基于机器学习的短期电力负荷预测方法研究

发布时间：2021-07-13 10:09

　　针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。 

【文章来源】：电测与仪表. 2019,56(23)北大核心

【文章页数】：6 页

【部分图文】：

RBF神经网络的结构原理图

预测框架如图4所示。如图4所示，经过数据准备阶段后，得到负荷预测所需的天气、工作日及负荷数据，数据通过预算理进行数据清洗、归一化，数据清洗主要是将所需的数据中异常值进行修正、缺失值进行填补，归一化是对输入的数据统一为[0,1]范围的数据，归一化公式如式(9)所示。

由图5可知，在1月4日用电波谷处及1月8日第二个用电波峰处预测误差相对较大，通过对当地用电负荷影响因素的分析，发现该地区1月4日冬季气温较前两日突然上升，导致发热用电设备减少，用电负荷波谷较前两日明显降低，预测误差增大。1月8日中午11:45至下午16:30，该地区突降暴雨，地区温度急剧下降，发热用电设备增加，导致第二波峰用电负荷突然增加，预测误差增大。总体而言，该区域在应用本文提出基于岭回归分析的RBF神经网络短期电力负荷预测方法(机器学习模型)后，能准确的预测出峰、平、谷负荷值，较传统的BP神经网络预测方法明显的提高了预测精度，表现出了较优的预测性能。对应的每天预测误差情况如表1所示。

【参考文献】：
期刊论文
[1]改进的并行模糊核聚类算法在电力负荷预测的应用[J]. 谢伟,赵琦,郭乃网,苏运,田英杰.  电测与仪表. 2019(11)
[2]基于改进卡尔曼滤波算法的短期负荷预测[J]. 刘鑫,滕欢,宫毓斌,滕德云.  电测与仪表. 2019(03)
[3]基于改进CS算法优化Elman-IOC神经网络的短期负荷预测[J]. 杨芳君,王耀力,王力波,常青.  电测与仪表. 2019(09)
[4]基于广义需求侧资源聚合的电力系统短期负荷预测模型[J]. 陈丽娜,张智晟,于道林.  电力系统保护与控制. 2018(15)
[5]图正则非线性岭回归模型的异常用电行为识别[J]. 张小斐,耿俊成,孙玉宝.  计算机工程. 2018(06)
[6]基于深度学习的电网短期负荷预测方法研究[J]. 吴润泽,包正睿,宋雪莹,邓伟.  现代电力. 2018(02)
[7]考虑需求响应综合影响因素的RBF-NN短期负荷预测模型[J]. 张智晟,于道林.  中国电机工程学报. 2018(06)
[8]基于灰色关联分析法及GSA-LSSVM的汽轮机排汽焓预测模型[J]. 王惠杰,范志愿,许小刚,李鑫鑫.  电力建设. 2016(11)
[9]实现影响因素多源异构融合的短期负荷预测支持向量机算法[J]. 吴倩红,高军,侯广松,韩蓓,汪可友,李国杰.  电力系统自动化. 2016(15)
[10]应用近邻传播算法改进RBF的短期负荷预测[J]. 回立川,于淼,梁芷睿.  电力系统及其自动化学报. 2015(01)

博士论文
[1]基于全局与局部信息的人脸识别研究[D]. 易玉根.东北师范大学 2015

硕士论文
[1]全球定位系统基线解算病态问题的研究[D]. 孙爽.东北大学 2014



本文编号：3281867