论文部分内容阅读
用电量预测作为电力系统运行、优化、控制的基础,在综合能源系统快速发展以及电力交易市场逐渐放开的环境下,正面临着新的挑战。传统负荷预测技术已经被学者们广泛研究。但是由于分布式能源的影响,用户侧电量需求和负荷特性较以往发生变化;同时,在开放竞争的电力零售市场环境下,用电量预测开始面向小规模用户的电力需求,更易受季节、节假日和经济因素的扰动。因此,传统的负荷预测方法不能完全适用于用电量预测。为了解决上述问题,本文对基于时间序列分解法和回归分析法的用电量综合预测方法进行研究,主要研究成果如下:(1)分析了北方某城市典型客户用电特性及其影响因素。基于北方某城市负荷数据,采用层次聚类和密度聚类模型对三十种负荷数据进行挖掘,获得了该地区不同类型负载的电力需求随时间的变化规律及其影响因素。(2)考虑季节突变和重大节假日的影响,提出了基于STL分解模型的月用电量综合预测方法。第一步:利用STL分解模型特点设置不同月份季节分量变化率,将季节突变和重大节假日的影响将对应月份的用电量序列进行个性化分解,将用电量序列分解为趋势分量、季节分量和随机分量,避免了预测时分量间互相干扰。第二步:选用适当的模型分别对各个分量进行预测,对于季节突变与重大节假日所在月份的季节分量,采用BP神经网络模型预测,对于序列平稳月份的季节分量,直接采用历史同期值作为预测值;对于趋势分量,采用差分整合移动平均自回归(ARIMA)模型进行预测;对于随机分量,采用平均值预测。第三步:将上述三个分量的预测值重构为最终的用电量预测值。本文采用R语言进行算法编制,通过北方某大学园区的实际月用电量数据对所提方法的有效性进行了验证分析。(3)在(2)的基础上进一步考虑经济因素影响,提出了基于X12和STL分解模型的月用电量预测方法。从用电量与经济发展的相关性出发,对月用电量预测方法提出改进措施。首先利用STL模型和X12模型分别分解用电量序列和GDP序列,将GDP的趋势分量作为月用电量趋势分量的影响因素纳入向量自回归(VAR)模型进行用电量趋势预测;再分别采用BP神经网络预测季节分量,平均值法预测随机分量,通过北方某大学园区的实际数据验证了改进措施的有效性。