基于主成分分析的用电模式稳定性分析
本文关键词: 用电模式稳定性 主成分分析 相似性判定 负荷预测 出处:《电力系统自动化》2017年19期 论文类型:期刊论文
【摘要】:用电模式稳定性分析是实施用户用电量预测的前提,其本质是考察不同历史时间段用电模式的相似性。过长的基础数据时间跨度会降低用电模式稳定性分析的可行性和准确性,而在短期内基于日用电量数据评估的用电特征指标又受随机因素干扰,难以准确反映用电模式。为此,提出一种以过往几周日用电系数和日用电波动率为原始特征指标提取用电模式主成分,进而用两个历史时间段内用电模式主成分因子载荷的欧氏距离衡量用电模式稳定性的方法。针对某小区的算例结果表明,用所提方法判定为用电模式稳定、不稳定的用户组的用电量预测精度存在明显差异,且相似性距离与预测误差存在正相关性。算例分析表明,合适的历史数据时间跨度对提升方法的适用性和准确性至关重要,所提方法采用16周历史数据较为合理。
[Abstract]:Power mode stability analysis is the premise of power consumption prediction, and its essence is to investigate the similarity of power consumption modes in different historical periods. Long time span of basic data will reduce the feasibility and accuracy of power mode stability analysis. However, in the short term, the power consumption characteristic index based on daily electricity consumption data evaluation is disturbed by random factors, so it is difficult to accurately reflect the power consumption mode. This paper presents a method to extract the principal components of the power consumption mode based on the diurnal power consumption coefficient and the daily power fluctuation rate as the original characteristic indexes. Furthermore, the Euclidean distance of the principal component factor load in two historical periods is used to measure the stability of the power consumption mode. The results of an example of a small district show that the proposed method is considered to be stable. The prediction accuracy of power consumption of unstable user groups is obviously different, and the similarity distance is positively correlated with the prediction error. The analysis of example shows that the appropriate time span of historical data is very important to the applicability and accuracy of the method. It is reasonable to use 16 weeks historical data for the proposed method.
【作者单位】: 电力传输与功率变换控制教育部重点实验室(上海交通大学);国网上海市电力公司市北供电公司;
【基金】:国家自然科学基金资助项目(51337005) 国家电网公司科技项目(5209141500QW)~~
【分类号】:TM712;TM715
【相似文献】
相关期刊论文 前7条
1 李涛;郭小晶;周宁宁;;电力上市公司财务状况主成分分析评价[J];财会通讯;2010年33期
2 吕文星;;基于主成分分析和聚类分析方法的电力行业上市公司年报分析[J];河北理工大学学报(社会科学版);2007年S1期
3 王瑞莲;赵万里;;基于改进主成分分析法的水轮发电机组振动故障诊断研究[J];水力发电学报;2014年03期
4 刘家军;姚李孝;苗华;李晓腾;;基于SPSS的电力需求与行业发展之间的规律研究[J];现代电力;2010年06期
5 彭玺;王先培;黄云光;;基于多尺度加权主成分分析的SF_6红外光谱分析[J];光谱学与光谱分析;2012年06期
6 齐敏芳;付忠广;景源;马亚;;基于信息熵与主成分分析的火电机组综合评价方法[J];中国电机工程学报;2013年02期
7 周松林;茆美琴;苏建徽;;基于主成分分析与人工神经网络的风电功率预测[J];电网技术;2011年09期
相关会议论文 前3条
1 杨晓亮;徐建源;林莘;;主成分BP神经网络预测模型在风电场输出功率中的应用[A];2010输变电年会论文集[C];2010年
2 尹昌洁;王海东;;基于主成分分析的锅炉NO_x排放的神经网络建模[A];智能化电站技术发展研讨暨电站自动化2013年会论文集[C];2013年
3 曾远方;张步涵;吴俊利;别佩;李枚;赵爽;;基于主成分分析的风电场等值方法的研究[A];湖北省电工技术学会、武汉电工技术学会2013年度学术年会、第五届“智能电网”暨“电机能效提升”发展论坛论文集[C];2013年
相关硕士学位论文 前4条
1 张宁;水泥生产电耗预测与用电负荷优化调度技术研究[D];天津理工大学;2015年
2 周宝玉;基于改进主成分分析的电网分区方案评价模型的研究[D];华北电力大学;2015年
3 富双进;电站风机故障预警系统的研究[D];华北电力大学;2015年
4 徐彦嵩;中长期风电功率预测方法研究[D];沈阳工程学院;2017年
,本文编号:1550136
本文链接:https://www.wllwen.com/kejilunwen/dianlidianqilunwen/1550136.html