基于随机森林算法的用电负荷预测研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (23): 236-243.

基于随机森林算法的用电负荷预测研究

李婉华1，2，陈宏3，郭昆1，2，郭松荣1，2，韩嘉民1，2，陈羽中1，2

1.福州大学数学与计算机科学学院，福州 350116
2.福建省网络计算与智能信息处理重点实验室，福州 350116
3.国网信通亿力科技有限责任公司，福州 350001

出版日期:2016-12-01 发布日期:2016-12-20

Research on electrical load prediction based on random forest algorithm

LI Wanhua1，2, CHEN Hong3, GUO Kun1，2, GUO Songrong1，2, HAN Jiamin1，2, CHEN Yuzhong1，2

1.College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350116, China
2.Fujian Provincial Key Laboratory of Network Computing and Intelligent Information Processing, Fuzhou 350116, China
3.State Grid Electric Power Company, Fuzhou 350001, China

Online:2016-12-01 Published:2016-12-20

摘要/Abstract

摘要： 为了解决当下用电负荷预测精度不高，难以很好模拟实际用电负荷的分布情况而不能对未来的负荷数据进行合理预测的问题，实现了基于随机森林的分类模型、回归模型以及结合Weka的时间序列模型，对某省份的负荷数据进行预测，通过对不同模型的大量的实验及评估，发现这三个模型皆能合理地预测未来的用电负荷数据。此外，在同一评估指标下随机森林算法结合WEKA中的时间序列模型的方法能够较好地预测未来时刻的负荷数据。

关键词: 用电负荷预测, 随机森林, 分类, 回归, 时间序列

Abstract: In order to improve the accuracy of electricity load prediction and solve the problem of simulating the actual distribution of electricity load, it implements the classification model, regression model and time series model of combining the Weka which are based on random forest to forecast the electricity load data of a certain province. After a large number of experiments and evaluation on different models, it finds that the three models can reasonably predict the future of electricity load data. In addition, under the same evaluation index the model which combines the random forest algorithm and time series of WEKA can get better result when predicting the future moment of electricity load data.

Key words: electrical load prediction, random forest, classification, regression, time series

李婉华1，2，陈宏3，郭昆1，2，郭松荣1，2，韩嘉民1，2，陈羽中1，2. 基于随机森林算法的用电负荷预测研究[J]. 计算机工程与应用, 2016, 52(23): 236-243.

LI Wanhua1，2, CHEN Hong3, GUO Kun1，2, GUO Songrong1，2, HAN Jiamin1，2, CHEN Yuzhong1，2. Research on electrical load prediction based on random forest algorithm[J]. Computer Engineering and Applications, 2016, 52(23): 236-243.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.
[3]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[4]	逯曼皎，张伟，徐涛. 基于动态矩阵模型的可优化的补货策略[J]. 计算机工程与应用, 2021, 57(7): 263-268.
[5]	马梦萍，杨志霞. 非对称ν-无核二次曲面支持向量回归机[J]. 计算机工程与应用, 2021, 57(7): 70-77.
[6]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[7]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[8]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[9]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[10]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[11]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[12]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[13]	杨晔民，张慧军，张小龙. 随机森林的可解释性可视分析方法研究[J]. 计算机工程与应用, 2021, 57(6): 168-175.
[14]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[15]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.