电力企业居民能源消耗预测：基于随机森林与时间序列的方法

《IEEE Latin America Transactions》：Residential Energy Consumption Forecasting in Electric Utilities: An Approach Based on Random Forests and Time Series

　　

摘要：

预测居民用户的月度电力消耗量对于优化能源规划、需求管理以及将可再生能源高效整合到电力系统中具有重要意义。本研究基于历史数据来预测单个居民用户的用电量，这些数据包括2018年11月至2024年12月的月度用电量和平均温度记录。研究比较了五种预测方法：移动平均值法、ARIMA模型、标准随机森林模型、包含滞后变量的随机森林模型，以及通过RandomizedSearchCV进行超参数优化的随机森林模型。通过MAE、MSE和RMSE指标评估这些模型在分析周期最后12个月内的性能，并通过自举法为验证阶段以及2025年1月的预测结果计算95%置信区间。研究结果表明，包含滞后变量且经过超参数优化的随机森林模型在准确性方面优于移动平均值法和ARIMA模型。此外，置信区间的使用有助于更准确地评估预测的可靠性。综上所述，结合机器学习技术、选择合适的历史变量以及不确定性量化方法，能够有效预测居民电力消耗行为。这一方法对于那些希望做出基于数据、可靠且可重复决策的电力公司和服务政策制定者而言具有很大价值。