论文部分内容阅读
步入“十三五”以来,我国经济发展表现出速度变化、结构优化、动力转换三大特点,增长速度从高速转向中高速,结构从增量扩能为主转向调整存量、做优增量并举,动力从资源消耗及低成本劳动力驱动转向创新驱动,以上变化标志着我国经济发展模式已经开始转型。在此背景下,我国的电力负荷增长趋势开始发生变化。此外,随着智能电网的大力建设,电力负荷数据的体量日趋庞大,数据类型日益丰富。如何运用众多关联因素对电力负荷进行准确预测以及如何有效地处理海量负荷数据已成为当前电力负荷预测面临的难题。针对影响电力负荷变化的因素,本文从经济与气象两方面入手,引入组合预测与大数据处理技术,以某实际电网为例,分别研究二者与电力负荷之间的关系,并进行电力负荷预测。首先,本文叙述了国内外电力负荷预测研究现状以及大数据技术在电力负荷预测的研究现状。然后,本文根据实际电网所辖区域的经济和电力负荷发展现状,提出考虑经济转型的灰色-协整关联分析方法,筛选得到影响电力负荷增长的关键经济因素。最后,本文建立基于多属性决策算法的组合预测模型,利用关键经济因素预测电力负荷。通过实例分析验证了本文所提组合预测模型的有效性和可行性。针对大量电力负荷数据难以处理的问题,本文将大数据理念和技术引入到中长期电力负荷预测当中,构建具有大数据特征的多维度数据样本集合,利用基于决策树袋外数据错误率的重要性评分方法,对影响电力负荷波动的气象因素进行重要性评分。在此基础上,利用大数据平台PySpark,编写随机森林回归算法,利用大数据平台的分布式架构,对电力负荷进行气象关联预测。实例分析结果表明,针对数量众多的气象影响因素,依然可以定量分析其影响电力负荷变化的重要性,通过与支持向量机和相关向量机模型在预测精度、训练时间和模型复杂度三个方面进行综合比较,充分体现本文所提方法的有效性。