董彥軍，王曉甜，馬紅明，王立斌，李夢宇，岳凡丁，袁歡*

（1．國網(wǎng)河北省電力有限公司，河北省 石家莊市 050081；2．國網(wǎng)河北省電力有限公司營銷服務(wù)中心，河北省 石家莊市 050081；3．西安交通大學(xué)電氣工程學(xué)院，陜西省 西安市 710049）

0 引言

電力系統(tǒng)以向各用戶提供達(dá)到質(zhì)量標(biāo)準(zhǔn)的電能為主要任務(wù)，以滿足社會各類負(fù)荷的用電需求，其穩(wěn)定運行需要實時動態(tài)平衡發(fā)電量與負(fù)荷變化。然而當(dāng)前電能的大量存儲難以實現(xiàn)，負(fù)荷波動具有明顯的非線性及隨機性[1]，因此需要對電力負(fù)荷進(jìn)行準(zhǔn)確預(yù)測，從而合理分配用電負(fù)荷，保證電網(wǎng)經(jīng)濟穩(wěn)定運行[2]。

非線性和時序性是電力負(fù)荷的兩大特點[3]。對于電力系統(tǒng)負(fù)荷的預(yù)測，國內(nèi)外研究方法主要分為兩類：傳統(tǒng)方法與新型人工智能方法[4]。傳統(tǒng)方法以時間序列法為代表，如傅里葉展開法[5]、多元線性回歸法[6]等。這些方法具有充分考慮電力負(fù)荷數(shù)據(jù)的時序性、計算速度快等優(yōu)點，然而其數(shù)據(jù)回歸能力較弱，且要求數(shù)據(jù)時間序列具有較好的平穩(wěn)性，因此無法對具有非線性關(guān)系的數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測。新型人工智能方法則能夠較好地擬合非線性數(shù)據(jù)，文獻(xiàn)[7-8]使用較為普遍的反向傳播（back propagation, BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測，但BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力相對較差，預(yù)測精度有待提高。文獻(xiàn)[9-10]使用了模糊推理法，但該方法的計算速度過慢且精度較低。文獻(xiàn)[11-12]使用了支持向量回歸（support vector regression,SVR）算法預(yù)測負(fù)荷。文獻(xiàn)[13]通過決策樹進(jìn)行預(yù)測。然而這些算法都沒有考慮電力負(fù)荷的時序性，在預(yù)測中需要人為添加時間特征才能在一定程度上保證預(yù)測的精度。長短期記憶網(wǎng)絡(luò)（long short-term memory,LSTM）兼顧了數(shù)據(jù)的時序性和非線性，訓(xùn)練時間短且預(yù)測精度高，因此被廣泛應(yīng)用于電力負(fù)荷的預(yù)測。

此外，隨著電力大數(shù)據(jù)的發(fā)展及能源互聯(lián)網(wǎng)的建設(shè)不斷深入，海量的電力數(shù)據(jù)為負(fù)荷預(yù)測提供了堅實基礎(chǔ)。電力負(fù)荷受時間、日期及天氣等眾多因素影響，但在負(fù)荷預(yù)測的特征集之中，并非特征因素越多預(yù)測精度就越高，過多的特征量會增加預(yù)測模型的復(fù)雜度，降低預(yù)測精度。目前關(guān)于負(fù)荷預(yù)測的研究大多未對特征因素進(jìn)行篩選，或僅采用主觀選擇的方式確定預(yù)測特征集中的特征因素，而對特征因素的選擇會直接影響預(yù)測結(jié)果。因此，為了避免特征量過多及人為主觀篩選特征量對負(fù)荷預(yù)測精度造成的不利影響，需要通過科學(xué)合理的方法對特征量進(jìn)行篩選。隨機森林（random forest, RF）算法作為一種魯棒性高、學(xué)習(xí)能力強的智能分類算法，具備度量變量重要性的能力，能夠分析復(fù)雜且相互作用的特征，因此被廣泛應(yīng)用于高維度數(shù)據(jù)特征的選擇。為實現(xiàn)電力負(fù)荷的準(zhǔn)確預(yù)測，本文提出一種基于隨機森林算法和長短期記憶網(wǎng)絡(luò)的混合模型負(fù)荷預(yù)測方法，即RF-LSTM混合模型。該模型結(jié)合了隨機森林和LSTM各自的特點，先將天氣因素、日期因素等高維特征集輸入隨機森林模型進(jìn)行重要性評估，篩選出重要特征變量后輸入LSTM預(yù)測模型進(jìn)行負(fù)荷預(yù)測，從而兼顧負(fù)荷數(shù)據(jù)的非線性和時序性，提高負(fù)荷預(yù)測精度[14-16]。結(jié)合河北電網(wǎng)某臺區(qū)的實際數(shù)據(jù)，利用該混合模型進(jìn)行負(fù)荷預(yù)測，結(jié)果表明，本文提出的模型可以有效提高負(fù)荷預(yù)測的精度，降低預(yù)測誤差。

1 電力負(fù)荷預(yù)測特征集

特征集對模型的預(yù)測結(jié)果有著決定性的影響，高精度的負(fù)荷預(yù)測結(jié)果要以合理的特征集作為前提。影響電力負(fù)荷的特征因素非常多，就目前研究分析結(jié)果來看，主要的影響因素除歷史負(fù)荷外還有時間日期因素、氣候因素等[17]。然而模型預(yù)測精度并非絕對與特征因素數(shù)量呈正相關(guān)，模型輸入的特征量維數(shù)過多時易造成模型結(jié)構(gòu)復(fù)雜，甚至降低預(yù)測精度。因此本文提出在對負(fù)荷正式預(yù)測前先對高維特征量進(jìn)行篩選。首先構(gòu)建高維特征集從而為后續(xù)篩選特征量提供充足的備選，具體如下。

1）時間日期因素：節(jié)假日、雙休日及時刻等時間因素對電力負(fù)荷的影響較大，因此構(gòu)建包含月、日、是否為節(jié)假日、是否為工作日、周日期、當(dāng)日的具體小時共6維時間日期特征。

2）氣候因素：不同的溫度、濕度和天氣對于電力負(fù)荷均有一定影響?？紤]氣候因素，構(gòu)建包含風(fēng)力、濕度、當(dāng)日最低溫度、當(dāng)日最高溫度、露點溫度、天氣類型、空氣質(zhì)量、日照時數(shù)共8維氣候特征。

本文構(gòu)建的包括時間日期因素、氣候因素在內(nèi)共14維特征向量如表1所示，為后續(xù)特征向量篩選提供特征集。

表1 預(yù)測特征集Table 1 Feature set of prediction data

2 RF-LSTM混合模型

2.1 隨機森林分類原理

隨機森林算法是對傳統(tǒng)決策樹的繼承和改進(jìn)，能夠分析復(fù)雜且相互作用的特征，在處理存在缺失值的數(shù)據(jù)時學(xué)習(xí)速度較快并具有較高的魯棒性。此外，隨機森林算法中的變量重要性度量作為其重要特點可以用于高維度數(shù)據(jù)特征的選擇，近年來在分類、特征選擇等問題中得到了廣泛的應(yīng)用。本文采用的隨機森林算法本質(zhì)上是包含多個分類回歸樹的組合分類器，利用隨機重采樣（bootstrap）技術(shù)和節(jié)點隨機分裂技術(shù)構(gòu)建了若干決策樹，在隨機重采樣的過程中，部分未被選中的樣本被稱為袋外（out of bag, OOB）數(shù)據(jù)。使用OOB數(shù)據(jù)對隨機森林模型進(jìn)行評估可得到OOB誤差，本研究通過分析OOB誤差從而得到各特征變量的重要性，其原理可理解為：當(dāng)OOB數(shù)據(jù)自變量發(fā)生輕微擾動時，OOB誤差增加幅度越大則該變量越重要。因此，OOB誤差可以用于定量評價特征變量的重要性，進(jìn)而對高維特征數(shù)據(jù)進(jìn)行選擇[18-20]。

隨機森林算法選擇變量的流程（偽代碼）如下。

1）假設(shè)隨機森林算法中共有k棵樹，各特征變量分別為x1，x2，…，xn， fori =1:k

①針對其中的每棵樹都通過隨機重采樣從數(shù)據(jù)集N中有放回地隨機抽取一定規(guī)模的數(shù)據(jù)作為樣本，構(gòu)成樣本訓(xùn)練子集Ni，未被抽取的數(shù)據(jù)則構(gòu)成b個OOB數(shù)據(jù)。

②在Ni中重復(fù)步驟a—c，每次循環(huán)中使決策樹按最大限度生長，不對其剪枝，得到?jīng)Q策樹Ti。

a）假設(shè)共輸入M個特征屬性，隨機抽取其中的m個屬性作為當(dāng)前決策樹分裂的屬性集。

b）從m個特征變量中選擇最佳的變量j和切分點s得到θi（j,s）。

c）將該節(jié)點按照θi（j,s）切分成2個子節(jié)點。

end for

2）生成k棵決策樹構(gòu)成隨機森林時，對每棵決策樹Ti對應(yīng)的b個OOB數(shù)據(jù)進(jìn)行投票，從而獲得OOB數(shù)據(jù)中每個樣本的投票分?jǐn)?shù)為

3）隨機改變OOB數(shù)據(jù)樣本中各特征變量xi的數(shù)值從而生成新的OOB數(shù)據(jù)測試樣本，并通過隨機森林對新OOB數(shù)據(jù)投票，得到

4）求特征變量xi的重要性評分

式中：sj和sij分別表示變量改變前后第i棵樹的OOB誤差率；ci代表各特征向量對于分類過程的貢獻(xiàn)大小，可以衡量各特征的獨立分類能力，因此有助于在分類過程中確定各特征的重要性，為選擇特征提供依據(jù)。隨機森林算法模型流程如圖1所示。

圖1 隨機森林算法流程圖Fig.1 Flow chart of random forest algorithm

2.2 LSTM預(yù)測模型

LSTM作為循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network, RNN）的繼承和發(fā)展，經(jīng)Graves[21]改進(jìn)后，解決了RNN模型在訓(xùn)練過程中經(jīng)常出現(xiàn)的問題——梯度消亡。此外，面對時序性及非線性較強的電力負(fù)荷數(shù)據(jù)時，LSTM能夠很好地掌握時間序列所依賴的信息，因此在負(fù)荷預(yù)測領(lǐng)域得到了很好的應(yīng)用和發(fā)展[22-23]。LSTM基本單元模型如圖2所示。

圖2 LSTM模型圖Fig.2 Diagram of LSTM model

一個LSTM單元由輸入門、遺忘門、輸出門和記憶單元構(gòu)成，其核心記憶單元用于描述該單元當(dāng)前的狀態(tài)[24]。模型中的3個控制門分別與乘法單元連接，實現(xiàn)對該單元的輸入、記憶單元和輸出的控制。記憶單元的遺忘部分由記憶單元St、遺忘門的輸入xt以及中間輸出ht-1共同決定，記憶單元的保留向量則由輸入門中的xt分別經(jīng)過tanh函數(shù)和sigmoid函數(shù)變換后的結(jié)果共同決定，更新過后的St和輸出ot共同決定中間輸出ht，其計算公式如式（5）—式（10）所示[25]。

式中：σ和φ分別表示sigmoid函數(shù)和tanh函數(shù)；it，ot，ft，ht，gt和St分別表示輸入門、輸出門、遺忘門、中間輸出節(jié)點、中間輸入節(jié)點以及狀態(tài)單元；Wix，Wih，Wox，Woh，Wfx，Wfh，Wgx以及Wgh分別表示輸入xt和中間輸出ht-1在與對應(yīng)門相乘時的矩陣權(quán)重；⊙表示兩向量中的元素按位相乘；bi，bo，bf及bg分別表示各對應(yīng)門的修正向量。

根據(jù)對LSTM模型原理的分析，本實驗以負(fù)荷預(yù)測值Ypred為目標(biāo)建模變量，確定負(fù)荷預(yù)測的步驟如下：

1）將隨機森林算法篩選后的重要時間日期因素及氣候因素特征向量與歷史負(fù)荷數(shù)據(jù)結(jié)合作為特征建立預(yù)測特征集XL={x1,x2,…,x7,y}，其中x1~x7為隨機森林算法所篩選的7個重要特征量，y為歷史負(fù)荷數(shù)據(jù)。

2）根據(jù)圖3構(gòu)造LSTM網(wǎng)絡(luò)模型，將特征集XL作為輸入層，中間為隱藏層，最后輸出負(fù)荷預(yù)測值Ypred。

圖3 LSTM網(wǎng)絡(luò)模型Fig.3 LSTM network model

根據(jù)數(shù)據(jù)集的特征確定LSTM網(wǎng)絡(luò)模型的網(wǎng)絡(luò)隱藏層層數(shù)及每層包含的記憶單元數(shù)，并通過粒子群（particle swarm optimization, PSO）算法對訓(xùn)練次數(shù)等參數(shù)進(jìn)行尋優(yōu)。其中模型的激活函數(shù)及訓(xùn)練時的損失函數(shù)分別為式（11）和式（12）。

2.3 RF-LSTM混合預(yù)測模型

本文提出的RF-LSTM網(wǎng)絡(luò)混合預(yù)測模型的流程如圖4所示，其中包括對負(fù)荷及相關(guān)數(shù)據(jù)的采集和預(yù)處理、隨機森林模型及LSTM模型的構(gòu)建以及電力負(fù)荷的預(yù)測。

圖4 RF-LSTM混合模型預(yù)測流程圖Fig.4 Process of prediction of RF-LSTM hybrid model

1）相關(guān)數(shù)據(jù)的采集和預(yù)處理。以河北電網(wǎng)某臺區(qū)電力負(fù)荷數(shù)據(jù)，以及表1所示的可能對負(fù)荷造成影響的環(huán)境因素和時間日期因素等共15個特征因素構(gòu)成數(shù)據(jù)集。對于部分缺失或異常的負(fù)荷數(shù)據(jù)采用線性插值法進(jìn)行填補，并對所有特征數(shù)據(jù)進(jìn)行歸一化處理。

2）重要特征變量選擇。利用隨機森林算法對14個時間日期及天氣因素特征變量進(jìn)行重要性排序，選擇最重要的7個特征作為進(jìn)一步負(fù)荷預(yù)測的特征變量輸入。

3）LSTM網(wǎng)絡(luò)模型構(gòu)建及負(fù)荷預(yù)測。將步驟2）中由隨機森林算法篩選得到的7個重要特征變量及歷史負(fù)荷結(jié)合構(gòu)成8維LSTM網(wǎng)絡(luò)模型的訓(xùn)練集XL={x1,x2,…,x7,y}。構(gòu)建LSTM網(wǎng)絡(luò)模型，將模型參數(shù)初始化并通過粒子群算法優(yōu)化，訓(xùn)練得到負(fù)荷預(yù)測結(jié)果Ypred。

2.4 模型評價指標(biāo)

根據(jù)國家電網(wǎng)負(fù)荷預(yù)測結(jié)果評價指標(biāo)，本實驗設(shè)置平均絕對百分比誤差EMAPE、均方根誤差ERMSE以及預(yù)測精度AF三項評價指標(biāo)，具體表達(dá)式如式（13）—式（15）所示。

式中：n為總預(yù)測次數(shù)；Yact（i）和Ypred（i）分別為負(fù)荷真實值和負(fù)荷預(yù)測值。

3 算例分析

本文使用河北電網(wǎng)某臺區(qū)2020年3月至5月的電力負(fù)荷數(shù)據(jù)對所提出的RF-LSTM混合預(yù)測模型進(jìn)行驗證。根據(jù)如表1所示構(gòu)建的預(yù)測特征，通過隨機森林算法進(jìn)行重要性篩選，與歷史負(fù)荷數(shù)據(jù)結(jié)合作為特征向量，并按照0.9:0.1的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。在相同條件下分別使用LSTM模型、隨機森林模型、BP神經(jīng)網(wǎng)絡(luò)模型以及RF-LSTM混合預(yù)測模型進(jìn)行訓(xùn)練及負(fù)荷預(yù)測。

3.1 模型數(shù)據(jù)歸一化

為消除各特征之間不同量綱的影響并使預(yù)測模型盡快收斂，在確定特征集后需要對原始數(shù)據(jù)進(jìn)行歸一化處理，使各特征數(shù)據(jù)經(jīng)線性變換后都在[0,1]內(nèi)：

式中：x和x*分別為歸一化前后的值；xmax為各特征樣本數(shù)據(jù)的最大值；xmin為各特征樣本數(shù)據(jù)的最小值。

3.2 模型構(gòu)建及參數(shù)確定

電力負(fù)荷易受時間、日期及天氣環(huán)境等因素影響，且具有非平穩(wěn)、非線性等特點，在預(yù)測電力負(fù)荷的過程中并非參與預(yù)測的特征變量越多，預(yù)測越準(zhǔn)確。本文通過隨機森林算法對影響電力負(fù)荷的多個特征變量的重要性進(jìn)行評估并排序，選擇對負(fù)荷影響較大的變量參與后續(xù)預(yù)測。將表1所示14維特征向量經(jīng)數(shù)據(jù)預(yù)處理后，作為重要特征備選，經(jīng)過隨機森林算法重要性評估后的結(jié)果如圖5所示。

圖5 隨機森林特征變量重要性分析結(jié)果Fig.5 Results of the importance of characteristic variables based on random forest

由圖5可知，將對于電力負(fù)荷存在影響的14個特征變量按重要性排序，剔除重要性比例小于0.1的特征變量，選擇當(dāng)日小時、周日期、最低溫度、空氣質(zhì)量、日照時數(shù)、工作日、天氣類型等變量作為后續(xù)負(fù)荷預(yù)測模型的輸入，使得負(fù)荷預(yù)測中參與的特征向量由14維降至7維。

將由隨機森林算法篩選得到的7維重要特征向量與歷史負(fù)荷數(shù)據(jù)結(jié)合，該8維特征向量作為LSTM網(wǎng)絡(luò)模型的輸入，以1維電力負(fù)荷預(yù)測結(jié)果作為LSTM網(wǎng)絡(luò)模型的輸出，構(gòu)建LSTM網(wǎng)絡(luò)模型。如圖3所示，首先確定LSTM網(wǎng)絡(luò)模型的結(jié)構(gòu)，即確定網(wǎng)絡(luò)隱藏層數(shù)和每個隱藏層的記憶單元數(shù)，本文使用窮舉搜索法研究二者對LSTM網(wǎng)絡(luò)模型預(yù)測精度的影響。分別設(shè)置LSTM網(wǎng)絡(luò)模型具有1、2、3個網(wǎng)絡(luò)隱藏層，并設(shè)置每層記憶單元數(shù)在[40,80]范圍內(nèi)遞增，計算不同模型結(jié)構(gòu)下負(fù)荷預(yù)測的平均絕對百分比誤差EMAPE，得到單網(wǎng)絡(luò)隱藏層實驗結(jié)果（表2）和多網(wǎng)絡(luò)隱藏層實驗結(jié)果（圖6）。

圖6 多網(wǎng)絡(luò)隱藏層不同LSTM網(wǎng)絡(luò)結(jié)構(gòu)的EMAPE比較Fig.6 Comparison of EMAPE of different LSTM network structures of multi-hidden layers

表2 單網(wǎng)絡(luò)隱藏層不同記憶單元數(shù)EMAPE 比較Table 2 Comparison of EMAPE for different number of memory unites of single hidden layer

綜合表2、圖6的結(jié)果可知，當(dāng)LSTM具有3個網(wǎng)絡(luò)隱藏層且各層記憶單元數(shù)分別為70、75、65時，LSTM模型的預(yù)測精度可以達(dá)到最高。

除了模型的結(jié)構(gòu)以外，訓(xùn)練次數(shù)的選擇也會影響預(yù)測精度，過多或過少的訓(xùn)練次數(shù)對于LSTM模型的性能都是不利的。訓(xùn)練次數(shù)不足會導(dǎo)致模型無法達(dá)到最佳收斂，訓(xùn)練次數(shù)過多則會導(dǎo)致訓(xùn)練所耗費的時間過長而預(yù)測精度并未得到明顯的提升。此外，影響LSTM網(wǎng)絡(luò)預(yù)測精度的主要參數(shù)還有初始學(xué)習(xí)速率（initial learn rate）、學(xué)習(xí)速率下降時的迭代數(shù)（learn rate drop period）及學(xué)習(xí)速率下降因子（learn rate drop factor），因此還需要確定這3個參數(shù)的最佳選擇。需要確定的參數(shù)較多，不適宜再使用窮舉搜索法，因此采用粒子群算法進(jìn)行參數(shù)尋優(yōu)[26]。設(shè)粒子群算法中最大迭代次數(shù)為100，種群規(guī)模為20，適應(yīng)度函數(shù)為不同參數(shù)下負(fù)荷預(yù)測的平均絕對百分比誤差EMAPE，尋優(yōu)結(jié)果如圖7所示。最終確定LSTM網(wǎng)絡(luò)模型的關(guān)鍵參數(shù)如表3所示。

表3 LSTM網(wǎng)絡(luò)關(guān)鍵參數(shù)Table 3 Key parameters of LSTM network

圖7 基于粒子群算法的LSTM模型參數(shù)尋優(yōu)Fig.7 Parameter optimization of LSTM network based on PSO

3.3 實驗結(jié)果分析

LSTM網(wǎng)絡(luò)和隨機森林模型構(gòu)建完畢后，對本文提出的RF-LSTM模型進(jìn)行訓(xùn)練及負(fù)荷的預(yù)測工作，計算模型的均方根誤差ERMSE、平均絕對百分比誤差EMAPE以及預(yù)測精度AF三項評價指標(biāo)，并將預(yù)測結(jié)果分別與未經(jīng)特征量篩選的單一LSTM模型、隨機森林算法、BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比。其中，單一LSTM模型、隨機森林算法及BP神經(jīng)網(wǎng)絡(luò)模型均使用PSO算法進(jìn)行參數(shù)優(yōu)化，各模型參數(shù)優(yōu)化結(jié)果分別如表4—表6所示，表7為各模型預(yù)測結(jié)果的對比情況，可看出RFLSTM混合模型的預(yù)測結(jié)果明顯更優(yōu)。相比較于傳統(tǒng)高維特征量輸入的LSTM算法，RF-LSTM混合模型預(yù)測結(jié)果的均方根誤差減少了12.89%，預(yù)測精度提高了0.83個百分點，這表明通過隨機森林算法對高維時間日期及天氣等變量進(jìn)行重要性篩選后模型預(yù)測效果更優(yōu)，驗證了RF-LSTM混合預(yù)測模型的可行性。此外，RF-LSTM混合模型預(yù)測結(jié)果與輸入為高維特征量的隨機森林算法以及BP神經(jīng)網(wǎng)絡(luò)相比，RF-LSTM混合模型預(yù)測結(jié)果的均方根誤差分別減少了19.44%和27.27%，預(yù)測精度分別提高了1.10和2.22個百分點，驗證了本文混合預(yù)測模型的有效性。4種模型預(yù)測曲線對比如圖8所示，抽取其中連續(xù)24 h的預(yù)測結(jié)果數(shù)據(jù)匯總表見表8。分析對比結(jié)果可知，本文提出的RFLSTM混合負(fù)荷預(yù)測模型對輸入變量的重要性進(jìn)行選擇，大大減少了模型的輸入變量個數(shù)，預(yù)測誤差小，預(yù)測精度高，能夠?qū)崿F(xiàn)對負(fù)荷預(yù)測輸入?yún)?shù)的優(yōu)化，較好地完成電力負(fù)荷預(yù)測任務(wù)。

表4 單一LSTM模型關(guān)鍵參數(shù)Table 4 Key parameters of single LSTM network

表5 單一隨機森林模型關(guān)鍵參數(shù)Table 5 Key parameters of single random forest

續(xù)表

表6 單一BP神經(jīng)網(wǎng)絡(luò)關(guān)鍵參數(shù)Table 6 Key parameters of single BP neural network

表7 不同模型預(yù)測結(jié)果比較Table 7 Comparison of prediction results of different models

表8 不同模型預(yù)測數(shù)據(jù)匯總Table 8 Summary of forecast data for different models

圖8 不同模型預(yù)測結(jié)果對比圖Fig.8 Comparison of prediction results of different models

4 結(jié)語

為了更加精確地預(yù)測電力負(fù)荷，本文提出一種基于RF-LSTM的混合預(yù)測模型，利用隨機森林算法對高維特征變量進(jìn)行重要性排序和選擇，將篩選出的重要特征量與歷史負(fù)荷數(shù)據(jù)作為LSTM預(yù)測模型的輸入，構(gòu)建RF-LSTM混合預(yù)測模型。通過對比實驗可知RFLSTM混合模型的主要優(yōu)勢如下。

1）使用隨機森林算法對眾多可能影響電力負(fù)荷的時間日期及天氣因素進(jìn)行重要性評估，篩選重要變量，從而減少后續(xù)預(yù)測模型輸入變量個數(shù)，降低預(yù)測模型的復(fù)雜性，有利于提高預(yù)測精度。

2）LSTM模型對于具有明顯非線性、時序性的電力負(fù)荷數(shù)據(jù)學(xué)習(xí)能力較強。面對較多超參數(shù)尋優(yōu)問題時使用粒子群算法進(jìn)行參數(shù)優(yōu)化可以較為快速地獲得優(yōu)化結(jié)果，并使預(yù)測結(jié)果更為準(zhǔn)確，避免人為選參對預(yù)測結(jié)果帶來的不利影響。根據(jù)實驗結(jié)果可知，本文提出的方法可有效提高電力負(fù)荷的預(yù)測精度，RFLSTM混合預(yù)測模型具有充分的可行性和有效性。

本文中所構(gòu)建的特征數(shù)據(jù)集未考慮不同時段電價不同這一影響因素，因此后續(xù)研究中考慮加入電價等特征，構(gòu)建更為豐富的特征集并深入探究各因素間的關(guān)系。同時將對模型作進(jìn)一步改進(jìn)，提高預(yù)測速度和精度。此外，還將考慮將電力負(fù)荷預(yù)測應(yīng)用于電網(wǎng)數(shù)字孿生的建設(shè)中?；谪?fù)荷預(yù)測數(shù)據(jù)和實時工作環(huán)境數(shù)據(jù)，研究數(shù)據(jù)驅(qū)動的智能配電網(wǎng)容量挖掘技術(shù)，構(gòu)建配變及線路重過載多維度評估體系。