基于改进随机森林算法的短期负荷预测研究.pdfVIP

总第238期现代工业经济和信息化Total238

2024年第4期ModernIndustrialEconomyandInformationizationNo.4,2024

实践探索DOI:10.16525/ki.14-1362/n.2024.04.070

基于改进随机森林算法的短期负荷预测研究

陈逸飞，薛军伟，邱俊

（辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛125000）

摘要：针对电力系统短期负荷预测精度低的特点，提出了一种基于麻雀优化算法的改进随机森林回归预测模型。

利用SSA优化算法不断迭代优化RFR的决策树数量和节点分列等相关参数,提高RFR的预测性能,得到SSA-RFR

回归预测模型。为验证模型在预测精度上的优良性，利用中国某地区电力负荷历史数据进行数据仿真，将未改进的

模型与改进后的模型的预测结果进行对比。对比结果表明，提出的改进模型具有更优良的预测精度，与实际值更为

接近。

关键词：电力系统；短期负荷预测；随机森林；麻雀优化算法；迭代优化

中图分类号：TM715文献标识码：A

0引言

快策树分

负荷预测是电力系统中十分重要的环节,负荷预类结果1

测的准确性不仅关系到用电的可靠性还可以有效减决策树分

少电力系统运行中的资源损耗[11。其中短期负荷预测D类结果2取均值

为最终

是电力系统运行与分析的基础[]。提高负荷预测精的预测

结果

度，是保障电力系统优化决策科学性的重要手段。目随机化

前常见的预测方法有时间序列法[3]、人工神经网络[4]

和机器学习算法等。基于时间序列分析的方法能够捕Dk决策树分

类结果3

捉到负荷的季节性和趋势性，但对于复杂的非线性关

图1RFR回归预测模型流程

系较为有限。人工神经网络和机器学习算法在处理非

基本单元，通过集成大量的决策树,来构成了随机森

线性关系方面表现优异，但需要大量的数据进行训

林。决策树样本k：

练,并且模型的可解释性相对较低。

1T(x,01)/,IT(x,02),,(T(x,0)/.(1)

针对上述出现的问题,本文提出来一种基于改进

根据已知数据，将不同时段训练的当日电网负荷

随机森林算法的电荷预测方法,其能够有效处理电力

量数据集D给到决策树里面，从树根结点为起始，依

系统中的非线性关系，包括负荷与多种因素的复杂交