基于相似日和智能算法的短期负荷组合预测

电力系统短期负荷预测(short-term load forecasting, STLF)是电力部门合理安排发电和检修计划,优化旋转储备容量、降低发电成本、提高经济效益、维护电网安全稳定运行的重要参考依据,对日渐开放的电力市场,也是今后竞价发电的有力保障。随着智能配电网的发展,短期负荷预测作为网损分析、网络重构、状态评估等应用的基础,对提升配电部门服务水平至关重要。因此,研究合适的配电网短期负荷预测方法,提高预测精度,具有十分重要的理论和应用价值。本文通过对配网日负荷特性的分析,指出应对不同的日类型、结合天气因素对短期负荷预测分别建模。给出了数据预处理方法,以提高样本准确度,根据实际情况,提出了将气象因素嵌入模型以及选取相似日的具体规则。针对目前负荷样本数据来源单一、采集遗漏、样本不足等问题,且配网不同部门对短期负荷预测有不同需求的实际情况,提出了一种大数据背景下的基于拓扑关系的分层负荷预测方法,分别以台区和10kV线路为单位进行短期负荷预测。基于对台区负荷特性的分析,提出将台区分为气象敏感型和气象不敏感型两类,并依此建立了具体的分类预测模型。对气象敏感型台区,基于相似日优化负荷样本,利用最小二乘支持向量机(least squares support vector machine, LSSVM)进行负荷预测；对气象不敏感型台区,先通过经验模态分解(empirical mode decomposition, EMD)自适应地提取出负荷不同频度的基本信号,然后分析每个频度信号应选择的核函数,再基于LSSVM建模预测,从而提高了模型的灵活性和适用性以及预测精度。分层组合预测时,将台区列为第一层,10kV线路列为第二层,遵循拓扑连接关系,通过给台区负荷样本分配波形系数,采用粒子群优化算法(particle swarm optimization, PSO),根据类似于神经网络学习与训练的思想,优化该波形系数,再结合台区的预测值组合得到最终的线路(或母线)短期负荷预测结果,且在此基础上,建立了线路峰值负荷预测优化模型。应用实例表明,分层组合预测模型便于尽可能地利用多样化的数据样本,弱化数据来源单一造成的不良影响,减小由于各台区的用电性质与负荷特性不一、峰谷负荷出现时段不同等因素导致的负荷预测误差,且峰值负荷优化模型进一步显著地提高了线路峰值负荷预测精度,利于电力系统优化运行与控制。最后,本文开发了相应的短期负荷预测软件,对界面设计、软件功能和操作方法作了详细说明。