电力负荷数据预测方法模型设计与分析

【摘要】： 电力负荷数据管理系统是电力营销技术支持系统的组成部分,是实施需求侧管理工作的有效技术手段。它是以计算机应用技术、现代通信技术、电力自动控制技术为基础的信息采集、处理和实时监控系统。电力负荷预测对电力系统运行有着重要的辅助作用,其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。本文的工作主要是针对电力负荷短期预测问题建立智能预测模型的方法,并对电力负荷理论基础、概念发展、模型预测方法作一些研究。 本文首先运用微软通用的决策支持对象(DSO),结合区域电网气象负荷数据库设计了决策树式的数据挖掘模型并实现了日负荷预测系统。在描述了DSO分层结构特性之后,分析研究了日负荷预测的决策树数据挖掘模型构造过程并给出了程序化实现方法,进一步实现了通过决策树算法的负荷预测过程。实际使用的效果统计分析结果表明本系统达到并超过实用标准,具有智能自适应、自学习和全过程自动化,通用可靠以及准确率高等特性,是值得推广的方便实用型负荷预测工具。数据挖掘方法将用于数据挖掘和预测的模型算法提取出来单独组建模型算法库,使模型和算法的组合具有更大的灵活性。 其次采用神经网络预测模型,输入变量和确定神经网络结构的方法和算法,此方法的提出可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用。预测方法是使用MATLAB建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值。因为电力负荷与环境因素有关,在输入、输出向量设计中输入变量加入天气特征值。根据输入、输出向量对BP网络设计。最后把电力负荷数据导入MATLAB,然后进行短期负荷预测仿真,仿真结果表明其有较好的预测精度。该模型具有网络结构较小,训练时间短的优点,并考虑不同小时负荷差异,具有较高的预测精度,预测误差在15%以下。提出了采用不同初值对权初始化方法,对网络多次训练,一定程度上克服传统算法收敛速度慢,容易陷入局部积小的缺点。 两类算法,针对于短期日负荷曲线预测,采用神经网络的数据处理方法,是一种比较有效的预测方案,它易于结合各种影响因素,网络模型结构小,精度误差相对较小,使用方便,易于推广,但缺点是模型训练时间过长;决策树算法模型可以很好的从海量历史数据中提取有效信息,但由于每天用户的用电行为以及影响因素(天气,温度等)有太多的不确定性和不可预见性故对于月、季负荷预测有较好的预测结果。