Page 18 - 电力与能源2021年第三期

第 42 卷第 3 期
电力与能源
2 8 0 2021 年 6 月

DOI : 10.11973 / dl y n y 202103004

基于小波分解技术和随机森林算法的负荷概率预测

黄星知 , 刘 星 , 张文娟 , 张永飞 2
1
1
1
( 1. 国网湖南省电力有限公司信息通信分公司, 湖南 长沙 410007 ; 2. 北京国电通网络技术有限公司, 北京 100070 )
摘 要: 当前负荷概率预测受到越来越多研究人员的关注, 其中多阶段预测系统已经证明了其在提高负荷概
率预测整体性能方面的有效性。在使用分位数回归森林和随机森林建立概率预测之前, 采用4 种基于小波分
解的方法预处理负荷时间序列, 通过不同的模型对变换得到的负荷分量进行预测, 以提高预测精度并减少计
算工作量。以 2014 年全球能源预测竞赛期间公布的实际数据为例进行了数值仿真分析, 并与多个基准进行
了比较, 证明了所提方法的有效性。
关键词: 负荷预测; 分位数回归森林; 小波变换; 多阶段预测
中图分类号: TK01 ; TP18 文献标志码: A 文章编号: 2095-1256 ( 2021 ) 03-0280-07

ProbabilisticLoadForecastin gBasedonWaveletDecom p ositionTechnolo gy
andRandomForestAl g orithm

1 1 , 1 2
HUANGXin g zhi , LIU Xin g ZHANG Wen j uan , ZHANG Yon g fei
( 1.Information & CommunicationCom p an y , StateGridHunanElectricPowerCom p an y ,
Chan g sha410007 , HunanProvince , China ;
2.Bei j in gGuodianton gNetworkTechnolo gyCo. , Ltd. , Bei j in g100070 , China )

Abstract : Currentl y , moreandmoreresearchersp a yattentiontop robabilisticloadp redictionforecastin g , and
themultista g ep redictions y stem hasp rovenitseffectivenessinim p rovin gtheoverallp erformanceofload
p redictionforecastin g .Inthisp a p er , beforetheuseoftheq uantilere g ressionforestandrandomforestto
establishp robabilisticforcastin g , fourwavelet-baseddecom p osition methodsareusedtop re p rocesstheload
timeseries , andtheloadcom p onentsobtainedb y thesetransformationsare p redictedthrou g hdifferentmodels
toim p roveaccurac yandreducecalculationworkload.Finall y , anumericala pp licationwasp ro p osedbasedon
actualdatareleaseddurin g the2014GlobalEner gyForecastin gContest , anditseffectivenesswasdemonstrated
b y com p arin gwithmulti p lebenchmarks.
Ke ywords : p robabilisticloadforecastin g , q uantilere g ressionforest , wavelettransform , multista g ep rediction

现代电力系统中, 准确的负荷预测可以在满 预测性能。
足技术约束的同时达到卓越的电网运营效果, 并 与确定性负荷预测相比, 这些文献研究突出
提高电力公司和终端用户的财务收益。相关文献 了 PLF 特有方法的稀缺性, 对比了促进 PLF 发
研究了在确定性和概率框架下不可调度负荷的内 展的最新趋势。在确定性负荷预测中, 通常采用
在随机性, 其中后者更受关注, 因为其可以满足在 小波分解( Wavelet-BasedDecom p ositions , 简称
不确定性条件下进行风险评估和决策的需要 [ 1-6 ] 。 WBDs ) 对输入负荷时间序列进行预处理, 以通过
频谱内容分离各分量, 最常见的是与人工神经网
文献 [ 1-6 ] 在 进 行 概 率 负 荷 预 测 ( Probabilistic
LoadForecastin g 简称 PLF ) 时讨论了一些非参 络( ArtificialNeuralNetworks , 简称 ANNs ) 进行
,
数方法的特点, 包括基于分位数的回归法 [ 2 ] 、 集成 交互使用。
组合法 [ 3 ] 、 分位数回归森林法 ( QuantileRe g res- 当前, WBDs在 PLF 中的应用仍在评估中。
[ 4 ]
sionForests , 简称 QRFs ) 和梯度增强回归树法 文献[ 7 ] 对 WBDs在概率可再生能源预测中的一
( Gradient Boostin g Re g ression Tree , 简 称 些应用进行了研究, 但只有少数文献对 PLF 中的
[ 5 ]
GBRT ) 等, 其中负荷预测追踪 [ 6 ] 进一步提高了 WBDs进行了研究, 而且都是利用 ANNs进行预