短期森林两阶段随机森林法负荷预测
亮点：两阶段预测方法，首先是改进的灰色关联方法选择相似日，然后RF预测
典型的机器人工神经网络（ANN）学习方法
支持向量回归（SVR）存在着难以克服的缺陷。
克服，例如容易陷入局部优化（用于
难定核参数和惩罚参数（对于SVR）
灰色关联分析是一种灰色关联分析方法。选择合适历史数据作为训练集的有效方法训练机器学习模型
In this paper, a new two-stage hybrid algorithm aimed to solve these two problems is proposed.
本文提出了一种新型的两级混合动力装置。提出了解决这两个问题的算法。
灰色关联度引入投影（GRP）来选择相似的历史数据。训练随机森林模型
两种最重要的智能预测方法是
基于人工神经网络和支持向量机
机器（SVM）？〔4〕。但这两种方法也具有专业性。
弱点。例如，人工神经网络方法容易被捕获。
在局部优化和难以确定的数量上
隐藏单元？〔5〕。SVM方法避免局部陷入
优化，但内核参数和惩罚参数
SVR模型难以确定
灰色相关分析（GCA）已被证明是一种有效的方法。选择相似日作为训练集的方法〔8〕
this paper proposes a two-stage hybrid method that combines similar day selection and
machine learning forecasting algorithm to forecast tomorrow’s load profile.
本文提出了两个问题。结合相似日选择的阶段混合方法 预测明天的机器学习预测算法负荷剖面图。
另一方面，应用投影法〔10〕进行改进。传统灰色关联分析在选择相似相似性中的应用天作为RF模型的训练集。
关联度的分析没看，全尼玛数学
下面是随机森林
由两个核心组成技术：分类回归树（CART）和装袋
RF的优点：
除了低偏差和低方差之外，RF还具有几个
其他理想的特征，如下所述：
1）RF仅需要非常容易调谐的3个参数。
2）在大数定律的保证下，RF算法
具有较高的分类精度且不具有过拟合
问题。3）RF可以在其中生成可变重要度指标
增长的过程，他们是很好的估计
可变相关性。4）构造为树，RF本质上是
通过扩展更多的分支，很容易扩展自己以适应更多的数据。
这导致了RF在线学习算法，并已作出。
RF是一种很好的自适应机器学习模型。
GCP方法选择的训练数据集包含5指标：平均温度，平均湿度，降水量、风速、日型。
仿真过程分为两个步骤。首先，历史样本通过GCP模型过滤形成训练集合。其次，基于该模型构造了射频模型。
前训练集。第三，预测日的特征向量。传递给输出预测值的RF模型。
这种方法的主要贡献在于
两个方面。首先，将投影方法应用于
提高传统灰色关联度的性能
分析方法。其次，采用随机森林模型。
生长和预测的优选程序。