电力负荷预测技术-用于电力系统短期负荷的预测方法.pdfVIP

[全]电力负荷预测技术•用于电力系统短期负荷的预测方法

随着电力市场的发展以及用户需求的逐步提升，电网的安全及经

济运行变得至关重。对电力负荷进行准确的短期预测，可以有

效保障电网安全运行，降低发电成本，满足用户需求，提高社会

经济效益。由于电力能源的生产、输送、分配和供应消费几乎同

时完成，电能作为一种较为特殊的能源，难以大量存储，这就使

得电力系统发电出力应该与系统负荷的变化随时保持一致，达到

动态平衡，满足供需关系，否则轻则影响供电质量，重则危机整

个电力系统的安全与稳定。由于电力系统负荷具有明显的周期特

性（天，周，月，年），同时影响的因素复杂（天气、经济、节假日、

观测误差等等），电力系统负荷呈现出较强的随机性和非周期成

分，为短期预测带来较大难度。

文献ZhengJXuC,ZhangZ,etal.Electricloadforecasting

z

insmartgridsusingLong-Short-Term-Memoryased

RecurrentNeuralNetwork[C]//InformationSciencesand

Systems.IEEE,2017.〃使用LSTM对电力负荷进行了短期预测,

并将LSTM与其他常见算法进行了对比，结果表明LSTM的预

测误差优于其他算法。同时，文中指出季节性差分自回归滑动

平均模型S（ARIMA对）于非平稳非季节性的电力负荷系统预测难

以发挥作用。

但是，其文中给出结果并没有对负荷的高频局部特征进行准确的

预测，预测曲线仅拟合了负荷的基本变化趋势。在负荷随机波动

情况较大的时候方法具有局限性。

在实际应用中，负荷数据往往包含较多的噪音干扰，大大降低了

负荷预测精度，另一方面，由于通信延迟等多方面原因，数据存

在大量空缺，且空缺位置与长度通常无规律可循，空缺长度过长

使得传统的插值法难以合理的填充空缺,而简单直接的填充固定

值或历史值，很可能破坏时间序列的周期性、规律性。因此,在

有限长度的电力负荷数据中，如何充分挖掘数据包含的信息，是

预测模型建立的关键。传统数学模型为充分挖掘数据信息、提高

预测精度，使用增加数据维度或将数据进行细分的方法，在一

定条件下能够实现快速准确的预测，但是当数据维度较低、数据

量较小的时候，对于复杂多变的电力负荷，由于其随机性和非周

期性的影响，传统数学模型难以获得有效预测精度。而基于人工

智能的算法虽然能够相比之下取得更高的预测精度，但往往存在

超参数难以确立，资源耗费较多，计算速度相对较慢的缺点，且

对于低维度时间序列数据，由于其各局部特征之间相互影响，使

得模型难以从数据中清晰的找出规律建立规则。

问题拆分

以负荷数据的有功功率为数据基础，通过将数据分解频率由高到

低的各个稳定频率分量，再分别使用多元线性回归与LSTM神经

网络对其低频分量与中高频分量进行预测，最后叠加所预测的结

果，从而得到完整的预测结果；这样解决了传统负荷预测方法对

于高频局部特征难以进行有效预测的缺点，同时也能够准确预测

出负荷的变化趋势，提高了复杂情况下的预测有效性。

问题解决

目的在于克服现有技术的不足，提供一种用于电力系统短期负荷

的预测方法，通过将电力负荷数据进行分解，使得局部特征与变

化趋势分离，最后将预测结果进行叠加，得到精确的预测结果。

为实现上述发明目的，本发明一种用于电力系统短期负荷的预测

方法，其特征在于，包括以下步骤：

(1)、从智能电表端提取用户侧负荷数据

(1.1)、从各个智能电表端采集每个用户的用电负荷数据；

(1.2)、将每个用户的用电负荷数据进行叠加，得到接近于发电侧

的区域负荷数据；

(1.3)、对区域负荷数据进行层次聚类，得到N类负荷数据，再

以层次聚类得到的类别数N为基准，进行K均值聚类，得到代