论文部分内容阅读
空间负荷预测(Spatial Load Forecasting,SLF)是城市电网规划建设的基础性工作,从未来用电负荷的大小和空间分布方面进行考虑,来指导和规划电网的未来发展,其预测结果将直接影响电网规划中电力设备配置的科学性与合理性。所以,思考怎样利用更合理的方法提高空间负荷预测结果的精确度,在面对传统空间负荷预测方法失效的场景下应如何解决问题,从而得到合理预测结果,对城市电网规划建设具有重要的指导意义。本文首先对空间负荷预测研究背景和国内及国外研究现状进行详细的分析与介绍,归纳现有的空间负荷预测方法并对其进行分类,简要分析每类方法的应用条件和所存在的优缺点;合理分析历史用电负荷数据的空间电力负荷特性;对空间负荷预测中使用的电力地理信息系统(Geographic Information System,GIS)进行了建立。到目前为止,在已提出的一百多种空间负荷预测方法中,大多都是在历史负荷数据充足的场景下应用时才能得到好的结果,而应用于历史负荷数据匮乏场景下时预测精度则会大幅下降,甚至失效。本文分析了历史负荷数据匮乏的场景下的数据特征,并将历史负荷数据匮乏分为了 3种场景。针对其中第3种历史负荷数据匮乏场景,提出了一种基于GAN和RCGAN的空间负荷预测方法。从时间尺度分析,这种空间负荷预测方法属于中长期时间尺度的预测方法,以便于为电网规划提供更合理依据。该方法首先建立电力地理信息系统,并生成Ⅰ类元胞和Ⅱ类元胞。然后构建基于原始GAN的数据生成模型,根据十分有限的历史负荷数据生成数量充足且兼顾负荷时空分布规律的“Ⅱ类元胞”历史负荷数据,达到数据增强的目的。通过改进原始GAN模型的生成器损失函数生成更为合理的数据集,为后续预测模型建立的奠定基础。构建了基于RCGAN的空间负荷预测模型。考虑预测模型的本质问题选取更为适合的Huber Loss改进预测模型生成器的损失函数,利用生成的“Ⅱ类元胞”历史负荷数据和确定了参数的RCGAN模型实现空间负荷预测。最后通过工程实例和空间误差分析表明该方法是正确、有效的。