4----- A Two-Stage Random Forest Method for Short-term Load Forecasting
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。