作者：刘成龙1, 高旭2, 曹明2
作者单位：1. 国网河北省电力有限公司，河北 石家庄 050000;
2. 国网河北省电力有限公司信息通信分公司，河北 石家庄 050000
关键词：变分模态分解;蝙蝠算法;随机森林;短期负荷预测;Spark
摘要：
为丰富短期电力负荷预测方法并提高预测准确度，提出一种基于变分模态分解(variational mode decomposition, VMD)和蝙蝠算法(bat algorithm, BA)优化随机森林(random forest, RF)的短期电力负荷预测方法。该方法首先利用VMD对实际负荷数据进行分解处理，得到多组具有不同特征的模态函数分量；然后基于BA算法优化随机森林回归模型中的决策树和分裂特征数，进而分别对每组模态函数分量进行预测；最后对所预测的模态分量函数进行重构获取最终预测结果。与此同时，将VMD-BA-RF与Spark平台的优秀计算能力相结合，节省负荷预测过程所需要的时间。算例结果表明：VMD-BA-RF方法可有效进行短期电力负荷的预测，其预测平均绝对误差为31.99 MW，均方根误差为53.28 MW，平均绝对百分比误差为0.60%，而传统RF方法、VMD-RF方法和BA-RF方法的3种指标均大于VMD-BA-RF方法，因此所提方法具有较高预测准确度。
Short term load forecasting based on VMD and BA optimized random forest
LIU Chenglong1, GAO Xu2, CAO Ming2
1. State Grid Hebei Electric Power Co., Ltd., Shijiazhuang 050000, China;
2. Information and Communication Branch of State Grid Hebei Electric Power Co., Ltd., Shijiazhuang 050000, China
Abstract: To enrich short-term load forecasting methods and improve forecasting accuracy, a short-term load forecasting method based on variational mode decomposition (VMD) and bat algorithm (BA) to optimize random forest (RF) is proposed. Firstly, VMD is used to decompose the actual load data to obtain multiple groups of modal function components with different characteristics; secondly, BA is used to optimize the decision trees and split features in the RF regression model, and then each group of modal function components is predicted respectively; finally, the predicted modal component functions are reconstructed to obtain the final prediction results. At the same time, VMD-BA-RF is combined with the excellent computing performance of the spark platform to reduce the operation time of the load forecasting process. The results show that the VMD-BA-RF method can effectively predict the short-term power load, the average absolute error is 31.99 MW, the root mean square error is 53.28 MW, the average absolute percentage error is 0.60%, while the three indexes of the traditional RF method, VMD-RF method, and BA-RF method are larger than VMD-BA-RF method, so the proposed method has higher prediction accuracy.
Keywords: variational mode decomposition;bat algorithm;random forest;short term load forecasting;Spark
2022, 48(4):159-165 收稿日期: 2021-02-10;收到修改稿日期: 2021-05-01
基金项目: 国网河北省电力有限公司科技项目（SGHEXT00DDJS2000080）
作者简介: 刘成龙(1986-)， 男，天津市人，工程师，研究方向为信息系统运维
参考文献
[1] LEKSHMI M , SUBRAMANYA K N A . Short-term load forecasting of 400kv grid substation using r-tool and study of influence of ambient temperature on the forecasted load[C]// 2019 Second International Conference on Advanced Computational and Communication Paradigms (ICACCP), 2019.
[2] 吉博文, 邹红波, 何平, 等. 改进的容积卡尔曼滤波(CKF)算法在短期负荷预测中的应用[J]. 三峡大学学报(自然科学版), 2015, 37(5): 74-77
[3] ANAMIKA D. On estimation and sensitivity analysis of distribution circuit’s photovoltaic hosting capacity[J]. IEEE Transactions on Power Systems, 2017, 32(4): 2779-2789
[4] 王宝财. 基于温度近因效应的多元线性回归电力负荷预测[J]. 水电能源科学, 2018, 36(10): 201-205
[5] 吴云, 雷建文, 鲍丽山, 等. 基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测[J]. 电力系统自动化, 2018, 42(20): 67-72
[6] 张宇帆, 艾芊, 林琳, 等. 基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 电网技术, 2019, 43(6): 1884-1891
[7] 吴潇雨, 和敬涵, 张沛, 等. 基于灰色投影改进随机森林算法的电力系统短期负荷预测[J]. 电力系统自动化, 2015, 39(12): 50-55
[8] 邢书豪. 基于随机森林算法的电力系统短期负荷预测研究[D]. 青岛: 青岛大学, 2020.
[9] 刘自然, 胡毅伟, 石璞, 等. 基于改进经验小波变换的滚动轴承故障特征提取方法研究[J]. 中国测试, 2019, 45(10): 10-15
[10] 李茂, 杨录, 张艳花. 基于EMD及主成分分析的缺陷超声信号特征提取研究[J]. 中国测试, 2018, 44(2): 118-121+133
[11] 王大为, 王召巴, 李鹏, 等. 基于变分模态分解的超声检测信号降噪研究[J]. 中国测试, 2019, 45(12): 106-111
[12] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544
[13] 乔福宇, 马良玉, 马永光. 基于功率曲线分析与神经网络的风电机组故障预警方法[J]. 中国测试, 2020, 46(8): 44-50
[14] 马骊. 随机森林算法的优化改进研究[D]. 广州: 暨南大学, 2016.
