森林的目標檢測與跟蹤[D];華南理工大學;2015年

5 李強;基于多視角特征融合與隨機森林的蛋白質(zhì)結晶預測[D];南京理工大學;2015年

6 朱玟謙;一種收斂性隨機森林在人臉檢測中的應用研究[D];武漢理工大學;2015年

7 肖宇;基于序列圖像的手勢檢測與識別算法研究[D];電子科技大學;2014年

8 袁芳娟;基于隨機森林的年齡估計[D];河北工業(yè)大學;2012年

9 劉曉東;基于組合策略的隨機森林方法研究[D];大連理工大學;2013年

10 舒翔;基于隨機森林的目標跟蹤算法研究[D];合肥工業(yè)大學;2013年

，

本文編號：2239382