基于随机森林与长短期记忆网络的电力负荷预测方法

TP391%TM714; 电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型.首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果.使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度...

Full description

Saved in:
Bibliographic Details
Published in全球能源互联网 Vol. 5; no. 2; pp. 147 - 156
Main Authors 董彦军, 王晓甜, 马红明, 王立斌, 李梦宇, 岳凡丁, 袁欢
Format Journal Article
LanguageChinese
Published 国网河北省电力有限公司,河北省 石家庄市 050081%国网河北省电力有限公司营销服务中心,河北省 石家庄市 050081%西安交通大学电气工程学院,陕西省 西安市 710049 01.03.2022
Editorial Office of Journal of Global Energy Interconnection
Subjects
混合模型
电力负荷预测
长短期记忆网络
随机森林
随机森林;长短期记忆网络;电力负荷预测;混合模型
Online AccessGet full text
ISSN2096-5125
DOI10.19705/j.cnki.issn2096-5125.2022.02.006

Cover

More Information
Summary:TP391%TM714; 电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型.首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果.使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想.
ISSN:2096-5125
DOI:10.19705/j.cnki.issn2096-5125.2022.02.006