基于随机森林的电力系统短期负荷预测研究

作     者：郭元战 

作者单位：上海工程技术大学 

学位级别：硕士

导师姓名：魏云冰

授予年度：2020年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：短期负荷预测 粒子群算法 聚类分析 随机森林 

摘      要：电力系统的短期负荷预测为电网的安全稳定运行、电能的高效及时调度提供重要的依据。由于用户用电形式的差异性,导致了多种多样的电力负荷模式,能否准确的进行负荷预测直接影响着电能质量的最优控制和电网的经济效益。随着信息技术的发展,电力负荷预测技术研究的进一步深入,短期负荷预测的方法研究也越来越多。由于各类算法较多,选择恰当的算法和预测模型,以获得最优的预测精度是电力负荷预测不断追求的目标。随机森林算法具有预测精度高、泛化能力强、收敛速度快等诸多优点,可以更有效的避免“过拟合现象的发生。本文采用随机森林的改进型算法和组合型算法建立预负荷预测模型,结合某地区电力公司的历史数据进行验证分析,从算法自身参数、数据集、气候特征分析这几个因素对随机森林算法预测的影响,并和传统的SVM等算法预测误差做了对比,发现改进型和组合型的随机森林预测模型拥有更高的精度,可以达到预期的效果。本文首先介绍了短期负荷预测的研究背景和意义,阐述了国内外的研究现状,对比分析了短期负荷预测常用方法的优缺点。其次介绍了电力负荷预测的基本原理、特点分类以及主要影响因素,并详细阐述了随机森林和数据挖掘的基本理论,为下文的改进分析奠定了理论基础。然后介绍了粒子群算法改进的随机森林预测模型。用粒子群算法解决优化问题独特的优势对随机森林决策树k和分裂特征m进行参数优化和特征评估,结合随机森林算自身优点,优化训练预测模型,应用真实负荷数据给出案例分析,验证了该算法的优越性。接着介绍了基于聚类分析和随机森林的组合型预测算法。针对粒子群改进型算法在应对某些训练样本表现不佳的情况,利用FCM聚类分析算法数据挖掘的优势,在改进型随机数森林算法的基础上聚类分析负荷数据,进行电力负荷预测。结合某地区的原始数据进行了案例分析,计算平均绝对百分比误差并与传统的RF、SVM预测方法做了对比,基于聚类分析与随机森林组合预测方法预测误差较小,预测精度较高,验证了该组合方法的有效性和实用性。为电力系统调度、电网规划提供了有力的参考依据。最后,对论文使用方法进行了总结对比,对本文的研究内容和未来电力系统短期负荷预测的方法及意义进行了展望。