短期森林兩階段隨機森林法負荷預測

亮點：兩階段預測方法，首先是改進的灰色關聯方法選擇相似日，然後RF預測

典型的機器人工神經網路（ANN）學習方法

支援向量迴歸（SVR）存在著難以克服的缺陷。

克服，例如容易陷入區域性優化（用於

難定核引數和懲罰引數（對於SVR）

灰色關聯分析是一種灰色關聯分析方法。選擇合適歷史資料作為訓練集的有效方法訓練機器學習模型

In this paper, a new two-stage hybrid algorithm aimed to solve these two problems is proposed.

本文提出了一種新型的兩級混合動力裝置。提出瞭解決這兩個問題的演算法。

灰色關聯度引入投影（GRP）來選擇相似的歷史資料。訓練隨機森林模型

兩種最重要的智慧預測方法是

基於人工神經網路和支援向量機

機器（SVM）？〔4〕。但這兩種方法也具有專業性。

弱點。例如，人工神經網路方法容易被捕獲。

在區域性優化和難以確定的數量上

隱藏單元？〔5〕。SVM方法避免區域性陷入

優化，但核心引數和懲罰引數

SVR模型難以確定

灰色相關分析（GCA）已被證明是一種有效的方法。選擇相似日作為訓練集的方法〔8〕

this paper proposes a two-stage hybrid method that combines similar day selection and
machine learning forecasting algorithm to forecast tomorrow’s load profile.

本文提出了兩個問題。結合相似日選擇的階段混合方法 預測明天的機器學習預測演算法負荷剖面圖。

另一方面，應用投影法〔10〕進行改進。傳統灰色關聯分析在選擇相似相似性中的應用天作為RF模型的訓練集。

關聯度的分析沒看，全尼瑪數學

下面是隨機森林

由兩個核心組成技術：分類迴歸樹（CART）和裝袋

RF的優點：

除了低偏差和低方差之外，RF還具有幾個

其他理想的特徵，如下所述：

1）RF僅需要非常容易調諧的3個引數。

2）在大數定律的保證下，RF演算法

具有較高的分類精度且不具有過擬合

問題。3）RF可以在其中生成可變重要度指標

增長的過程，他們是很好的估計

可變相關性。4）構造為樹，RF本質上是

通過擴充套件更多的分支，很容易擴充套件自己以適應更多的資料。

這導致了RF線上學習演算法，並已作出。

RF是一種很好的自適應機器學習模型。

GCP方法選擇的訓練資料集包含5指標：平均溫度，平均溼度，降水量、風速、日型。

模擬過程分為兩個步驟。首先，歷史樣本通過GCP模型過濾形成訓練集合。其次，基於該模型構造了射頻模型。

前訓練集。第三，預測日的特徵向量。傳遞給輸出預測值的RF模型。

這種方法的主要貢獻在於

兩個方面。首先，將投影方法應用於

提高傳統灰色關聯度的效能

分析方法。其次，採用隨機森林模型。

生長和預測的優選程式。