基于改进果蝇优化算法的随机森林回归模型及其在风速预测中的应用

朱昶胜, 李岁寒

(兰州理工大学 计算机与通信学院, 甘肃 兰州 730050)

风速的波动性和随机性导致风电机组输出功率的不确定性,这使得风电并网对电力系统的稳定运行产生严重影响[1].对风速作出比较准确的预测可以及时进行电网调度,从而提高风力发电的质量[2].因此如何实现风速的准确预测一直是研究的热点.目前风速预测的方法主要有支持向量机(support vector machine,SVM)[3]、最小二乘支持向量机(least square support vector machine,LSSVM)[4]和人工神经网络[5]等,但这些预测模型都存在着自身局限性.SVM、LSSVM能解决非线性、小样本等实际问题,但泛化能力不强,且其关键参数不易确定[6].人工神经网络模型具有较好的自学能力,但存在收敛速度慢、易陷入局部最优的问题,同时其网络结构难以确定[7].随机森林回归(random forest regression,RFR)[8]是随机森林(random forest,RF)的主要应用类型,目前已广泛用于解决回归问题.与人工神经网络相比,RFR具有较高的稳定性,且不易过拟合.与SVM相比,RFR具有更高的拟合精度,对数据中噪声和离群点的耐受性更好.模型参数的选择往往对预测结果有着重要影响,通常RFR中参数选择采用经验值,但取值结果不理想,因此对参数的优化是提高预测精度的有效方法.

李国等[9]采用提升回归树和RF的集成算法对风电功率进行预测,实现了更为准确的风电功率预测,但模型参数选择采用经验值,难以得到全局最优解.方馨蕊等[10]将RFR模型应用于悬浮泥沙浓度预测,结果表明RFR模型预测值与实际值相关性好、预测精度高,不过在模型……