刘亚珲, 赵 倩

(上海电力大学 电子与信息工程学院, 上海 200090)

电力负荷短期预测的目标是对未来几小时至几天的用电量进行预测。精确的预测结果是电力部门有效部署资源并确保电网安全、降低发电成本、提高经济效益和社会效益的基础。近年来,随着电力行业市场化改革的推进,以及智能电网技术的广泛运用,电网的规模和信息化程度不断扩大。智能量测设备的大量投入有效地提高了对负荷的采集频率以及采集的准确率。这为使用深度学习进行电力负荷预测提供了大数据基础。

对于电力负荷短期预测的研究,国内外学者已经取得了大量的研究成果。根据电力负荷的时序性和非线性的特点,对电力负荷预测的方法大致分为两类:一类是基于统计模型的预测方法,例如回归分析法[1]、卡尔曼滤波法[2]、指数平均模型法[3]等;另一类则是机器学习分析方法,例如支持向量机(Support Vector Machines,SVM)算法[4]、随机森林(Random Forest,RF)算法[5]、神经网络算法[6]等。这些算法大都采用日期、温度、天气以及日期类型等变量作为特征进行电力负荷预测。对于负荷趋势而言,有些用户的负荷曲线并没有呈现明显的时间周期性规律,考虑到负荷曲线本身在短时间内是一个连续变化的曲线,并不会发生突变,因此本文提出了一种采用预测日前几日的负荷数据作为新特征替换年、月、日这些日期特征的新方法对电力负荷进行预测,并运用不同算法在真实用电数据上进行验证。

1 负荷影响因素

传统的负荷预测方法将影响短期负荷的因素归纳为历史负荷数据、气候因素和日期类型3类。……