当前位置:首页 > 工业控制 > 《机电信息》
[导读]摘要:以2000一2010年宁夏用电量相关资料为基础,提取用电量的影响因子,并于Rstudio平台构建基于随机森林算法(RF)的预测模型,对2012一2017年用电量进行预测验证。结果表明,模型输出值与实际值相吻合,训练误差与预测平均误差分别为7.02亿kw·h、9.20亿kw·h,该算法模型有效。对比可知,RF模型的MAE、RMsE(9.20亿kw·h、10.57亿kw·h)小于RBF(13.24亿kw·h、14.04亿kw·h)和sVM(22.39亿kw·h、25.57亿kw·h)模型,基于RF的用电预测模型效果更优。另外,RF能够准确计算预测因子的重要性,这对于变量筛选具有重要意义。

引言

电力资源是社会经济与民生发展的战略支撑性资源之一,电网系统面向全国各种用电用户提供可变的标准电能。由于当前各行各业对电能的依赖性增强,加之居民生活水平提高产生了更大的电能消费需求,用电量具有多结构化、变化复杂的特点,这对准确预测用电量提出了挑战。用电量预测能为电力供需负荷平衡、电力供应调配提供信息基础,对减少供电成本、提高电能质量具有重要意义。

近年来,随机森林方法在分类和回归问题中得到了广泛应用,该算法能处理高维数据,并检测维度间的相互关系,通过自主学习、高维映射、容错、记忆等手段大量挖掘隐含信息,得出用电量变化的内在规律。

鉴于此,本文以宁夏用电量为算例,采用RF方法构建电量预测模型,并检验该模型的优越性,以期为电力大数据挖掘和智能电网建设提供参考依据。

1算法原理

1.1随机森林原理

随机森林(RandomForest,RF)是集成多棵决策树模型(h(X,9k),k=1,2,…)而形成的融合算法[5]。该算法借助随机子空间和自助聚集理论,运用bootstrap方法从全部特征变量属性中进行随机等概率地放回抽样,对每个bootstrap样本构建决策树,通过打分寻找得分最高结果作为分类或回归的结果。其先利用bootstrap抽样从原始训练集7=((x1,y1),(x2,y2),…,(xn,yn))中抽取n个样本,记作训练集7l,进行k次抽样,则有k个独立样本形成的训练集(7l,l=1,2,…,k)。然后对各bootstrap训练集构建决策树组合模型,对于单棵树,从随机选择的m个属性中选出最优属性进行分裂。生成的单棵树模型即为独立领域的专家,组合k棵树中得分最高的类别即为预测的结果。

1.2多元协变量获取

单纯以历史用电量信息作为前向预测的依据,在模型迭代过程中其依赖的信息较少,可能会损失局部预测的细节信息,进而影响模型精度。而采用多元协变量为输入变量,以不同维度因子的变化特征描述用电量的时序变化趋势,既能够保证模型预测所需要的丰富的特征信息,还能够确保模型稳定性。结合前人的研究经验,从经济发展、人口、社会需求、自然环境等方面考虑,给出了相关的备选变量,如表1所示。

1.3数据来源与处理

指标数据的时间域为2000一2017年,从《宁夏统计年鉴》和《中国统计年鉴》中提取指标原始数据(表1)。采用MicrosoftExcel2016软件进行数据整理,Rstudio1.0进行建模预测分析,采用绝对平均误差(MAE)和均方根误差(RMsE)对模型精度进行评价。

2应用实例

2.1变量设置与参数优选

以2000一2011年的数据为训练样本,2012一2017年的数据为检测样本,两类样本中解释变量作为输入值,用电量数据作为输出值,在Rstudio1.0平台上调用RandomForest程序包进行编程实现。RF模型存在nlree和mlry两个敏感参数,其中nlree影响着模型泛化、收敛速率,mlry主要对节点分裂属性赋值起重要作用。通常认为,mlry最优取值为变量的方根值,而nlree的筛选通常采用网格搜索法进行。多次试验表明,mlry为5时模型错误率相对较小,进而确定mlry为5。随着nlree的变化,模型错误率表现如图1所示,可知当其为200以后,模型错误率较小而平稳,遂设置nlree为500。

2.2预测结果与精度比较

图2和表2分别为RF算法计算得到的训练和测试样本的预测结果,为比较算法优越性,另使用RBF(径向基神经网络)、sVM(支持向量机)实施建模预测。由图可知,3种不同算法均能够较好拟合用电量变化,训练样本各年份用电量预测的MAE介于2.33~45.38亿kw·h之间,表明训练模型精度可靠。训练模型统计显示,RF、sVM、RBF训练模型的MAE依次为7.02亿kw·h、7.72亿kw·h、8.86亿kw·h。测试结果表明,基于RF的预测结果最优,其MAE仅为9.20亿kw·h,RMsE为10.57亿kw·h,而基于sVM和RBF的预测结果的MAE和RMsE分别为22.39亿kw·h、25.57亿kw·h和13.24亿kw·h、14.04亿kw·h。综合来看,基于RF的用电量预测模型精度高、预测效果良好。

2.3解释变量重要性分析

RF算法通过袋外数据的误差表征变量特征,其值越大,表明该变量对模型的重要性越大[5]。由图3可知,平均气温、雨日数、人均GDP、工业产值电耗、人均用电量、第一产业用电量、GDP的分值最大,其重要性分值在4~5.53之间,表明其对模型精度具有重要影响:无霜期、极端低温天数、8月份平均气温、第三产业用电总量、1月份相对湿度和第二产业用电总量的重要性分值最小,介于0~1.03之间,说明其对模型增益效果较低:其他变量的重要性分值介于2~4之间,它们对模型精度的影响性一般。

3结论

以多元协变量为基础构建中长期用电量的预测模型,根据模型运行结果,得出结论如下:

(1)RF算法能够较好地拟合2000一2017年宁夏年度用电量变化,训练误差与预测误差均较小、精度可靠,表明预测方案应用性较好:

(2)多元协变量之间关联复杂,而RF能排除多维数组间共线性影响,拟合其与用电量之间的线性、非线性关系,并识别各协变量对模型精度的影响:

(3)随机森林集合了多个弱分类器,较于传统RBF和sVM算法其具有一定的优势,在建模过程中模型参量调试简易,模型稳定性高。

本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除。
换一批
延伸阅读

9月2日消息,不造车的华为或将催生出更大的独角兽公司,随着阿维塔和赛力斯的入局,华为引望愈发显得引人瞩目。

关键字: 阿维塔 塞力斯 华为

加利福尼亚州圣克拉拉县2024年8月30日 /美通社/ -- 数字化转型技术解决方案公司Trianz今天宣布,该公司与Amazon Web Services (AWS)签订了...

关键字: AWS AN BSP 数字化

伦敦2024年8月29日 /美通社/ -- 英国汽车技术公司SODA.Auto推出其旗舰产品SODA V,这是全球首款涵盖汽车工程师从创意到认证的所有需求的工具,可用于创建软件定义汽车。 SODA V工具的开发耗时1.5...

关键字: 汽车 人工智能 智能驱动 BSP

北京2024年8月28日 /美通社/ -- 越来越多用户希望企业业务能7×24不间断运行,同时企业却面临越来越多业务中断的风险,如企业系统复杂性的增加,频繁的功能更新和发布等。如何确保业务连续性,提升韧性,成...

关键字: 亚马逊 解密 控制平面 BSP

8月30日消息,据媒体报道,腾讯和网易近期正在缩减他们对日本游戏市场的投资。

关键字: 腾讯 编码器 CPU

8月28日消息,今天上午,2024中国国际大数据产业博览会开幕式在贵阳举行,华为董事、质量流程IT总裁陶景文发表了演讲。

关键字: 华为 12nm EDA 半导体

8月28日消息,在2024中国国际大数据产业博览会上,华为常务董事、华为云CEO张平安发表演讲称,数字世界的话语权最终是由生态的繁荣决定的。

关键字: 华为 12nm 手机 卫星通信

要点: 有效应对环境变化,经营业绩稳中有升 落实提质增效举措,毛利润率延续升势 战略布局成效显著,战新业务引领增长 以科技创新为引领,提升企业核心竞争力 坚持高质量发展策略,塑强核心竞争优势...

关键字: 通信 BSP 电信运营商 数字经济

北京2024年8月27日 /美通社/ -- 8月21日,由中央广播电视总台与中国电影电视技术学会联合牵头组建的NVI技术创新联盟在BIRTV2024超高清全产业链发展研讨会上宣布正式成立。 活动现场 NVI技术创新联...

关键字: VI 传输协议 音频 BSP

北京2024年8月27日 /美通社/ -- 在8月23日举办的2024年长三角生态绿色一体化发展示范区联合招商会上,软通动力信息技术(集团)股份有限公司(以下简称"软通动力")与长三角投资(上海)有限...

关键字: BSP 信息技术
关闭