论文部分内容阅读
随着我国智能电网快速发展,在保证高压侧输配电安全可靠的前提下,低压侧管理系统因其能对用户电能实时、有效的控制而受到越来越多的关注。准确的负荷预测是管理系统对负荷进行规划的前提,也为节能优化提供有力的数据依据。相对大电网而言,低压侧用户的负荷受外界因素影响大,波动性强等特点,传统单一模型的预测方法可能不能完全反映低压侧负荷的变化规律和特点,使得预测不一定能得到满意的结果。组合预测模型能综合更多信息,具有更强的自适应能力,可望获得更好的预测精度而得到了国内外越来越多的研究。本文基于高校节能监管系统建设项目,以低压侧用户中的高校用电为背景,为提高负荷预测精度展开研究,主要的完成的工作如下:(1)研究了负荷预测模型特征的构造。在特征工程上考虑两个方面,一个是时空影响因素,如星期属性、时间属性、是否工作日。另一个是气象影响因素,如温度、湿度、风速、气象指数等。由于可能存在相关特征和冗余特征问题,为此结合特征递归清除算法和随机森林算法对特征进行选择,最终确定了14个特征作为预测模型的输入特征。(2)对于负荷曲线聚类中常用k-means算法的初始聚类中心选取问题,以数据对象间的相似度矩阵均值作为密度半径来计算各聚类对象的密度值大小,之后根据最大密度值、最大差异度和最小紧密度作为初始聚类中心的选取标准。对于最佳聚类数k值确定问题,设计了一种基于SSE的肘形判据,实现自动准确地选取最佳聚类数目。(3)以聚类分析结果为基础,建立基于集成树算法的预测模型。在带入聚类分析结果后,随机森林、GBDT和XGboost的R~2值分别上升了0.2、0.64和0.64,而RMSE值也分别下降了6.6、16.26和18.74。并且对于任意预测模型中的任意一天,在带入聚类分析结果后预测精度均有较好的提升。(4)提出了一种基于Adaboost-CART的组合预测模型。利用CART回归树将三个集成树模型进行非线性优化组合,避免了传统组合模型中加权系数的复杂求取问题。结合Adaboost算法训练CART,可以自适应的调整各预测模型在CART中的组合形式,使预测精度得到进一步提高。实验结果表明,该方法较单预测模型和传统组合预测模型有更高的预测精度。Adaboost-CART组合预测模型的R~2值为0.935,高于最优单一模型的0.920和传统组合模型的0.922,RMSE值为47.61,低于最优单一模型的52.22和传统组合模型的52.10。实验结果表明,用本文的研究方法对节能监管平台采集数据进行建模预测,具有优良的预测效果。可为系统管理提供有效保障,也能为节能优化提供有力的数据依据。