论文部分内容阅读
短期负荷预测作为能量管理系统的重要组成部分,预测误差的大小直接影响电网运行的安全性和经济性。在智能电网建设的大背景下,大规模电网互联以及数据采集成本的降低,可获取的数据类型愈加丰富,智能电网中的大数据趋势日益明显。针对供电区域辽阔的大电网,不同区域负荷特征各异,受外部因素影响规律不同。集中式负荷预测方法难以准确把握各区域的负荷变化规律,且对海量数据挖掘分析能力有限。因此,本文提出基于大数据的分布式短期负荷预测方法,综合利用大数据和人工智能方法的优势,提高负荷预测精度。以此为出发点,本文开展的研究工作如下:首先,提出基于大数据的负荷变化规律分析方法。在成本许可的情况下,针对不同类型的电力用户,应尽量全面收集用户以及环境信息进行负荷变化规律分析,以把握不同区域负荷特征与气象条件的差异。并以中国南方某省的A市和B市的实际负荷数据为基础,分别对两地的年、月、日负荷变化规律进行分析,重点研究夏季典型日负荷变化规律。由此得出不同地区负荷特征各异,受外部因素影响规律不同,在负荷预测工作中需建立有针对性的负荷预测模型。然后,提出基于大数据的分布式短期负荷预测方法。在行政区域划分和气象区域分布的基础上,对220kV以及以上的网架结构进行子网划分,通过评价子网负荷曲线相似度实现子网分类与归并。基于上述子网划分,分别建立子网负荷预测模型(ARIMA和BP神经网络),并提取相似度较高的影响因素向量和对应时刻的负荷作为子网负荷预测模型的输入量,对各个子网分别进行预测。根据子网的负荷预测值和各时刻比例系数的预测值,建立全网负荷预测模型,综合形成大电网的负荷预测结果。最后,以中国南方某省的实际负荷数据为基础,采用本文所提方法分别对工作日和休息日进行短期负荷预测,并与集中式负荷预测结果进行对比分析,以验证本文所提负荷预测方法的有效性和稳定性。算例分析表明本文所提方法在大电网中具有较好的预测精度,并且由于各个子网并行运行,有效降低了负荷预测所需的时间,在实际应用中具备可行性。