严雪颖,秦川,鞠平,曹路,李建华

(1. 河海大学能源与电气学院,江苏 南京 211100；2. 国家电网有限公司华东分部,上海 200120)

0 引言

电力负荷预测是根据历史负荷数据及其他外界影响因素对将来的负荷需求进行科学预测的过程[1]。电力系统瞬时供需平衡的特点决定了其预测工作的紧迫性,构建精准的负荷功率模型并进行准确的负荷预测是电力系统进行安全调度和经济运转的重要前提条件。然而负荷功率呈现多样的时空变化特性,受多因素(如气象、日期类型等)影响。随着各种储能设备、电动汽车、分布式电源等大规模接入电网,以及基于激励措施、电价等需求侧管理方案的实施,负荷预测的复杂度增加[2]。

构建负荷功率模型并进行负荷预测的关键因素之一是确定模型的输入特征量。国内外大部分短期负荷预测研究是对模型和方法的探索[3—4]。近年来,许多专家学者将电力负荷预测相关影响因素作为研究重点[5—9],这些研究也表明对负荷特征的深入挖掘分析可有效提高预测效果。

特征选择(feature selection,FS)是通过移除无关、冗余特征,从一组给定的特征集合中选出最有效的相关特征子集从而实现特征空间维数降低的过程[10]。经过特征选择后的低维数据在后期聚类分析或机器学习中能降低复杂度,提高精度和稳定性。就数据类型而言,特征选择分类包括监督式、无监督式和半监督式；从机制层面来看,又可以分为过滤式(Filter)、封装式(Wrapper)和嵌入式(Embedded)。Filter法用评价准则来增强特征与类的相关性或削减特征之间的相关性[10]；……