基于变量选择与高斯过程回归的短期负荷预测

摘要：

提高短期电力负荷预测精度是保障电网安全稳定运行的技术措施之一,通过选取影响负荷的最优输入变量集合,建立高斯过程回归(Gaussian process regression, GPR)短期负荷预测模型.负荷预测建模输入变量的选取对预测精度有很大影响,首先采用随机森林(random forest,RF)算法给出输入变量重要性评分(variable importance measure, VIM),并对各输入变量影响程度进行排序,基于序列前向搜索策略确定最优输入变量集合,避免人工经验选取的不足.其次针对共轭梯度(conjugate gradient,CG)法求解高斯过程回归模型超参数时易陷入局部最优解,且存在优化性能依赖于初值选取、迭代次数难以确定的问题,采用改进粒子群优化(particle swarm optimization,PSO)算法搜索模型超参数,形成优化高斯过程回归预测模型.最后,算例测试表明该模型的有效性.

关键词：短期负荷预测、输入变量选择、随机森林(RF)算法、高斯过程回归(GPR)、改进粒子群优化(PSO)算法

所属期刊栏目：38

分类号：TM715(输配电工程、电力网及电力系统)

在线出版日期：2017-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：122-128