一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质，属于智能电网和智能用电技术领域，方法包括：获取历史负荷值；将历史负荷值输入到构建好的随机森林模型中，得到预测结果；本发明专利技术基于Bagging抽样法，构建CART决策树，在数据处理时做到更准确更全面的处理异常和冗余的信息，提取出有效的数据进行下一步操作，进而降低计算量，通过组合型算法共同组建的随机森林模型，具有各个算法的优点，不仅可以使得电力系统短期负荷预测更加智能化，也可以有效的提升电力系统短期负荷预测的准确率。提升电力系统短期负荷预测的准确率。提升电力系统短期负荷预测的准确率。

【技术实现步骤摘要】
一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质


[0001]本专利技术涉及一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质，属于智能电网和智能用电


技术介绍

[0002]作为电气部门不可或缺的工作之一，电力负荷预测的准确进行保障电力系统的高效安全地运行，安全地安排检修计划，并且高效准确地控制发电机组的停启，减少额外的麻烦和意外事故的发生，在把发电成本控制到最低的情况下使社会效益和经济效益得到提升，保障社会的正常运行，从根本上切实的解决问题。
[0003]国内外学者专家对短期电力负荷预测的理论方法进行大量的研究，许多具有优良性能的模型算法被应用于这一领域，使得短期负荷预测进入到了快速发展的时代，现在一般认为将短期负荷预测方法分为两大类——传统经典预测方法和现代智能预测方法，传统的经典预测方法原理简单但是局限性高往往精度不是很准确使得误差较大。现代智能预测方法随着人工智能的发展，对数据的处理能力极强，很大程度的提高了电力负荷预测的精度，但是过于强大的模拟往往伴随着计算量较大的问题。
[0004]当前技术对于电力系统负荷的预测，除了传统的时间序列法、回归分析法、趋势外推法，还有一些现在智能预测方法，如人工神经网络算法、小波分析法、模糊理论等，总的来说，运用单一的算法，工作量大，计算复杂，对电力系负荷的预测准确率低，存在较多类型的误判。

技术实现思路

[0005]本专利技术的目的在于提供一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质，解决现有技术中预测准确率低、计算量大等问题。
[0006]为实现以上目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术提供了一种基于Bagging抽样及改进随机森林算法的负荷预测方法，包括：
[0008]获取历史负荷值；
[0009]将历史负荷值输入到构建好的随机森林模型中，得到预测结果；
[0010]所述随机森林模型通过以下方法进行构建：
[0011]获取原始样本集，利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集；
[0012]训练每个训练集得到对应的CART决策树；
[0013]将所有CART决策树集合在一起构成随机森林模型。
[0014]结合第一方面，进一步的，所述历史负荷值包括预测日前一天和七天前的各96点负荷值以及环境数据。
[0015]结合第一方面，进一步的，所述利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集，包括：
[0016]采用Bootstrap方法，随机从原始样本集中抽选N个训练样本(d1，d2，...，dN)，执行n次循环，得到n个训练集，并且每个训练集互不相干。
[0017]结合第一方面，进一步的，所述训练每个训练集得到对应的CART决策树，包括：
[0018]利用CART算法，把训练集划分为两个子集，不断递归分割使得生成的每个非叶子结点都有两个分支，在节点分割的时候按照Gini指数最小原则进行分割，每个节点分割的Gini指数的表达式为：
[0019][0020]其中，D是分割前的集合，D1和D2是分割后的两个子集，Gini(D1)是D1的Gini指数，Gini(D2)是D2的Gini指数，Gini
split
(D)是D的Gini指数。
[0021]结合第一方面，进一步的，在构建好的随机森林模型中，通过多棵CART决策树对历史负荷值进行测试分类，并根据预设比例得到最终的分类，从而得到预测结果。
[0022]结合第一方面，进一步的，在构建随机森林模型的过程中，还包括设置参数的步骤：
[0023]在随机森林模型中设置特征评价标准、最大弱学习器个数、最大特征数、决策树最大深度、内部节点再划分所需最小样本数、叶子节点最少样本数。
[0024]第二方面，本专利技术还提供了一种基于Bagging抽样及改进随机森林算法的负荷预测系统，包括：
[0025]数据获取模块：用于获取历史负荷值；
[0026]负荷预测模块：用于将历史负荷值输入到构建好的随机森林模型中，得到预测结果；
[0027]还包括模型构建单元，用于通过以下方法构建随机森林模型：
[0028]获取原始样本集，利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集；
[0029]训练每个训练集得到对应的CART决策树；
[0030]将所有CART决策树集合在一起构成随机森林模型。
[0031]第三方面，本专利技术还提供了一种基于Bagging抽样及改进随机森林算法的负荷预测装置，包括处理器及存储介质；
[0032]所述存储介质用于存储指令；
[0033]所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。
[0034]第四方面，本专利技术还提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
[0035]与现有技术相比，本专利技术所达到的有益效果是：
[0036]本专利技术提供的一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质，基于Bagging抽样法，构建CART决策树，在数据处理时做到更准确更全面的处理异常和冗余的信息，提取出有效的数据进行下一步操作，进而降低计算量；然后采用
随机森林算法，通过历史数据得到训练样本集中将其有放回地反复任意抽取特定个样本，得到新的训练样本集合训练，通过这些集合来得到不一样的CART决策树，通过该方法得到的CART决策树各有不同，然后构成随机森林，新输入的划分由每一棵CART决策树划分后的综合结果决定，是一种民主型投票，决策树互不相干，有着非常好的灵活性，如此这般的组合型算法共同组建的预测模型，具有各个算法的优点，不仅可以使得电力系统短期负荷预测更加智能化，也可以有效的提升电力系统短期负荷预测的准确率。
附图说明
[0037]图1是本专利技术实施例提供的一种基于Bagging抽样及改进随机森林算法的负荷预测方法的流程图；
[0038]图2是本专利技术实施例提供的Bagging抽样法的示意图；
[0039]图3是本专利技术实施例提供的Bagging抽样法的流程图；
[0040]图4是本专利技术实施例提供的随机森林算法的结构图；
[0041]图5是本专利技术实施例提供的电力系统短期负荷预测的算例图。
具体实施方式
[0042]下面结合附图对本专利技术作进一步描述，以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0043]实施例1
[0044]如图1所示，本专利技术实施例提供的一种基于Bagging抽样及改进随机森林算法的负荷预测方法，包括：
[0045]本专利技术是以预测日前一天的96点的负荷值和七本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，包括：获取历史负荷值；将历史负荷值输入到构建好的随机森林模型中，得到预测结果；所述随机森林模型通过以下方法进行构建：获取原始样本集，利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集；训练每个训练集得到对应的CART决策树；将所有CART决策树集合在一起构成随机森林模型。2.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，所述历史负荷值包括预测日前一天和七天前的各96点负荷值以及环境数据。3.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，所述利用Bagging算法从原始样本集中随机不放回抽样生成多个训练集，包括：采用Bootstrap方法，随机从原始样本集中抽选N个训练样本(d1，d2，...，dN)，执行n次循环，得到n个训练集，并且每个训练集互不相干。4.根据权利要求1所述的一种基于Bagging抽样及改进随机森林算法的负荷预测方法，其特征在于，所述训练每个训练集得到对应的CART决策树，包括：利用CART算法，把训练集划分为两个子集，不断递归分割使得生成的每个非叶子结点都有两个分支，在节点分割的时候按照Gini指数最小原则进行分割，每个节点分割的Gini指数的表达式为：其中，D是分割前的集合，D1和D2是分割后的两个子集，Gini(D1)是D1的Gini指数，Gini(D2)是D2的Gini指数，Gini

【专利技术属性】
技术研发人员：李亚飞，刘乙，钱科军，郑众，谢鹰，张显楚，宋杰，陈嘉栋，
申请(专利权)人：国电南瑞南京控制系统有限公司国电南瑞科技股份有限公司国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：