基于VMD和BA优化随机森林的短期负荷预测

作者：刘成龙; 高旭; 曹明

来源：中国测试, 2022, 48(04): 159-165.

• 变分模态分解
• 蝙蝠算法
• 随机森林
• 短期负荷预测
• Spark

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。