[发明专利]一种基于相似日选取及随机森林算法的负荷预测方法

说明书

本发明公开了一种基于相似日选取及随机森林的负荷特性指标预测方法，它包括采集预测区域内负荷变化影响因素，确定每种影响因素的相似度计算方法；根据相似度计算方法，分别计算各历史日与预测日的相似度，构建相似度矩阵；根据相似度矩阵，计算总相似度；确定总相似度的阈值，选取相似度大于阈值的样本组成相似日样本集；采用重抽样法从S个样本中抽取K个子样本集训练K棵决策树，选取r个特征因素作为当前节点的分裂特征集；进行节点的分裂；将OOB数据作为测试样本，对随机森林回归模型进行误差估计调整模型中回归树的数量K；根据输入预测日样本，取各个回归树输出的平均值作为预测结果；实现了对负荷进行精确预测。

技术领域

本发明属于负荷特性指标预测技术，特别是涉及一种基于相似日选取及随机森林的负荷特性指标预测方法。

背景技术

电力系统是一个大规模的电能生产、输送、分配、消费的网络，电能不能大量储存，具有即时性的特点。保持电能生产和消费的平衡是电力系统稳定运行的基本条件，而负荷预测是保证这种平衡的重要环节。近年来，随着电力市场的进一步开放，电力生产和消费更加市场化，负荷预测在现代电力系统调度和管理中的作用更加彰显，因此对电力系统负荷预测的准确性提出了更高的要求。我国对负荷预测的重视程度经历了一个较长的过程，为促进整个电力市场的可持续发展，负荷预测也是我国实现电力市场的必备条件，具有重要的理论意义和实用价值。为顺应时代的潮流，需要更深入的钻研负荷预测的原理和方法，改进负荷预测方法，提高负荷预测的精度。

发明内容

本发明要解决的技术问题是：提供一种基于相似日选取及随机森林的负荷特性指标预测方法，以改进负荷预测方法，提高负荷预测的精度。

本发明的技术方案是：

一种基于相似日选取及随机森林的负荷特性指标预测方法，它包括：

步骤S110，采集预测区域内负荷变化影响因素；

步骤S120，根据所采集的负荷变化影响因素，确定每种影响因素的相似度计算方法；

步骤S130，根据不同影响因素得到的相似度计算方法，分别计算各历史日与预测日的相似度，构建相似度矩阵；

步骤S140，根据相似度矩阵，将历史日各因素的相似度相乘，计算总相似度；

步骤S150，确定总相似度的阈值，选取相似度大于阈值的样本组成相似日样本集；

步骤S160，设定初始回归树的数量K，采用Bootstrap重抽样法从S个样本中抽取K个子样本集，生成K棵回归树；

步骤S170，根据重抽样获得的样本集，同时训练K棵决策树，选取r个特征因素作为当前节点的分裂特征集，r小于等于log₂(H+1)；

步骤S180，根据基尼不纯度最小准则进行节点的分裂；

步骤S190，将OOB数据作为测试样本，对随机森林回归模型进行误差估计，根据预测误差调整模型中回归树的数量K；

步骤S200，根据输入预测日样本到随机森林回归模型，取各个回归树输出的平均值即可得到最终的预测结果。

所述负荷变化影响因素包括温度、湿度、降水和日类型数据；温度温为每日最高温度及最低温度；日类型为工作日、假日或特殊日。

所述构建相似度矩阵为：

X＝[P_id]i＝1,2,3...,M；d＝1,2,3...D

式中：X为相似度矩阵；M为影响因素的个数；D为历史日的个数；P_id每个历史日每个影响因素的相似度。

计算总相似度公式为：