Resumen

Hay muchos factores que afectan al rendimiento de las previsiones de carga a corto plazo, como el clima y los días festivos. Sin embargo, la mayoría de los modelos de previsión de carga existentes carecen de consideraciones más detalladas para algunos días especiales. En este trabajo, se investiga la aplicabilidad del modelo de árboles de regresión en bolsa (BRT) combinado con ocho variables para predecir la carga a corto plazo en Qingdao. Los experimentos comparativos muestran que la precisión y la velocidad de la previsión mejoran con el BRT en comparación con la red neuronal artificial (RNA). A continuación, se propone una nueva variable indicadora para captar la información anormal durante los días especiales, que incluyen las fiestas nacionales, los días puente y los días de proximidad. El modelo BRT combinado con esta variable indicadora se prueba con las series de carga medidas en 2018. Los experimentos demuestran que el modelo mejorado genera resultados predictivos más precisos que el modelo BRT combinado con las variables anteriores en días especiales.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:día especial, modelo brt, variable de indicadores, modelo de previsión de la carga, árbol de regresión en bolsa, fiesta nacional reglamentaria, rendimiento de la previsión de la carga, red neuronal artificial, velocidad de previsión, resultados predictivos precisos
• Keywords:special day, brt model, indicators variable, load forecasting model, bagged regression tree, national statutory holiday, load forecasting performance, artificial neural network, speed of forecasting, accurate predictive results