西安交通大学袁欢等：基于随机森林与长短期记忆网络的电力负荷预测方法
发布时间:2022-04-02
基于随机森林与长短期记忆网络的电力负荷预测方法
董彦军1，王晓甜2，马红明2，王立斌1，李梦宇2，岳凡丁3，袁欢3*
（1．国网河北省电力有限公司；2．国网河北省电力有限公司营销服务中心；3．西安交通大学电气工程学院）
原文发表在《全球能源互联网》2022年第2期“面向碳达峰、碳中和的综合能源系统”专题上，欢迎点击品读。本文受国网河北省电力有限公司科技项目（SGHEDK00DYJS1900303）和国家自然科学基金项目（51877170）资助。
文章导读
电力负荷具有非线性和时序性的特点，为了深入研究各特征变量对于电力负荷预测的重要性，进而获得更高的电力负荷预测精度，本文提出了基于随机森林（random forest，RF）算法及长短期记忆网络（long short-term memory，LSTM）的混合负荷预测模型。通过随机森林模型对众多特征量进行重要性排序和筛选后使用LSTM网络模型兼顾负荷时序性及非线性两大特点进行负荷预测。使用该方法对某台区的电力负荷进行预测，结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。
文章亮点
1
使用随机森林算法对众多可能影响电力负荷的时间日期及天气因素进行重要性评估并筛选重要变量，从而减少后续预测模型输入变量个数，减小预测模型的复杂性，有利于提高预测精度。
2
LSTM模型对于具有明显非线性、时序性的电力负荷数据学习能力较强。面对较多超参数寻优问题时使用粒子群算法进行参数优化可较为快速地获得优化结果，使预测结果更为准确，避免人为选参对预测结果带来的不利影响。
主要内容
高精度的负荷预测结果要以合理的特征集作为前提。影响电力负荷的特征因素除历史负荷外还有时间日期因素、气候因素等，因此本文构建如表1所示包含14维特征向量的负荷预测特征集。
⬇ 表1 预测特征集
在负荷预测的特征集之中，并非特征因素越多预测精度就越高，过多的特征量会增加预测模型的复杂度，降低预测精度。为了避免特征量过多及人为主观筛选特征量对负荷预测精度造成的不利影响，本文通过随机森林算法对特征量进行重要性排序和科学合理地筛选，结果如图1所示。
⬆ 图1 随机森林特征变量重要性分析结果
选择当日小时、周日期、最低温度、空气质量、日照时数、工作日、天气类型等变量作为后续负荷预测模型的输入，使参与预测的特征向量由14维降至7维。
将由随机森林筛选得到的7维重要特征向量与历史负荷数据结合作为LSTM网络模型的输入，以预测结果作为LSTM网络模型的输出，构建LSTM网络模型，整体RF-LSTM混合模型流程图如图2所示。
⬆ 图2 RF-LSTM混合模型预测流程图
LSTM网络模型的结构的隐藏层层数及每个隐藏层的记忆单元数直接影响预测精度，因此使用穷举搜索法研究LSTM模型中隐藏层层数及每个隐藏层的记忆单元数对预测精度的影响。
⬆ 图3 多网络隐藏层不同LSTM网络结构的EMAPE比较
除了模型的结构以外，训练次数、初始学习速率、学习速率下降时的迭代数及学习速率下降因子，因此采用粒子群算法进行参数寻优。
⬆ 图4 基于粒子群算法的LSTM模型参数寻优
使用本文提出的RF-LSTM混合预测模型进行负荷预测并将预测结果分别与未经特征量筛选的单一LSTM模型、随机森林算法、BP神经网络模型进行对比结果如表 2所示。相较于传统高维特征量输入的LSTM算法，RF-LSTM混合模型预测结果的预测精度提高了0.83个百分点，表明通过随机森林算法对高维变量进行重要性筛选后模型预测效果更优，验证了RF-LSTM混合预测模型的可行性。此外，与输入为高维特征量的随机森林算法以及BP神经网络相比，RF-LSTM混合模型预测结果的均方根误差分别减少了19.44%和27.27%，验证了本文混合预测模型的有效性。
⬇ 表2 不同模型预测结果比较
⬆ 图5 不同模型预测结果对比图
本文引文信息
董彦军，王晓甜，马红明，等. 基于随机森林与长短期记忆网络的电力负荷预测方法[J]. 全球能源互联网，2022，5(2)：147-156.
DONG Yanjun, WANG Xiaotian, MA Hongming, et al. Power load forecasting method based on random forest and long short-term memory[J]. Journal of Global Energy Interconnection, 2022, 5(2): 147-156(in Chinese).
作者简介
董彦军
高级工程师
研究方向为电网监控运行
E-mail：
291026624@qq.com
岳凡丁
硕士研究生
研究方向为电力系统运行规划与可靠性分析
E-mail：
yuefanding@stu.xjtu.edu.cn
袁欢
助理教授
研究方向为电力设备寿命评估与预测，电力系统可靠性分析。通信作者
E-mail：
huanyuan@xjtu.edu.cn
编辑：李锡
审核：周舟
《全球能源互联网》中文期刊贯彻落实习近平总书记关于探讨构建全球能源互联网重要指示精神而创办，是国家电网有限公司重点培育的科技期刊，致力于通过发表能源电力、先进信息、气变环境、经济社会等领域最新研究成果，推进构建以新能源为主体的新型电力系统，加速全球能源绿色低碳转型，助力实现“碳达峰、碳中和”目标。
期刊面向全球公开发行，是中国科技核心期刊，并被中国科学引文数据库（CSCD）、DOAJ 数据库等收录。期刊审稿速度快，平均周期2个月，不收取版面费并设有优厚稿酬。优秀论文作者有机会受邀出席联合国、全球能源互联网发展合作组织、IEEE、中国电机工程学会等国际组织和学术团体举办的学术活动。
诚邀各位专家赐稿交流。
郑重声明
根据国家版权局相关规定，纸媒、网站、微博、微信公众号转载、摘编本网站作品，需包含本网站名称、二维码等关键信息，并在文首注明《全球能源互联网》原创。 个人请按本网站原文转发、分享。
