论文部分内容阅读
电能消费预测是行业和能源部门宏观规划的重要环节,准确预测电力负荷对电网管理和电力调度至关重要。随着电力行业的发展,学者们进行了大量研究并提出了各种不同的算法以提高电力负荷预测的准确性。目前,大部分的电力负荷预测都是以地区为对象,但居民与中小型企业用户作为用电基本单元,其用电负荷预测与地区用电负荷预测同等重要,而居民和中小型企业用电负荷相比于地区用电负荷具有更多不确定性,预测难度更高,因此本研究旨在将自适应谱聚类(ASC)方法与支持向量分位数回归模型(SVQR)相结合来对智能电网用户进行用电行为分析,并预测居民用电负荷。超短期电力负荷预测是一种在线实时负荷预测活动,预测的时间间隔一般在一小时之内,本文负荷预测的时间间隔为半小时。超短期负荷预测不仅能实现电能供需之间的平衡,而且能进行电网在线控制,合理调度发电容量。为了有效量化智能电网用户用电负荷的不确定性,本文基于爱尔兰能源管理局发布的居民与中小型企业的用电负荷数据,同时考虑实时温度、时刻、节假日、历史负荷等因素进行用户用电负荷的点预测、区间预测和概率密度预测。通过计算MAPE、PICP、PINAW、pinball loss以及本文所提出的MPPL评价指标值比较模型预测效果。由于冬夏季用户用电差别很大,因此本文分别考虑在冬、夏季数据集上进行负荷预测。本文利用谱聚类方法将5087个用户中具有相同用电模式的用户聚为一类,由此将所有用户聚成了6个类别。针对不同用户类别,利用网格搜索对参数寻优后的SVQR模型对电力负荷进行点预测,并与其它算法如单一的支持向量回归进行了比较。从MAPE和pinball loss这两个误差评价指标值来看,SVQR模型的预测效果最好。为了有效地提供电力负荷的不确定性信息,采用SVQR算法对超高能耗用户与中等能耗用户未来一天中任意时刻负荷分别进行了区间预测和概率密度预测。本文得到:相比于其他单一支持向量回归模型,SVQR模型的预测精度更高;在预测区间带宽相对较窄的情况下SVQR模型的预测结果仍然具有很高的可靠性;此外,利用SVQR模型获得的超短期负荷概率密度预测结果能提供有关未来负荷不确定性的全面信息。由于在使用SVQR模型进行预测时,核函数的选取成为该方法的最大变数,因此本文考虑比较两种不同的核函数:高斯核函数与拉普拉斯核函数。同时,为了测试该模型的泛化能力,本文选取了一个更长的数据集进行仿真,结果显示对于超高能耗与高能耗用户而言,拉普拉斯核SVQR预测效果更好,而其他类型用户,则是高斯核SVQR预测效果更佳。综合来看,高斯核函数具有更好的预测效果。总的来说,本文所使用的方法既能解决负荷预测的影响因素之间的关系为非线性的问题,也能解决负荷预测的不确定性问题。