CN108062720A - 一种基于相似日选取及随机森林算法的负荷预测方法 - Google Patents
一种基于相似日选取及随机森林算法的负荷预测方法 Download PDFInfo
- Publication number
- CN108062720A CN108062720A CN201711263874.6A CN201711263874A CN108062720A CN 108062720 A CN108062720 A CN 108062720A CN 201711263874 A CN201711263874 A CN 201711263874A CN 108062720 A CN108062720 A CN 108062720A
- Authority
- CN
- China
- Prior art keywords
- day
- similarity
- factor
- load
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 21
- 238000013277 forecasting method Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 25
- 238000001556 precipitation Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000012535 impurity Substances 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 abstract description 4
- 238000004378 air conditioning Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010009866 Cold sweat Diseases 0.000 description 1
- 108010074506 Transfer Factor Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- YEHCICAEULNIGD-MZMPZRCHSA-N pergolide Chemical compound C1=CC([C@H]2C[C@@H](CSC)CN([C@@H]2C2)CCC)=C3C2=CNC3=C1 YEHCICAEULNIGD-MZMPZRCHSA-N 0.000 description 1
- 229940088507 permax Drugs 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于相似日选取及随机森林算法的负荷预测方法,是通过采用相似日选取算法及随机森林算法,利用训练样本集得到负荷预测模型,从而实现对预测日的负荷预测。具体步骤是,首先计算历史日与预测日之间的相似度,对收资样本实现预处理,选取相似度较高的历史样本,从而获得相似日样本集;然后对随机森林回归模型进行训练,将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果,从而实现对预测日的负荷预测。
Description
技术领域
本发明涉及负荷特性指标预测,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***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***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***调度和管理中的作用更加彰显,因此对电力***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
针对以上技术问题,本发明提出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,其通过相似日选取算法从历史样本集中获得相似日样本,从而对历史数据实现预处理,进而利用随机森林进行训练,构建负荷预测模型。
一种基于相似日选取及随机森林算法的负荷预测模型,包括以下步骤:
S110、根据实地调研收集数据,从经济因素、气候因素、时间因素、地理因素等方面出发,选取温度、湿度、降水、日类型等多个影响负荷变化的重要因素;
S120、根据所选取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;
S130、根据不同影响因素得到的相似度方法,分别计算各历史日与预测日的相似度,构建相似度矩阵;
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。历史日的总相似度用Fd表示;
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;
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,最大限度地生成K棵回归树,生成的过程不需要剪枝;
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***特征集,r小于等于log2(H+1);
S180、根据基尼不纯度最小准则进行节点的***;
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;
S200、根据输入预测日样本,取各个回归树输出的平均值即可得到最终的预测结果。
进一步的,影响负荷变化的因素包括以下6个方面:(1)最高温度;(2)最低温度;(3)湿度;(4)降水量;(5)日类型;(6)日期的距离;
进一步的,总相似度计算方法采用累积的方式。
进一步的,随机森林节点***算法采用基尼不纯度最小准则进行节点的***。
进一步的,所述模型评价方法采用OOB误分率,将所有树的误分率取平均得到OOB误分率,就可以得到一个OOB误差估计。
本发明涉及的一种基于相似日选取及随机森林算法的负荷预测方法通过采用相似日选取算法及随机森林算法,利用训练样本集得到负荷预测模型,从而实现对预测日的负荷预测。首先计算历史日与预测日之间的相似度,对收资样本实现预处理,选取相似度较高的历史样本,从而获得相似日样本集。然后对随机森林回归模型进行训练,将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果,从而实现对预测日的负荷预测。
相对于现有技术,本发明的有益之处在于:能够从多个影响因素出发进行相似日的选取;随机森林算法需要调节的参数较少,给定随机森林的训练集样本、特征量个数等确定后,只需要确定决策树的个数即可;不容易出现过拟合现象而且算法的拟合精度也较高,且随机森林的数学定义和决策树的结构性质保证了算法的收敛性。
附图说明
图1为本发明的基于相似日选取及随机森林算法的负荷预测方法的方法流程图;
图2为随机森林结构图;
图3为气温对负荷的影响系数对应关系图。
具体实施方式
如图1、图2和图3,所示本发明的涉及的一种基于相似日选取及随机森林算法的负荷预测方法,是通过采用相似日选取算法及随机森林算法,利用训练样本集得到负荷预测模型,从而实现对预测日的负荷预测。该实施方式计算历史日与预测日之间的相似度,对收资样本实现预处理,选取相似度较高的历史样本,从而获得相似日样本集。然后对随机森林回归模型进行训练,将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果,从而实现对预测日的负荷预测。
在其中一种实施例中,本发明涉的一种基于相似日选取及随机森林算法的负荷预测方法包括以下步骤:
步骤S110,根据实地调研收集数据,从经济因素、气候因素、时间因素、地理因素等方面出发,选取温度、湿度、降水、日类型等多个影响负荷变化的重要因素。上述影响因素中,温度需要考虑每日最高温度及最低温度。日类型是指工作日或周末,是否为特殊日等等。
步骤S120,根据所选取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,上述影响因素可分为:(1)最高温度;(2)最低温度;(3)湿度;(4)降水量;(5)日类型;(6)日期的距离;不同影响因素的相似度计算方法,具体描述如下:
(1)最高温度
气温对负荷的影响主要体现在空调设备的使用方面,通过空调设备的调节,使得人体的舒适度达到最佳。当气温较低时,空调体现为升温负荷,气温越低,负荷越高;当气温较高时,空调体现为降温负荷,气温越高,负荷越高。因此气温对负荷的影响是呈现为非线性的,气温对负荷的影响系数如图3所示,采用类似图3的映射表,将最高气温映射为一个映射值,根据映射值计算相似度。
(2)最低温度
最低气温对负荷的影响主要在冬季,最低气温越低,空调负荷的比重上升。但冬季空调负荷明显低于夏天,且冬天采暖的方式不局限于空调,使用燃煤集中供暖更为有效,因此最低温度对负荷的影响同样可以通过类似于图1的映射表得到,但需要合理的调低最低温度对负荷的影响指数的大小。
(3)湿度
当天气处于湿冷状态时,将导致“寒冷指数”上升,人体舒适度会下降,从而导致空调负荷上升;气温居中时,湿度的影响较小,不明显。当温度处于湿热的状态时,同样人体舒适度会下降,从而导致空调负荷的明显上升。考虑以上现象,在评估湿度因素的相似度时,需要综合考虑气温的影响,确定不同湿度对负荷的影响系数,再根据影响系数计算相似度。
(4)降水量
降水量对负荷的影响主要体现在对于温度和湿度的间接影响。当降水量较大且持续时间较长时,湿度增加,温度有所降低,从而间接带动空调负荷的升高。但降水量较大时,也会使小水电出力增加,网供负荷降低。因此,首先需要确定降水对负荷影响的方向,按照降雨量大小排序,依次确定各种降雨形式对负荷影响的程度。
(5)日类型
日类型可分为工作日或周末或特殊日。一般工作日以及周末的负荷曲线的形状是有明显区别,同样对于一些特殊日,负荷曲线也会发生明显的移动。若日类型相同,获得该因素最大相似度1。对于特殊日,需要考虑以下情况:同为特殊日,且日期相同;同为特殊日,但日期不同;一个为特殊日,一个为非特殊日;均为非特殊日。
(6)日期的距离
距预测日的远近也影响相似度的大小。一般,距离预测日越近,相似度越高。其相似度计算公式如下:
其中pid为第d天日期距离因素的相似度;γ为衰减系数;a为该因素的最低相似度。
步骤S130,根据不同影响因素得到的相似度方法,分别计算各历史日与预测日的相似度,构建相似度矩阵。假设考虑M种因素,D个历史日,获得的相似度矩阵为X,具体表示方法如下:
X=[Pid]i=1,2,3...,M;d=1,2,3...D
其中X为相似度矩阵;M为影响因素的个数;D为历史日的个数。Pid每个历史日每个影响因素的相似度。
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。历史日的总相似度用Fd表示,其具体计算方法如下式:
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。λ为总相似度的阈值,选取Fd≥λ构成相似日样本集,相似日的个数为S。
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,最大限度地生成K棵回归树,生成的过程不需要剪枝。为了使决策树不产生局部最优解,随机森林采用有放回的Bootstrap重抽样法,随机抽样技术来产生K个训练样本集合。
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***特征集,r小于等于log2(H+1);决策树在节点***时会在所有特征中随机选择一部分用于计算最佳***属性,不能将全部特征属性参与计算中;通常选取r小于等于log2(H+1)或者n=√H,其中H为样本特征向量的维数。这里选取H为6个,因此r=3。
步骤S180,根据基尼不纯度最小准则进行节点的***,具体描述如下:
Gini不纯度最小准则的计算如下:
P(j|t)表示节点t上类别为j的概率,当节点t的所有样本属于同一类时,基尼指数取到最小值0,此时样本类别纯度最高;当Gini指数取最大值1时,处在当前节点的样本类别纯度最低的。
当前节点的Gini指数为
其中z为子节点的个数,ni为子节点i处的样本量,n为上层节点处的样本个数。在训练过程中要计算每个属性的Gini指数,并选择一个具有最小Gini指标的变量对当前节点进行***,直至达到停止条件。
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,随机森林是使用Bootstrap方法进行训练集的生成的,在生成这些数据集时,初始的训练集中有一些样本是不能被抽取的,称之为袋外数据,即OOB数据,以每一棵决策树为单位,利用未被该森林选中的所有的训练样本点的集合,统计该树的OOB误分率,将所有树的误分率取平均得到OOB分率,就可以得到一个OOB误差估计。
步骤S200,根据输入预测日样本,取各个回归树输出的平均值即可得到最终的预测结果。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于相似日选取及随机森林算法的负荷预测方法,其特征在于,包括以下步骤:
S110、根据实地调研收集数据,从经济因素、气候因素、时间因素、地理因素方面出发,选取温度、湿度、降水、日类型多个影响负荷变化的因素;
S120、根据所选取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;
S130、根据不同影响因素得到的相似度方法,分别计算各历史日与预测日的相似度,构建相似度矩阵;
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。历史日的总相似度用Fd表示;
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;
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,最大限度地生成K棵回归树,生成的过程不需要剪枝;
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***特征集,r小于等于log2(H+1);
S180、根据基尼不纯度最小准则进行节点的***;
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;
S200、根据输入预测日样本,取各个回归树输出的平均值即可得到最终的预测结果。
2.根据权利要求1所述的基于相似日选取及随机森林算法的负荷预测方法,其特征在于,所述日类型是指工作日或周末,是否为特殊日。
3.根据权利要求1所述的基于相似日选取及随机森林算法的负荷预测方法,其特征在于,上述影响因素可分为:最高温度、最低温度、湿度、降水量、日类型和日期的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711263874.6A CN108062720A (zh) | 2017-12-05 | 2017-12-05 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711263874.6A CN108062720A (zh) | 2017-12-05 | 2017-12-05 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108062720A true CN108062720A (zh) | 2018-05-22 |
Family
ID=62135947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711263874.6A Pending CN108062720A (zh) | 2017-12-05 | 2017-12-05 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062720A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537683A (zh) * | 2018-04-13 | 2018-09-14 | 贵州电网有限责任公司 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
CN109283378A (zh) * | 2018-08-30 | 2019-01-29 | 番禺珠江钢管(珠海)有限公司 | 一种旋转电弧焊缝成形参数检测方法、***、装置和介质 |
CN109345011A (zh) * | 2018-09-19 | 2019-02-15 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度回归森林的空调负荷预测方法及*** |
CN109409647A (zh) * | 2018-09-10 | 2019-03-01 | 昆明理工大学 | 一种基于随机森林算法的薪资水平影响因素的分析方法 |
CN110135630A (zh) * | 2019-04-25 | 2019-08-16 | 武汉数澎科技有限公司 | 基于随机森林回归和多步寻优的短期负荷需求预测方法 |
CN111340281A (zh) * | 2020-02-20 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 预测模型训练方法及装置 |
CN112529262A (zh) * | 2020-11-27 | 2021-03-19 | 北京京能高安屯燃气热电有限责任公司 | 短期功率预测方法、装置、计算机设备和存储介质 |
CN113837459A (zh) * | 2021-09-15 | 2021-12-24 | 浙江浙能技术研究院有限公司 | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
CN105335800A (zh) * | 2015-11-19 | 2016-02-17 | 国网天津市电力公司 | 一种基于联合学习的电力用户用电量预测方法 |
CN105654196A (zh) * | 2015-12-29 | 2016-06-08 | 中国电力科学研究院 | 一种基于电力大数据的自适应负荷预测选择方法 |
CN107016469A (zh) * | 2017-04-13 | 2017-08-04 | 重庆大学 | 电力负荷预测方法 |
CN107194600A (zh) * | 2017-06-01 | 2017-09-22 | 国网山东省电力公司济南市历城区供电公司 | 一种电力负荷季节特性分类方法 |
-
2017
- 2017-12-05 CN CN201711263874.6A patent/CN108062720A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
CN105335800A (zh) * | 2015-11-19 | 2016-02-17 | 国网天津市电力公司 | 一种基于联合学习的电力用户用电量预测方法 |
CN105654196A (zh) * | 2015-12-29 | 2016-06-08 | 中国电力科学研究院 | 一种基于电力大数据的自适应负荷预测选择方法 |
CN107016469A (zh) * | 2017-04-13 | 2017-08-04 | 重庆大学 | 电力负荷预测方法 |
CN107194600A (zh) * | 2017-06-01 | 2017-09-22 | 国网山东省电力公司济南市历城区供电公司 | 一种电力负荷季节特性分类方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537683A (zh) * | 2018-04-13 | 2018-09-14 | 贵州电网有限责任公司 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
CN109283378A (zh) * | 2018-08-30 | 2019-01-29 | 番禺珠江钢管(珠海)有限公司 | 一种旋转电弧焊缝成形参数检测方法、***、装置和介质 |
CN109409647A (zh) * | 2018-09-10 | 2019-03-01 | 昆明理工大学 | 一种基于随机森林算法的薪资水平影响因素的分析方法 |
CN109345011A (zh) * | 2018-09-19 | 2019-02-15 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度回归森林的空调负荷预测方法及*** |
CN110135630A (zh) * | 2019-04-25 | 2019-08-16 | 武汉数澎科技有限公司 | 基于随机森林回归和多步寻优的短期负荷需求预测方法 |
CN110135630B (zh) * | 2019-04-25 | 2022-02-25 | 武汉数澎科技有限公司 | 基于随机森林回归和多步寻优的短期负荷需求预测方法 |
CN111340281A (zh) * | 2020-02-20 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 预测模型训练方法及装置 |
CN111340281B (zh) * | 2020-02-20 | 2022-06-03 | 支付宝(杭州)信息技术有限公司 | 预测模型训练方法及装置 |
CN112529262A (zh) * | 2020-11-27 | 2021-03-19 | 北京京能高安屯燃气热电有限责任公司 | 短期功率预测方法、装置、计算机设备和存储介质 |
CN113837459A (zh) * | 2021-09-15 | 2021-12-24 | 浙江浙能技术研究院有限公司 | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 |
CN113837459B (zh) * | 2021-09-15 | 2024-05-03 | 浙江浙能数字科技有限公司 | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062720A (zh) | 一种基于相似日选取及随机森林算法的负荷预测方法 | |
CN108537683A (zh) | 一种基于相似日选取及随机森林算法的负荷预测方法 | |
CN108022001B (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测***及方法 | |
Yan et al. | Wind power grouping forecasts and its uncertainty analysis using optimized relevance vector machine | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN110135630A (zh) | 基于随机森林回归和多步寻优的短期负荷需求预测方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN113837499A (zh) | 一种超短期风电功率预测方法及*** | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN108376262A (zh) | 一种风电出力典型特性的分析模型构建方法 | |
CN109978284A (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN109961173A (zh) | 一种用于分布式电源发电功率的智能预测方法 | |
CN115173465A (zh) | 一种基于Copula理论的风光水火储一体化耦合机理分析方法 | |
CN106786499B (zh) | 基于改进afsa优化elm的短期风电功率预测方法 | |
CN109816017A (zh) | 基于模糊聚类和拉格朗日插值的电网缺失数据填补方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN115912502A (zh) | 一种智能电网运营优化方法及装置 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN104850612B (zh) | 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180522 |