基于SARIMA-随机森林组合模型的短期负荷预测方法技术

基于SARIMA

【技术实现步骤摘要】
基于SARIMA
‑
随机森林组合模型的短期负荷预测方法


[0001]本专利技术涉及短期电力负荷预测
，具体涉及一种基于SARIMA
‑
随机森林组合模型的短期负荷预测方法。

技术介绍

[0002]以大数据和算法为特点人工智能技术已成为推动电力负荷预测领域技术进步的重要手段，精确的预测对提高电力系统经济运行、电力调度以及安全问题具有实际意义。
[0003]针对电力负荷非线性、模型参数设置主观性和外界因素多样等问题，当前研究人员提出了多种预测改进方法，在处理不同类型的特征上一般采用赋权重，再代入模型进行训练，但由于不同特征对负荷的影响程度不同、外界因素影响较大，该方法难以直观的体现负荷变化趋势与外界因素的特点，可解释性还有提升空间，且历史数据和影响因素维度大，同时处理时训练难度较大、运行时间较长，需要一种能够在分类提取特征信息的同时确保数据的可解释，以及在处理多维特征时仍可以维持较快的运行速度的负荷预测方法。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供一种基于SARI本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SARIMA
‑
随机森林组合模型的短期负荷预测方法，其特征在于包括以下步骤：步骤1：利用滑动窗口对预处理过的原始负荷数据进行分组，建立周前
‑
次日数据集并分解各样本得到趋势项T
i
、季节项S
i
和残差项R
i
；步骤2：确定参数并建立SARIMA模型，根据已知周前数据预测T
i
次日变化，得到初步预测结果z和残差r；步骤3：聚类天气因素获取相似日，分组构建天气
‑
残差数据集并建立随机森林回归模型，学习天气因素与残差r的关系；步骤4：组合上述模型的预测结果，对比特征聚类、残差训练对负荷预测准确率的影响。2.根据权利要求1所述基于SARIMA
‑
随机森林组合模型的短期负荷预测方法，其特征在于：所述步骤1包括以下步骤：S1.1：归一化原始负荷数据，利用滑动窗口分组并建立周前
‑
次日数据集；S1.2：应用Python时序分解模块依次获取周前
‑
次日数据集各样本的趋势项T
i
、季节项S
i
和残差项R
i
，该过程数学表达式为：m
′
＝m
‑
l+1
ꢀꢀ
(2)；x
i
′
＝T
i
+S
i
+R
i
ꢀꢀ
(3)；式中，x
max
、x
min
分别为负荷各时刻特征的最大值、最小值；m、m
′
分别为原始负荷数据和周前
‑
次日数据集的样本个数，l为滑动窗口长度；x
i
′
为数据集中的序列i分解得对应的子序列。3.根据权利要求1所述基于SARIMA
‑
随机森林组合模型的短期负荷预测方法，其特征在于：所述步骤2包括以下步骤：S2.1：判断序列T
i
的稳定性和随机性，对T
i
分别进行单位根检验(ADF)和白噪声检验(LB)；根据单位根检验(ADF)结果中的t统计量、p值和临界值判断稳定性，若t统计量的绝对值大于临界值，且p值小于0.05，说明序列平稳；否则，用差分运算使序列平稳化，差分次数记为d次；根据白噪声检验(LB)中输出的p值判断序列是否为白噪声，如果p值均小于0.05或等于0，则序列不是白噪声；S2.2：观察T
i
的自相关系数(ACF)图和偏自相关系数(PACF)图的特点，确定SARIMA模型参数，包括p阶回归模型(AR)、q阶移动平均模型(MA)和季节因素参数s，其表达式如式(4)、式(5)所示：x
t
＝θ1x
t
‑1+θ2x
t
‑2+
…
+θ
p
x
t
‑
p
+ε
t
ꢀꢀ
(4)；式(4)中，x
t
为序列T
i
的t时刻对应值，ε
t
为误差项，p为自回归阶数；x
t
‑1、x
t
‑2、
…
x<...

【专利技术属性】
技术研发人员：徐恒山，王思维，莫汝乔，李颜汝，赵铭洋，李文昊，朱士豪，李康辉，马梓茗，王地康，曾宪金，王灿，潘鹏程，魏业文，
申请(专利权)人：三峡大学，
类型：发明
国别省市：