基于改进深度森林的短期电力负荷预测模型

彭 飞，马 煜，张晓华，吴 奕，邓文琛，陈志奎

(1. 国家电网公司东北分部，沈阳 110180；2.国网辽宁沈阳供电公司，沈阳 110811；3.中国科学院 沈阳计算技术研究所有限公司，沈阳 110168；4.大连理工大学 软件学院，辽宁 大连 116024)

电力负荷预测主要是指结合历史数据和经济社会发展因素等对未来某一个时段的电力运行负荷、用电市场需求、用电发展形势、用电量等因素进行综合的预测及数值推算。负荷预测的研究对象是不确定事件，虽然整体上随着居民和企业的生产活动显现周期性变化，但同时也受到气温、降水、湿度、节假日、市场交易等各种环境因素的制约显现随机性变化。这种不确定性对负荷预测研究和技术提出了精细化、综合化和多元化发展的需求。因此，添加环境因素、引入新的算法、优化模型结构进而提高负荷预测精度是电力系统稳定、安全、经济运行的关键。

近年来，随着算法的优化更新和机器学习方法的应用，电力负荷预测技术也进一步提升。但传统的统计学方法和机器学习中的经典算法多属于浅层学习方法，能够拟合的数据量较小，学习能力较差，导致预测结果的误差较大，难以满足越来越高的预测精度需求。随着深度学习模型的不断发展，采用深度模型进行电力负荷预测的研究也越来越多，在短期电力负荷预测方面取得了许多突破。但深度模型往往需要使用大量的超参数，算法参数设定多为长期尝试结果或长期累积经验，人为干预较大，收敛速度较慢。……