某地区电力负荷数据与预测解答.docVIP

（封面格式） 报名序号：1249 论文题目：某地区电力负荷数据分析与预测 姓 名 班级 有效联系电话 参赛队员1 陈富 安全工程 参赛队员2 谢海燕 统计学 参赛队员3 王浩 统计学 指导教师：唐玲 参赛学校：安徽建筑大学南区 证书邮寄地址、邮编、收件人： 地址： 安徽合肥市经开区紫云路292号安徽建筑大学南区 邮政编码：230061 收件人姓名： 陈富 联系电话： 131155146667 报名序号：1249 论文题目：某地区电力负荷数据分析与预测 阅卷专家1 阅卷专家2 阅卷专家3 论文等级 某地区电力负荷数据分析与预测 摘 要 针对两个地区历史数据分析及未来数据相关预测，本文用统计学相关理论为基础对两个地区历史数据进行探索分析，深入并直观的描述了数据的分布情况；同时利用时间序列乘积季节模型和LMBP神经网络模型分别对未来数据进行预测并进行相关误差分析，分别得到不同预测方法下的预测结果。 对于问题一，本文对两个地区2014年1月1日—2014年12月31日的负荷数据进行挖掘分析，选取描述数据集中趋势的均值和中位数统计量、描述数据分布离散程度的方差和离散系数统计量以及描述数据分布偏态与峰度的偏度系数和峰度系数统计量来描述各地区全年的日最高负荷、日最低负荷、日峰谷差、日负荷率指标的分布情况；绘制出了两地区2014年全年负荷持续曲线；结合上述结果，分析出地区2负荷变化数据波动较平缓，初步预判地区2的负荷可以获得更准确的预测结果。 对于问题二，本文根据2012年1月1日至2014年12月31日的数据，用偏最小二乘法，分别对日最高负荷、日最低负荷、日平均负荷与各气象因素关系进行回归分析，得出6个多元线性回归模型，同时得到各个回归模型的离差平方和，以离差平方和的大小来反映回归误差的大小；使用简单相关系数检验法，通过各个气象因素相互之间的相关系数矩阵，得出最高温度、最低温度、平均温度这三个因素相关系数较高，存在多重共线性；再经过变量的显著性检验，得出若要用气象因素来提高负荷预测精度，优先推荐平均温度、降雨量、湿度这三个气象因素的结论。 对于问题三，考虑到历史电力负荷数据具有明显的周期性，建立时间序列乘积季节模型，对两个地区2015年1月11日至17日共7天的电力负荷进行预测，得出负荷预测结果见附件。由于模型中各个参数均通过了参数的显著性检验，残差序列通过了残差检验为白噪声序列，体现了模型对原序列的信息提取十分充分，所以在不知道实际负荷数据的情况下，有充分理由判断预测结果的准确度是较高的。 对于问题四，考虑最日高温度等5个天气因素，利用包含5个输入层，7个隐含层和一个输出层的LMBP神经网络预测模型在5个天气因素影响下，再次对两个地区2015年1月11日至17日共7天的电力负荷进行预测，得出负荷预测结果见附件。 对于问题五，综合上述结果参数，并同时引用股票分析中的黄金分割线对两个地区负荷数据规律优劣进行评价。得出地区2的数据规律性优于地区1的结论。 关键词：描述性统计，偏最小二乘回归，时间序列乘积季节模型，LMBP §1 问题的提出 一、背景知识 短期负荷预测是电力系统运行与分析的基础，对机组组合、经济调度、安全校核等具有重要意义。提高负荷预测精度，是保障电力系统优化决策科学性的重要手段。现代电力系统中，构成电力负荷的用电器种类繁多，空调等受气象条件影响的负荷占比持续增高，气象因素（温度、湿度、降雨量等）对电力系统负荷的影响愈显突出。考虑气象因素成为调度中心进一步改进负荷预测精度的主要手段之一。 二、相关试验数据 已知地区1、地区2从2009年1月1日至2015年1月10 日的电力负荷数据（每15min 一个采样点，每日96点，量纲为MW）以及2012年1月1至2015年1月17 日的气象因素数据（日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量），详见附件1-数据.xlsx。 三、要解决的问题 1.请分析两个地区2014年1月1日-2014年12月31日的负荷数据，统计各地区全年的日最高负荷、日最低负荷、日峰谷差、日负荷率指标的分布情况，并绘制两地区2014年全年的负荷持续曲线；结合上述结果，分析两地区负荷变化的主要差异；初步预判哪个地区的负荷可以获得更准确的预测结果，说明你的理由。 2.根据2012年1月1日至2014年12月31日的数据，分别对日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行回归分析，分析回归误差；如果要用气象因素来提高负荷预测精度，在诸