【摘要】：針對短期負(fù)荷預(yù)測領(lǐng)域傳統(tǒng)的機(jī)器學(xué)習(xí)算法(如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等)存在的諸如泛化性能不強(qiáng)、參數(shù)和模型結(jié)構(gòu)確定困難等問題,將隨機(jī)森林回歸算法引入短期負(fù)荷預(yù)測領(lǐng)域。同時應(yīng)用投影原理改進(jìn)了傳統(tǒng)的灰色關(guān)聯(lián)相似日選取算法,提出了一種基于灰色投影改進(jìn)隨機(jī)森林算法的電力系統(tǒng)短期負(fù)荷預(yù)測組合方法�；诨疑队暗南嗨迫者x取方法,采用灰色關(guān)聯(lián)度判斷矩陣表征歷史樣本與待預(yù)測日影響因素間的關(guān)聯(lián)關(guān)系,并用熵權(quán)法確立影響因素的權(quán)重對判斷矩陣加權(quán),最后利用各個樣本關(guān)聯(lián)度投影值排序得到相似日集合。采用隨機(jī)森林算法建立預(yù)測模型,利用灰色投影篩選出的相似日樣本集合訓(xùn)練模型,最后輸入預(yù)測日特征向量(天氣預(yù)報數(shù)值、日類型等)完成預(yù)測。以浙江電網(wǎng)某縣級市的負(fù)荷數(shù)據(jù)作為實際算例,并將上述方法與支持向量機(jī)方法以及未作灰色投影改進(jìn)的隨機(jī)森林算法進(jìn)行對比。實驗結(jié)果表明,新方法具有較高的預(yù)測精度和魯棒性。
[Abstract]:The traditional machine learning algorithms in the field of short-term load forecasting (such as artificial neural networks, support vector machines, etc.) have some problems, such as poor generalization performance, difficulty in determining parameters and model structure, etc. The stochastic forest regression algorithm is introduced into the field of short-term load forecasting. At the same time, the traditional grey correlation similarity day selection algorithm is improved by applying the projection principle, and a combination method of short-term load forecasting for power system based on grey projection improved stochastic forest algorithm is proposed. Based on the method of similar day selection based on grey projection, the grey correlation degree judgment matrix is used to characterize the correlation between historical samples and the influence factors to be predicted, and the weight of the influencing factors is established by entropy weight method to weight the judgment matrix. Finally, the similar day set is obtained by using the projection values of each sample correlation degree. The prediction model is established by using stochastic forest algorithm, and the training model of similar daily sample set selected by grey projection is used. Finally, the predicted daily eigenvector (weather forecast value, day type, etc.) is inputted to complete the prediction. Taking the load data of a county city in Zhejiang power grid as an example, the above method is compared with the support vector machine method and the stochastic forest algorithm without grey projection. Experimental results show that the new method has high prediction accuracy and robustness.
【作者單位】： 北京交通大學(xué)國家能源主動配電網(wǎng)技術(shù)研發(fā)中心;
【基金】：國家自然科學(xué)基金資助項目(51277009)~~
【分類號】：TM715

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙登福,張濤,楊增輝,谷慶利,夏道止;基于GN-BFGS算法的RBF神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測[J];電力系統(tǒng)自動化;2003年04期

2 康重慶,夏清,張伯明;電力系統(tǒng)負(fù)荷預(yù)測研究綜述與發(fā)展方向的探討[J];電力系統(tǒng)自動化;2004年17期

3 朱六璋;;短期負(fù)荷預(yù)測的組合數(shù)據(jù)挖掘算法[J];電力系統(tǒng)自動化;2006年14期

4 暢廣輝;劉滌塵;熊浩;;基于多分辨率SVM回歸估計的短期負(fù)荷預(yù)測[J];電力系統(tǒng)自動化;2007年09期

5 黃帥棟;衛(wèi)志農(nóng);高宗和;楊爭林;孫國強(qiáng);孫永輝;;基于非負(fù)矩陣分解的相關(guān)向量機(jī)短期負(fù)荷預(yù)測模型[J];電力系統(tǒng)自動化;2012年11期

6 牛東曉;魏亞楠;;基于FHNN相似日聚類自適應(yīng)權(quán)重的短期電力負(fù)荷組合預(yù)測[J];電力系統(tǒng)自動化;2013年03期

7 歐陽森;石怡理;;改進(jìn)熵權(quán)法及其在電能質(zhì)量評估中的應(yīng)用[J];電力系統(tǒng)自動化;2013年21期

8 張松林;CART-分類與回歸樹方法介紹[J];火山地質(zhì)與礦產(chǎn);1997年01期

9 陸寧;武本令;劉穎;;基于自適應(yīng)粒子群優(yōu)化的SVM模型在負(fù)荷預(yù)測中的應(yīng)用[J];電力系統(tǒng)保護(hù)與控制;2011年15期

10 呂鋒,崔曉輝;多目標(biāo)決策灰色關(guān)聯(lián)投影法及其應(yīng)用[J];系統(tǒng)工程理論與實踐;2002年01期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊開云;馮衛(wèi);王亮;朱峰;;多目標(biāo)決策灰色關(guān)聯(lián)投影法在建筑工程投資決策中的應(yīng)用[J];四川建筑科學(xué)研究;2009年05期

2 賈德香;韓凈;;基于改進(jìn)BP網(wǎng)絡(luò)的電力系統(tǒng)超短期負(fù)荷預(yù)測[J];安徽電氣工程職業(yè)技術(shù)學(xué)院學(xué)報;2008年03期

3 唐振軍;;基于改進(jìn)灰色模型的中長期電力負(fù)荷預(yù)測[J];安徽電氣工程職業(yè)技術(shù)學(xué)院學(xué)報;2010年04期

4 陳晶;楊春玲;鄭安豫;;短期負(fù)荷預(yù)測的自適應(yīng)加權(quán)支持向量機(jī)新方法[J];安徽電氣工程職業(yè)技術(shù)學(xué)院學(xué)報;2011年01期

5 蔡坤琪;;基于相關(guān)鑒別分析和隨機(jī)森林的人臉識別方法[J];安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報;2012年01期

6 潘希姣;;多子群粒子群集成神經(jīng)網(wǎng)絡(luò)[J];安徽建筑工業(yè)學(xué)院學(xué)報(自然科學(xué)版);2007年02期

7 李亭;楊敬鋒;彭曉琴;陳志民;;基于最大似然法集成的黃曲條跳甲預(yù)警模型[J];安徽農(nóng)業(yè)科學(xué);2008年25期

8 時雷;虎曉紅;席磊;段其國;;集成學(xué)習(xí)技術(shù)在農(nóng)業(yè)中的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2008年26期

9 袁子勇;焦樹林;楊萍;金開梅;;基于向量夾角余弦的喀斯特地區(qū)水資源承載力評價[J];安徽農(nóng)業(yè)科學(xué);2011年11期

10 趙海青,楊秀岐;灰色加法組合預(yù)測模型及其應(yīng)用[J];保定師范�？茖W(xué)校學(xué)報;2002年04期

相關(guān)會議論文 前10條

1 葉紅云;倪志偉;陳恩紅;;一種混合型集成學(xué)習(xí)演化決策樹算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

2 杜方鍵;楊宏暉;;K均值聚類優(yōu)化集成學(xué)習(xí)[A];2011'中國西部聲學(xué)學(xué)術(shù)交流會論文集[C];2011年

3 賈少春;胡秀珍;;A Method of Predicting theβ-hairpin Motifs in Proteins[A];第四屆全國生物信息學(xué)與系統(tǒng)生物學(xué)學(xué)術(shù)大會論文集[C];2010年

4 李勝朋;王洪禮;馮劍豐;;基于不連續(xù)回歸樹的最大李雅譜諾夫指數(shù)計算方法[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集[C];2007年

5 杜曉鳳;丁友東;;FloatBag選擇性神經(jīng)網(wǎng)絡(luò)集成及其在人臉檢測中的應(yīng)用[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

6 張永久;成躍;李立軍;陶靈娟;;某新型指控系統(tǒng)效能綜合評估的模糊理想點法[A];邏輯學(xué)及其應(yīng)用研究——第四屆全國邏輯系統(tǒng)、智能科學(xué)與信息科學(xué)學(xué)術(shù)會議論文集[C];2008年

7 屈利;苑津莎;張衛(wèi)華;李麗;;結(jié)合粗糙集的事例推理在負(fù)荷預(yù)測中的應(yīng)用[A];2007年河北省電子學(xué)會、河北省計算機(jī)學(xué)會、河北省自動化學(xué)會、河北省人工智能學(xué)會、河北省計算機(jī)輔助設(shè)計研究會、河北省軟件行業(yè)協(xié)會聯(lián)合學(xué)術(shù)年會論文集[C];2007年

8 李西泉;陳偉;朱軍飛;;提高湖南電網(wǎng)短期負(fù)荷預(yù)測準(zhǔn)確率的分析與思考[A];中南七省（區(qū)）電力系統(tǒng)專業(yè)委員會第二十二屆聯(lián)合學(xué)術(shù)年會論文集[C];2007年

9 胡松峰;彭顯剛;;電網(wǎng)短期負(fù)荷預(yù)測方法綜述[A];武漢(南方九省)電工理論學(xué)會第22屆學(xué)術(shù)年會、河南省電工技術(shù)學(xué)會年會論文集[C];2010年

10 謝程利;王金橋;盧漢清;;核森林及其在目標(biāo)檢測中的應(yīng)用[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 于化龍;基于DNA微陣列數(shù)據(jù)的癌癥分類技術(shù)研究[D];哈爾濱工程大學(xué);2010年

2 李書艷;單點氨基酸多態(tài)性與疾病相關(guān)關(guān)系的預(yù)測及其機(jī)制研究[D];蘭州大學(xué);2010年

3 姚志明;基于步態(tài)觸覺信息的身份識別研究[D];中國科學(xué)技術(shù)大學(xué);2010年

4 鄧斌;B2C在線評論中的客戶知識管理研究[D];電子科技大學(xué);2010年

5 蘇煜;基于SCF范式的在線P300腦機(jī)接口研究[D];浙江大學(xué);2010年

6 杜方;復(fù)雜網(wǎng)絡(luò)系統(tǒng)間相似性識別及其應(yīng)用[D];浙江大學(xué);2010年

7 甘良志;核學(xué)習(xí)算法與集成方法研究[D];浙江大學(xué);2010年

8 閆中敏;Deep Web數(shù)據(jù)獲取問題研究[D];山東大學(xué);2010年

9 王樹云;基于Bayes方法和圖限制下正規(guī)化方法的變量選擇問題及其在基因組數(shù)據(jù)中的應(yīng)用[D];山東大學(xué);2010年

10 陳進(jìn);高光譜圖像分類方法研究[D];國防科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 馬冉冉;集成學(xué)習(xí)算法研究[D];山東科技大學(xué);2010年

2 呂萬里;中文文本分類技術(shù)研究[D];山東科技大學(xué);2010年

3 朱耿峰;支持向量機(jī)在沖擊地壓預(yù)測模型中的應(yīng)用研究[D];山東科技大學(xué);2010年

4 石國強(qiáng);基于規(guī)則的組合分類器的研究[D];鄭州大學(xué);2010年

5 張永鋒;半?yún)?shù)回歸模型在中長期負(fù)荷預(yù)測中的應(yīng)用[D];鄭州大學(xué);2010年

6 陳松峰;利用PCA和AdaBoost建立基于貝葉斯的組合分類器[D];鄭州大學(xué);2010年

7 吳正娟;特征變換在組合分類中的應(yīng)用研究[D];鄭州大學(xué);2010年

8 曹彥;基于支持向量機(jī)的特征選擇及其集成方法的研究[D];鄭州大學(xué);2010年

9 周馳;數(shù)據(jù)流上概念漂移的檢測和分類[D];鄭州大學(xué);2010年

10 楊慧玲;蒙陰縣毛坪小流域生態(tài)修復(fù)示范工程生態(tài)效益監(jiān)測與評價[D];山東農(nóng)業(yè)大學(xué);2010年

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙海青,牛東曉;灰色優(yōu)選組合預(yù)測模型及其應(yīng)用[J];保定師范專科學(xué)校學(xué)報;2002年02期

2 董景榮;基于因素影響的電力消費預(yù)測研究[J];重慶師范學(xué)院學(xué)報(自然科學(xué)版);2000年02期

3 陳亞紅,穆鋼,段方麗;短期電力負(fù)荷預(yù)報中幾種異常數(shù)據(jù)的處理[J];東北電力學(xué)院學(xué)報;2002年02期

4 王睿;方潔;張可;梁棟;程志友;;基于熵權(quán)和AHP的電能質(zhì)量模糊綜合評估[J];電測與儀表;2007年11期

5 衛(wèi)志農(nóng),王丹,孫國強(qiáng),鄭玉平;基于級聯(lián)神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷概率預(yù)測新方法[J];電工技術(shù)學(xué)報;2005年01期

6 段青;趙建國;馬艷;;優(yōu)化組合核函數(shù)相關(guān)向量機(jī)電力負(fù)荷預(yù)測模型[J];電機(jī)與控制學(xué)報;2010年06期

7 康重慶,程旭,夏清,沈瑜;一種規(guī)范化的處理相關(guān)因素的短期負(fù)荷預(yù)測新策略[J];電力系統(tǒng)自動化;1999年18期

8 程旭,康重慶,夏清,沈瑜;短期負(fù)荷預(yù)測的綜合模型[J];電力系統(tǒng)自動化;2000年09期

9 嚴(yán)華,吳捷,馬志強(qiáng),吳列鑫;模糊集理論在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用[J];電力系統(tǒng)自動化;2000年11期

10 于渤,于浩;基于隨動思想的月度用電量時間序列預(yù)測模型[J];電力系統(tǒng)自動化;2000年14期

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 葉圣永;王曉茹;劉志剛;錢清泉;;基于隨機(jī)森林算法的電力系統(tǒng)暫態(tài)穩(wěn)定性評估[J];西南交通大學(xué)學(xué)報;2008年05期

2 ;[J];;年期

，

本文編號：2282717