[发明专利]基于随机森林与二次修正的峰谷差中长期预测方法

说明书

本发明公开了一种基于随机森林与二次修正的峰谷差中长期测算模型，对中长期需求响应实施成效进行评估，采集多个居民用户的历史负荷数据并计算历史峰谷差，需求侧用户负荷峰谷差的多源影响因素分析；进行多源影响因素特征提取，采用二进制特征工程提取最优特征组合作为随机森林模型的输入；构建基于随机森林的峰谷差测算模型，并输出月峰谷差与季峰谷差的测算结果；基于历史采集的需求侧用户负荷峰谷差数据，将筛选的相关修正因素逐个选取作为输入，构建贝叶斯回归模型，以实现对用户负荷峰谷差的拟合建模，根据拟合结果对一次季峰谷差的中长期预测结果进行修正。本发明对推进需求侧响应发展，缓解电力供需矛盾具有重要意义。

技术领域

本发明属于电力系统技术领域，涉及基于随机森林与二次修正的峰谷差中长期预测方法

背景技术

在“碳达峰、碳中和”背景下，面向灵活互动智能用电的需求响应已成为发展趋势。居民负荷作为需求响应用户的重要组成部分，能够有效实现“削峰填谷”，推动电力系统可靠、稳定运行。然而，需求侧用户负荷特性受到气象情况、人口增长、经济发展等多种因素的影响，难以进行有效的中长期需求侧评估，影响中长期需求侧响应实施评价的可靠性。因此，研究如何准确预测中长期负荷峰谷差对推进需求侧响应发展，缓解电力供需矛盾具有重要意义。

以峰谷差预测作为研究重点的工作非常有限。从现存的预测方法上来说，预测方法可分为深度学习、统计模型、机器学习模型。其中，传统的统计预测方法容易实现，不需要获取额外的输入。但在很多情况下，由于只考虑了历史数据，其准确性往往受到限制。深度学习方法预测性能好，近年来被广泛关注，但由于月峰谷差与季峰谷差的周期性与间断性，深度学习方法虽然有较好的预测精度，但更适用于连续的时间序列预测。传统的机器学习方法不仅计算速度快，而且泛化能力更强。机器学习方法包括支持向量机、随机森林等。

支持向量机可以尽量提高学习机的泛化能力，并且计算速度的快，在利用遗传算法进行二进制特征组合优化时，可以采用支持向量机进行峰谷差预测,并将适应度函数设置为经过支持向量机训练后的预测与实际值之间损失函数值。随机森林模型基本上是一种bagging方法，对过拟合具有鲁棒性，预测结果是通过投票法或取均值法来提高了一些弱学习者(决策树)的性能。不易过拟合，抗噪能力极强，计算速度快，预测精度高。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于随机森林与二次修正的峰谷差中长期预测方法，基于二次修正提高预测精度，以负荷侧峰谷差特征，提高负荷峰谷差预测的准确性，为电力系统运行和调度提供更可靠的指导。

本发明采用如下的技术方案。本发明提供了一种基于随机森林与二次修正的峰谷差中长期测算方法，包括以下步骤：

步骤1，采集设定数量年份内的多个居民用户区的用电历史负荷数据并计算历史峰谷差，采集影响负荷峰谷差的影响因素数据，并将涉及的影响因素作为备选特征；

步骤2，进行多源影响因素特征提取，采用二进制特征工程提取最优特征组合，并将此特征组合作为步骤3中随机森林模型的输入；

步骤3，利用随机森林算法对步骤2选择的最优特征组合的训练数据进行训练，得到需求侧用户负荷峰谷差测算模型，并输出月峰谷差与季峰谷差的一次中长期预测结果；

步骤4，基于历史采集的需求侧用户负荷峰谷差数据，将筛选的相关修正因素逐个选取作为输入，构建贝叶斯回归模型，以实现对用户负荷峰谷差的拟合建模，根据拟合结果对一次季峰谷差的中长期预测结果进行修正。

优选地，步骤1中所述用电历史负荷数据包括日最大负荷数据，日最小负荷数据；所述历史峰谷差包括日峰谷差、月峰谷差、季峰谷差；所述影响因素特征包括：日最高气温、日最低气温、日平均气温、气压、湿度、降雨量、风速、日平均负荷。

优选地，步骤2具体包括：

步骤2.1，计算步骤1中备选特征与峰谷差之间的相关程度，并根据相关程度由高到低筛选n个备选特征；