基于大数据技术的电力负荷预测

【摘要】：预测电力负荷对于加快我国电力系统发展具有十分重要的意义,对于加强电网设计规划、控制发电成本、提高计划用电的管理水平发挥着积极作用,进一步提高电力负荷预测的水平可以更好的发挥电力系统的社会经济效益。为了更好的挖掘电力系统海量历史数据的价值,本文紧密结合某县电力负荷实际,在构建短期电力负荷预测模型过程中,提高其精确度而使用了神经网络模型和对应的优化算法,为保证预测的准确性,使用了Matlab软件开展仿真分析。为了更细致地探究电力负荷预测基本原理,本文具体对干扰电力负荷预测的各种问题进行了分析,并找出了电力负荷具备的基本特征。并明确,提取电力负荷预测数据最关键的是要对时间、电力政策、经济以及环境政策进行分析。对负荷预测的基本流程进行细致分析,最新的电力负荷预测理论中强调重视数据挖掘的潜力。新建的数据挖掘算法是以粗糙集理论为基础展开的,对影响短期电力负荷预测的相关因素进行挖掘。预测结果的精确度不高是传统的电力负荷预测方法的主要问题,为了提高短期电力预测模型精确度而使用了PSO-BP算法。根据PSO(Particle swarm optimization)粒子群优化算法自身收敛速度慢的问题,应用levy步长对算法的惯性权重进行优化,有效提升算法收敛速度和准确性。重点分析了基于改进PSO-BP短期电力负荷预测模型,并为后续开展仿真分析打下坚实基础。在建立PSO-BP短期电力负荷预测模型的基础上,以某县的电力负荷为仿真分析的对象,使用PSO-BP算法进行短期电力预测模型分析,BP神经网络输入指标包括气温、电价及人均GDP,并构建出了训练神经网络电力负荷预测模型。在对预测结果进行对比分析时,必须明确使用levy算法优化后的PSO-BP模型的结果与标准BP神经网络预测结果之间的差异。分析发现使用levy算法优化后的PSO-BP模型的结果,预测结果准确性较高,可以应用于实际的电网短期负荷预测当中。