基于改进的随机森林和密度聚类的短期负荷频域预测方法

发布时间：2023-01-12 20:34

　　精确的负荷预测对于电力系统的有效调度和安全运行至关重要.本文提出基于改进的随机森林（IRF）和密度的聚类（DBSCAN）的频域组合预测方法.首先,采用经验小波变换（EWT）分解负荷,得到不同的固有模态分量（IMFs）;其次,根据各分量特征采用合理的方法进行预测.其中,低频、中频分量采用IRF预测;高频分量使用DBSCAN根据气象因素温度和湿度聚类,再根据每类的样本特性选择处理方法.最后,叠加各分量的预测值,获取负荷预测值.根据某地市现场负荷数据进行实验,预测结果分别与EWT–IRF, EWT–随机森林（RF）、经验模态分解（EMD）–IRF模型的预测结果进行对比.结果表明,提出的模型具有更高的预测精度,反映了实际负荷的随机性. 

【文章页数】：9 页

【参考文献】：
期刊论文
[1]DBSCAN算法研究及并行化实现[J]. 宋董飞,徐华.  计算机工程与应用. 2018(24)
[2]电力负荷预测算法比较-随机森林与支持向量机[J]. 霍娟,孙晓伟,张明杰.  电力系统及其自动化学报. 2019(07)
[3]基于EWT-WKELM的短期负荷预测[J]. 李青,于永军,郑少鹏,马天娇.  电力系统及其自动化学报. 2018(07)
[4]基于Akima-LMD和GRNN的短期负荷预测[J]. 邹红波,伏春林,喻圣.  电工电能新技术. 2018(01)
[5]基于Spark平台和多变量L2-Boosting回归模型的分布式能源系统短期负荷预测[J]. 马天男,牛东晓,黄雅莉,杜振东.  电网技术. 2016(06)
[6]基于灰色投影改进随机森林算法的电力系统短期负荷预测[J]. 吴潇雨,和敬涵,张沛,胡骏.  电力系统自动化. 2015(12)
[7]基于改进数据流在线分割的超短期负荷预测[J]. 唐聪岚,卢继平,谢应昭,张露.  电网技术. 2014(07)
[8]基于非负矩阵分解的相关向量机短期负荷预测模型[J]. 黄帅栋,卫志农,高宗和,杨争林,孙国强,孙永辉.  电力系统自动化. 2012(11)
[9]基于Mallat算法的日负荷预测实用方法研究[J]. 蒋建东,宋苗菊,贾伟.  电力系统保护与控制. 2009(20)



本文编号：3730413