基于多尺度时序特征与随机森林回归的电力负荷预测算法

针对电力负荷预测中普遍存在的非线性与非平稳特性,以及现有算法对气象因素耦合效应与多尺度时序依赖刻画不足的问题,提出一种耦合"气象-负荷"作用机理与多尺度时序特征的特征工程框架,并将其应用于随机森林回归模型.首先,通过构造"温度×湿度"与"降雨量×平均温度"两个乘积项,显式描述高温高湿引发的制冷负荷跃升以及不同温度背景下降雨对负荷的反向调节作用.其次,引入1～7日负荷滞后特征以捕捉周度周期性,同时构建1～3日滚动温度均值以反映短期累积热效应.最后,采用固定窗口滚动统计提取季节温度惯性,避免模型对季节交替期负荷突变的响应滞后.所有特征经Min-Max标准化后输入随机森林模型进行训练与预测.在公开数据集上的实验结果表明,所提方法的平均绝对误差(MAE)为28 293.29 kWh,均方根误差(RMSE)为45 921.49 kWh,平均绝对百分比误差(MAPE)为 5.03%,平均绝对比例误差(MASE)为 0.18%.与 XGBoost、DNN-Attention-LSTM、LSTM及ARIMA等经典模型相比,所提方法在四项评价指标上均取得最优结果,验证了特征工程设计的有效性.本研究为电力负荷预测提供了一种兼顾物理机理与数据特性的特征构建思路,对提升预测精度具有实际意义.