【摘要】：為提高負荷預測的精度和速毒,本文依托國家里點專壩甲的課題3“基于數(shù)據(jù)挖掘的精細化負荷預測方法研究”,提出了一種融合歷史數(shù)據(jù)和實時影響因素的支持向量機(Support Vector Machine,SVM)精細化短期負荷預測方法,主要研究內(nèi)容如下:(1)數(shù)據(jù)的采集及預處理。本文所采用的負荷數(shù)據(jù)和天氣數(shù)據(jù)均來源于浙江省某地級市電網(wǎng)公司,數(shù)據(jù)質量對預測精度有顯著影響。因此,本章重點介紹了數(shù)據(jù)預處理的四個環(huán)節(jié),對該地區(qū)2012年的樣本數(shù)據(jù)進行預處理,主要包括不良負荷數(shù)據(jù)的識別和修正、天氣數(shù)據(jù)的插值處理、星期類型及節(jié)假日的量化以及樣本數(shù)據(jù)的歸一化,為下文分析負荷特性和建立預測模型奠定基礎。(2)基于數(shù)據(jù)挖掘技術的負荷特性分析及聚類。在上述數(shù)據(jù)預處理的基礎上,從負荷預測的三項基礎性工作展開定性分析和定量計算。首先,采用數(shù)據(jù)挖掘技術從典型日、星期及節(jié)假日三個不同時間維度定性分析負荷的規(guī)律特性。其次,采用皮爾森相關系數(shù)從2012年全年和夏季兩個角度定量計算負荷與各天氣影響因素之間的相關系數(shù),選擇主要天氣影響因素作為SVM建模的輸入。最后,采用基于加權平均距離的層次聚類對該地區(qū)2012年366天的歷史負荷進行聚類分析,針對不同的聚類結果分別建立預測模型。(3)提出了一種融合歷史數(shù)據(jù)和實時影響因素的SVM精細化短期負荷預測方法�；赟VM的統(tǒng)計學理論和回歸預測理論,以該地區(qū)2012年的負荷、天氣、星期類型及節(jié)假日作為樣本數(shù)據(jù),針對六類聚類結果分別建立預測模型,選擇適用于不同預測模型SVM核函數(shù)的種類,并采用交叉驗證法對不同預測模型SVM的核心參數(shù)c和g進行全局搜索尋優(yōu)。采用上述建立的不同預測模型對同地區(qū)2013年的日96點負荷進行預測,給出實際系統(tǒng)的算例驗證,并與三種傳統(tǒng)預測方法的預測結果進行對比,驗證了本文所提方法的正確性。(4)提出了一種在極端臺風天氣下負荷對主要天氣影響因素進行敏感度分析的方法,是上述建模預測部分的一個特例。由于浙江省地處東南沿海地帶,易受到極端臺風天氣的影響,本文提出采用灰色關聯(lián)系數(shù)變化率和分段回歸相結合的分析方法,以該地區(qū)2012年三次主要臺風為例進行實例分析,基于灰色關聯(lián)系數(shù)變化率選擇影響負荷的主要天氣因素,精確地建立負荷與主要天氣影響因素之間的多元分段回歸關系,在不同的分段區(qū)間內(nèi)進行負荷對主要天氣影響因素的敏感度分析,并對臺風期間的負荷進行預測,驗證了本文所提方法的有效性。
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TM715
【圖文】：

逡逑從圖１－１可以明顯看出，這四大類負荷都與外部因素的變化緊密相關，同時溫逡逑度、濕度等天氣因素對電力負荷的影響也不容忽略＾１８］。不同種類負荷的特點和逡逑規(guī)律在一定程度上決定了電力負荷由常規(guī)型負荷分量、敏感型負荷分量、特殊型逡逑負荷分量以及隨機型負荷分量四部分組成［１９－２Ｑ］�？傮w上，電力系統(tǒng)負荷的變化規(guī)逡逑律主要呈現(xiàn)以下四大特點，如圖１－２所示。逡逑電「—邐￥力＆胃白勺￣逡逑力邐逡逑？—邋負的邋Ｈ￣負荷與外部因素的改變密切相關￣逡逑變—邐’、邐」逡逑ｗ邋—負：３２？的未來負荷是過去和現(xiàn)在負荷的繼續(xù)逡逑特邐—－—逡逑Ｌ負篇＾的ｑ邐日周期、周周期、月周期等逡逑圖１－２電力負荷變化的四大特點逡逑Ｆｉｇ．邋１－２邋Ｆｏｕｒ邋ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ邋ｏｆ邋ｐｏｗｅｒ邋ｌｏａｄ邋ｃｈａｎｇｅｓ逡逑１．２．２負荷預測的任務逡逑眾所周知，電能不能大量儲存，因而電能的各個環(huán)節(jié)基本上是在同一時刻完逡逑成的，即在任意時刻電力系統(tǒng)中各發(fā)電廠所生產(chǎn)的電能絕大部分用于滿足用戶側逡逑的負荷需求，極少部分在電能傳輸過程中損失。因此，為了制定合理的發(fā)電計劃，逡逑避免多發(fā)或者少發(fā)，需事先對發(fā)電量進行合理的評估和預測。逡逑負荷預測是以歷史負荷數(shù)據(jù)為基礎，并考慮影響負荷變化的因素，根據(jù)系統(tǒng)逡逑的社會條件、經(jīng)濟運行條件、自然條件以及負荷自身規(guī)律等條件

逡逑從圖１－１可以明顯看出，這四大類負荷都與外部因素的變化緊密相關，同時溫逡逑度、濕度等天氣因素對電力負荷的影響也不容忽略＾１８］。不同種類負荷的特點和逡逑規(guī)律在一定程度上決定了電力負荷由常規(guī)型負荷分量、敏感型負荷分量、特殊型逡逑負荷分量以及隨機型負荷分量四部分組成［１９－２Ｑ］�？傮w上，電力系統(tǒng)負荷的變化規(guī)逡逑律主要呈現(xiàn)以下四大特點，如圖１－２所示。逡逑電「—邐￥力＆胃白勺￣逡逑力邐逡逑？—邋負的邋Ｈ￣負荷與外部因素的改變密切相關￣逡逑變—邐’、邐」逡逑ｗ邋—負：３２？的未來負荷是過去和現(xiàn)在負荷的繼續(xù)逡逑特邐—－—逡逑Ｌ負篇＾的ｑ邐日周期、周周期、月周期等逡逑圖１－２電力負荷變化的四大特點逡逑Ｆｉｇ．邋１－２邋Ｆｏｕｒ邋ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ邋ｏｆ邋ｐｏｗｅｒ邋ｌｏａｄ邋ｃｈａｎｇｅｓ逡逑１．２．２負荷預測的任務逡逑眾所周知，電能不能大量儲存，因而電能的各個環(huán)節(jié)基本上是在同一時刻完逡逑成的，即在任意時刻電力系統(tǒng)中各發(fā)電廠所生產(chǎn)的電能絕大部分用于滿足用戶側逡逑的負荷需求，極少部分在電能傳輸過程中損失。因此，為了制定合理的發(fā)電計劃，逡逑避免多發(fā)或者少發(fā)，需事先對發(fā)電量進行合理的評估和預測。逡逑負荷預測是以歷史負荷數(shù)據(jù)為基礎，并考慮影響負荷變化的因素，根據(jù)系統(tǒng)逡逑的社會條件、經(jīng)濟運行條件、自然條件以及負荷自身規(guī)律等條件

保預測結果具有一定的應用價值。逡逑１．２．４負荷預測的方法逡逑負荷預測方法的發(fā)展大約經(jīng)歷了五個階段，如圖１－４所示。在圖１－４中，經(jīng)典逡逑預測方法包括時間序列法［２８＿３（）］和回歸分析法等，時間序列法是電力系統(tǒng)中應用最逡逑為廣泛的一種預測方法。傳統(tǒng)預測方法包括彈性系數(shù)法、趨勢外推法［３１＿３火負荷逡逑密度法、灰色系統(tǒng)法［３３＿３４１、指數(shù)平滑法和卡爾曼濾波法［３５＿３６］等。智能預測方法包逡逑括專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡［３７４１】、模糊神經(jīng)網(wǎng)絡、模糊回歸以及模糊遺傳方法逡逑等。組合預測方法是由兩種或兩種以上的預測方法進行組合而得到的，可發(fā)揮不逡逑同預測方法的優(yōu)勢。如今，在電力大數(shù)據(jù)的浪潮下，采用數(shù)據(jù)挖掘技術并與機器逡逑學習方法相結合是負荷預測的發(fā)展趨勢。文獻［４２］針對負荷受多種因素影響，且這逡逑些影響因素差別很大的特點，提出了一種基于模糊支持向量機和線性外推的混合逡逑負荷預測方法。文獻［４３］首先根據(jù)負荷中相應的電力負荷比例將總負荷分為高能耗逡逑負荷、一般能耗負荷、低能耗負荷和其他負荷，然后應用模糊時間序列方法選擇逡逑各類負荷的相似日，最后采用網(wǎng)格法和神經(jīng)網(wǎng)絡法綜合考慮各種隨機因素，對各逡逑類負荷進行預測。文獻［４４］提出了一種基于灰色理論的ＧＭ（１

【參考文獻】

相關期刊論文 前10條

1 王繼業(yè);季知祥;史夢潔;黃復鵬;朱朝陽;張東霞;;智能配用電大數(shù)據(jù)需求分析與應用研究[J];中國電機工程學報;2015年08期

2 莫若慧;符子星;曾炎;蘭飛;吳鋒;祁永福;吳云亮;胡劍琛;李獻;;臺風天氣下電網(wǎng)負荷對氣象因素的敏感度分析[J];南方電網(wǎng)技術;2015年02期

3 王德文;孫志偉;;電力用戶側大數(shù)據(jù)分析與并行負荷預測[J];中國電機工程學報;2015年03期

4 張素香;趙丙鎮(zhèn);王風雨;張東;;海量數(shù)據(jù)下的電力負荷短期預測[J];中國電機工程學報;2015年01期

5 張東霞;苗新;劉麗平;張焰;劉科研;;智能電網(wǎng)大數(shù)據(jù)技術發(fā)展研究[J];中國電機工程學報;2015年01期

6 何耀耀;許啟發(fā);楊善林;余本功;;基于RBF神經(jīng)網(wǎng)絡分位數(shù)回歸的電力負荷概率密度預測方法[J];中國電機工程學報;2013年01期

7 張平;潘學萍;薛文超;;基于小波分解模糊灰色聚類和BP神經(jīng)網(wǎng)絡的短期負荷預測[J];電力自動化設備;2012年11期

8 萬昆;柳瑞禹;;區(qū)間時間序列向量自回歸模型在短期電力負荷預測中的應用[J];電網(wǎng)技術;2012年11期

9 翟永杰;劉林;王朋;;基于ADE-SVM和模糊理論的電力系統(tǒng)中期負荷預測[J];電力系統(tǒng)保護與控制;2012年08期

10 曾鳴;呂春泉;田廓;薛松;;基于細菌群落趨藥性優(yōu)化的最小二乘支持向量機短期負荷預測方法[J];中國電機工程學報;2011年34期

本文編號：2794813