基于随机森林与长短期记忆网络的电力负荷预测方法
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...
| Main Authors: | , , , , , , |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
Editorial Office of Journal of Global Energy Interconnection
2022-03-01
|
| Series: | 全球能源互联网 |
| Subjects: | |
| Online Access: | https://www.gei-journal.com/cn/upload/files/2022/2/06基于随机森林与长短期记忆网络的电力负荷预测方法.pdf |
| _version_ | 1811297859475079168 |
|---|---|
| author | 董彦军 王晓甜 马红明 王立斌 李梦宇 岳凡丁 袁欢 |
| author_facet | 董彦军 王晓甜 马红明 王立斌 李梦宇 岳凡丁 袁欢 |
| author_sort | 董彦军 |
| collection | DOAJ |
| description | 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。 |
| first_indexed | 2024-04-13T06:11:17Z |
| format | Article |
| id | doaj.art-00d086fe380b401985827263a9f93965 |
| institution | Directory Open Access Journal |
| issn | 2096-5125 |
| language | zho |
| last_indexed | 2024-04-13T06:11:17Z |
| publishDate | 2022-03-01 |
| publisher | Editorial Office of Journal of Global Energy Interconnection |
| record_format | Article |
| series | 全球能源互联网 |
| spelling | doaj.art-00d086fe380b401985827263a9f939652022-12-22T02:59:02ZzhoEditorial Office of Journal of Global Energy Interconnection全球能源互联网2096-51252022-03-015214715610.19705/j.cnki.issn2096-5125.2022.02.006基于随机森林与长短期记忆网络的电力负荷预测方法董彦军王晓甜马红明王立斌李梦宇岳凡丁袁欢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。https://www.gei-journal.com/cn/upload/files/2022/2/06基于随机森林与长短期记忆网络的电力负荷预测方法.pdf随机森林长短期记忆网络电力负荷预测混合模型 |
| spellingShingle | 董彦军 王晓甜 马红明 王立斌 李梦宇 岳凡丁 袁欢 基于随机森林与长短期记忆网络的电力负荷预测方法 全球能源互联网 随机森林 长短期记忆网络 电力负荷预测 混合模型 |
| title | 基于随机森林与长短期记忆网络的电力负荷预测方法 |
| title_full | 基于随机森林与长短期记忆网络的电力负荷预测方法 |
| title_fullStr | 基于随机森林与长短期记忆网络的电力负荷预测方法 |
| title_full_unstemmed | 基于随机森林与长短期记忆网络的电力负荷预测方法 |
| title_short | 基于随机森林与长短期记忆网络的电力负荷预测方法 |
| title_sort | 基于随机森林与长短期记忆网络的电力负荷预测方法 |
| topic | 随机森林 长短期记忆网络 电力负荷预测 混合模型 |
| url | https://www.gei-journal.com/cn/upload/files/2022/2/06基于随机森林与长短期记忆网络的电力负荷预测方法.pdf |
| work_keys_str_mv | AT dǒngyànjūn jīyúsuíjīsēnlínyǔzhǎngduǎnqījìyìwǎngluòdediànlìfùhéyùcèfāngfǎ AT wángxiǎotián jīyúsuíjīsēnlínyǔzhǎngduǎnqījìyìwǎngluòdediànlìfùhéyùcèfāngfǎ AT mǎhóngmíng jīyúsuíjīsēnlínyǔzhǎngduǎnqījìyìwǎngluòdediànlìfùhéyùcèfāngfǎ AT wánglìbīn jīyúsuíjīsēnlínyǔzhǎngduǎnqījìyìwǎngluòdediànlìfùhéyùcèfāngfǎ AT lǐmèngyǔ jīyúsuíjīsēnlínyǔzhǎngduǎnqījìyìwǎngluòdediànlìfùhéyùcèfāngfǎ AT yuèfándīng jīyúsuíjīsēnlínyǔzhǎngduǎnqījìyìwǎngluòdediànlìfùhéyùcèfāngfǎ AT yuánhuān jīyúsuíjīsēnlínyǔzhǎngduǎnqījìyìwǎngluòdediànlìfùhéyùcèfāngfǎ |