融合历史数据和实时影响因素的精细化短期负荷预测

发布时间：2020-08-15 23:31

【摘要】：为提高负荷预测的精度和速毒,本文依托国家里点专坝甲的课题3“基于数据挖掘的精细化负荷预测方法研究”,提出了一种融合历史数据和实时影响因素的支持向量机(Support Vector Machine,SVM)精细化短期负荷预测方法,主要研究内容如下:(1)数据的采集及预处理。本文所采用的负荷数据和天气数据均来源于浙江省某地级市电网公司,数据质量对预测精度有显著影响。因此,本章重点介绍了数据预处理的四个环节,对该地区2012年的样本数据进行预处理,主要包括不良负荷数据的识别和修正、天气数据的插值处理、星期类型及节假日的量化以及样本数据的归一化,为下文分析负荷特性和建立预测模型奠定基础。(2)基于数据挖掘技术的负荷特性分析及聚类。在上述数据预处理的基础上,从负荷预测的三项基础性工作展开定性分析和定量计算。首先,采用数据挖掘技术从典型日、星期及节假日三个不同时间维度定性分析负荷的规律特性。其次,采用皮尔森相关系数从2012年全年和夏季两个角度定量计算负荷与各天气影响因素之间的相关系数,选择主要天气影响因素作为SVM建模的输入。最后,采用基于加权平均距离的层次聚类对该地区2012年366天的历史负荷进行聚类分析,针对不同的聚类结果分别建立预测模型。(3)提出了一种融合历史数据和实时影响因素的SVM精细化短期负荷预测方法。基于SVM的统计学理论和回归预测理论,以该地区2012年的负荷、天气、星期类型及节假日作为样本数据,针对六类聚类结果分别建立预测模型,选择适用于不同预测模型SVM核函数的种类,并采用交叉验证法对不同预测模型SVM的核心参数c和g进行全局搜索寻优。采用上述建立的不同预测模型对同地区2013年的日96点负荷进行预测,给出实际系统的算例验证,并与三种传统预测方法的预测结果进行对比,验证了本文所提方法的正确性。(4)提出了一种在极端台风天气下负荷对主要天气影响因素进行敏感度分析的方法,是上述建模预测部分的一个特例。由于浙江省地处东南沿海地带,易受到极端台风天气的影响,本文提出采用灰色关联系数变化率和分段回归相结合的分析方法,以该地区2012年三次主要台风为例进行实例分析,基于灰色关联系数变化率选择影响负荷的主要天气因素,精确地建立负荷与主要天气影响因素之间的多元分段回归关系,在不同的分段区间内进行负荷对主要天气影响因素的敏感度分析,并对台风期间的负荷进行预测,验证了本文所提方法的有效性。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM715
【图文】：

电力负荷,负荷分量,电能

逡逑从图１－１可以明显看出，这四大类负荷都与外部因素的变化紧密相关，同时温逡逑度、湿度等天气因素对电力负荷的影响也不容忽略＾１８］。不同种类负荷的特点和逡逑规律在一定程度上决定了电力负荷由常规型负荷分量、敏感型负荷分量、特殊型逡逑负荷分量以及随机型负荷分量四部分组成［１９－２Ｑ］。总体上，电力系统负荷的变化规逡逑律主要呈现以下四大特点，如图１－２所示。逡逑电「—逦￥力＆胃白勺￣逡逑力逦逡逑？—邋负的邋Ｈ￣负荷与外部因素的改变密切相关￣逡逑变—逦’、逦」逡逑ｗ邋—负：３２？的未来负荷是过去和现在负荷的继续逡逑特逦—－—逡逑Ｌ负篇＾的ｑ逦日周期、周周期、月周期等逡逑图１－２电力负荷变化的四大特点逡逑Ｆｉｇ．邋１－２邋Ｆｏｕｒ邋ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ邋ｏｆ邋ｐｏｗｅｒ邋ｌｏａｄ邋ｃｈａｎｇｅｓ逡逑１．２．２负荷预测的任务逡逑众所周知，电能不能大量储存，因而电能的各个环节基本上是在同一时刻完逡逑成的，即在任意时刻电力系统中各发电厂所生产的电能绝大部分用于满足用户侧逡逑的负荷需求，极少部分在电能传输过程中损失。因此，为了制定合理的发电计划，逡逑避免多发或者少发，需事先对发电量进行合理的评估和预测。逡逑负荷预测是以历史负荷数据为基础，并考虑影响负荷变化的因素，根据系统逡逑的社会条件、经济运行条件、自然条件以及负荷自身规律等条件

递归图,动态负荷模型,负荷预测,分层分区

预测方法,时间序列法,负荷预测,专家系统法

保预测结果具有一定的应用价值。逡逑１．２．４负荷预测的方法逡逑负荷预测方法的发展大约经历了五个阶段，如图１－４所示。在图１－４中，经典逡逑预测方法包括时间序列法［２８＿３（）］和回归分析法等，时间序列法是电力系统中应用最逡逑为广泛的一种预测方法。传统预测方法包括弹性系数法、趋势外推法［３１＿３火负荷逡逑密度法、灰色系统法［３３＿３４１、指数平滑法和卡尔曼滤波法［３５＿３６］等。智能预测方法包逡逑括专家系统法、人工神经网络［３７４１】、模糊神经网络、模糊回归以及模糊遗传方法逡逑等。组合预测方法是由两种或两种以上的预测方法进行组合而得到的，可发挥不逡逑同预测方法的优势。如今，在电力大数据的浪潮下，采用数据挖掘技术并与机器逡逑学习方法相结合是负荷预测的发展趋势。文献［４２］针对负荷受多种因素影响，且这逡逑些影响因素差别很大的特点，提出了一种基于模糊支持向量机和线性外推的混合逡逑负荷预测方法。文献［４３］首先根据负荷中相应的电力负荷比例将总负荷分为高能耗逡逑负荷、一般能耗负荷、低能耗负荷和其他负荷，然后应用模糊时间序列方法选择逡逑各类负荷的相似日，最后采用网格法和神经网络法综合考虑各种随机因素，对各逡逑类负荷进行预测。文献［４４］提出了一种基于灰色理论的ＧＭ（１

【参考文献】