文献类型：期刊文章

作　　者：陈吕鹏[1,2] 殷林飞[3] 余涛[1,2] 王克英[1,2]

CHEN Lupeng;YIN Linfei;YU Tao;WANG Keying(College of Electric Power Engineering,South China University of Technology,Guangzhou 510640,China;Guangdong Key Laboratory of Clean Energy Technology,Guangzhou 510640,China;College of Electrical Engineering,Guangxi University,Nanning 530004,China)

机构地区：[1]华南理工大学电力学院,广州市510640 [2]广东省绿色能源技术重点实验室,广州市510640 [3]广西大学电气工程学院,南宁市530004

出　　处：《电力建设》

基　　金：国家自然科学基金项目(51777078;51477055)~~

年　　份：2018

卷　　号：39

期　　号：11

起止页码：42-50

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提高电力系统短期负荷预测的精确度,解决目前基于机器学习算法的负荷预测需要人为凭经验对超参数进行大量设置和调整的问题,该文将深度森林算法引入了电力系统短期负荷预测领域。深度森林算法包含多粒度扫描阶段和级联森林阶段,具有表征学习的能力。与深度神经网络相比,深度森林算法能够进行高效并行训练,无须大量人为设置和调整超参数。该文选取了某地区实际电力负荷值以及气象因素数据,分别利用了前21天和前40天的数据对深度森林算法进行训练,并将其负荷预测结果与智能算法和传统分类算法的负荷预测结果进行了对比分析。试验结果表明深度森林算法具有高效的电力系统短期负荷预测的能力。

关 键 词：深度森林  短期负荷预测 多粒度扫描  级联森林  超参数配置  

分 类 号：TM76]