基于隨機森林回歸算法的短期負荷預(yù)測研究.pdf_第1頁
已閱讀1頁,還剩72頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、負荷預(yù)測是電力系統(tǒng)安全運行的基礎(chǔ)和前提,也是電力部門安排調(diào)度計劃、供電計劃的重要依據(jù)。基于電力部門的市場化運行和日新月異的電力負荷需要,使得對短期負荷的預(yù)測性能提出了更高的要求。近年來在預(yù)測方向有優(yōu)越表現(xiàn)的支持向量機(Support Vector Machine,SVM)與隨機森林回歸(Random Forest Regression,RFR)是兩種開源算法,針對這兩種算法,不同學(xué)者對它們預(yù)測優(yōu)越性的比較存在很大爭議,所以針對該爭議本文

2、對這兩種算法的特點和預(yù)測性能進行了全面的分析,并提出自己的觀點。
  本文首先介紹了有關(guān)短期負荷預(yù)測研究意義和目的,在對研究現(xiàn)狀的闡述中,簡單介紹了目前常用的一些短期負荷預(yù)測算法的原理和優(yōu)缺點。其次在介紹負荷影響因素與特點中結(jié)合紐約市電力負荷信息進行了實例分析,得出電力負荷的周期性規(guī)律并將之應(yīng)用在實際的預(yù)測中。然后對隨機森林起源和算法原理進行了詳細闡述,在特征變量重要性分析和相關(guān)性的分析中對實例分析做了前期準備工作。最后在實例分析

3、中利用紐約市電力負荷和天氣信息等數(shù)據(jù),將RFR在短期負荷預(yù)測領(lǐng)域進行實例應(yīng)用,并在預(yù)測性能的分析中與SVM算法進行全方位的綜合比較,同時也提出自己的結(jié)論: RFR在短期負荷預(yù)測中預(yù)測精準度較高,泛化性能較好;在與 SVM的預(yù)測性能比較中不能簡單的一概而論,要結(jié)合訓(xùn)練樣本量、特征變量還有待預(yù)測日所處時間點的不同進行具體分析。
  通過本文的研究,詳細的了解了基于隨機森林回歸算法的短期負荷預(yù)測,并且在之后對于RFR與SVM預(yù)測算法的比

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論