基于VMD和BA优化随机森林的短期负荷预测
为丰富短期电力负荷预测方法并提高预测准确度,提出一种基于变分模态分解(variational?mode decomposition,?VMD)和蝙蝠算法(bat?algorithm,?BA)优化随机森林(random?forest,?RF)的短期电力负荷预测方法.该方法首先利用VMD对实际负荷数据进行分解处理,得到多组具有不同特征的模态函数分量;然后基于BA算法优化随机森林回归模型中的决策树和分裂特征数,进而分别对每组模态函数分量进行预测;最后对所预测的模态分量函数进行重构获取最终预测结果.与此同时,将VMD-BA-RF与Spark平台的优秀计算能力相结合,节省负荷预测过程所需要的时间.算例结果表明:VMD-BA-RF方法可有效进行短期电力负荷的预测,其预测平均绝对误差为31.99?MW,均方根误差为53.28?MW,平均绝对百分比误差为0.60%,而传统RF方法、VMD-RF方法和BA-RF方法的3种指标均大于VMD-BA-RF方法,因此所提方法具有较高预测准确度.
变分模态分解、蝙蝠算法、随机森林、短期负荷预测、Spark
48
TM761;TP183(输配电工程、电力网及电力系统)
国网河北省电力有限公司科技项目SGHEXT00DDJS2000080
2022-05-12(万方平台首次上网日期,不代表论文的发表时间)
共7页
159-165