基于气象因子及机器学习回归算法的夏季空调负荷预测
气温、气压、相对湿度等气象因子对夏季用电负荷的影响非常显著.为了定量研究气象因子导致用电负荷的变化,本文将夏季用电负荷与当年4月及9月用电平均值之差定义为夏季空调负荷,并利用2014年1月到2016年12月南京市逐时气温、气压、相对湿度、水汽压、降雨量、风速、露点温度等气象资料,以及逐日逐时用电负荷数据资料,采用多元线性、K近邻法,决策树,bagging回归、随机森林等5种机器学习回归算法进行建模,并对其分别进行参数调优工作,进而得到空调负荷预测结果.结果 表明:多元线性回归方法是5种回归算法里效果最差的一种,但通过增加特征量的种类和样本数,可以提高预测精度;随机森林回归算法是5种回归算法里效果最好的一种,较多元线性回归算法减小误差达44%,并且较好描述了空调负荷高值区的极端情况并减少了对于训练数据的过拟合现象.
机器学习、回归、随机森林、空调负荷、预测
39
TP391.41(计算技术、计算机技术)
国家自然科学基金青年基金资助项目41805036;中国气象局2017年决策气象服务专项;江苏省气象局科研面上项目KM201708
2019-09-27(万方平台首次上网日期,不代表论文的发表时间)
共8页
548-555