智能用电大数据环境下的短期负荷预测研究

负荷预测一直以来都是电力系统的一项重要工作,准确的负荷预测可以经济合理地安排电力系统发电机组启停,对于保持电网的安全稳定运行、保持社会的正常生产秩序、有效降低发电成本有着重要作用。随着智能电网技术的发展,高级量测体系和各种监控系统大规模的部署。智能电表是高级量测体系的重要组成部分,能够获得用户一定时间间隔内精确的用电负荷。智能电表产生数据的速度快、体量大,产生的数据没有进行深入分析,造成了数据的浪费。因此充分挖掘用电数据的价值,研究智能用电大数据环境下的短期负荷预测具有重要意义。针对智能电表能获取用户级详细用电数据的特点,本文从少量用户数据入手,首先通过负荷聚类,分析了用户用电行为之间的相似性;在此基础上提出了基于OS-ELM的短期负荷预测模型,并通过仿真实验验证了所提模型能够提升负荷预测精度且进一步展示了聚类结果与预测精度之间的关系;之后为适应智能用电大数据环境,进一步提出了基于Spark的并行OS-ELM短期负荷预测模型,并在实验中验证了模型能在保证预测精度的前提下具有较高的效率。本文具体工作如下:1.研究了用于负荷聚类的日期类型因素。针对不同的日期类型(普通工作日、节假日前一天、节假日)分别计算用户的典型日负荷,把三种典型日负荷曲线拼接起来作为用户的典型负荷曲线;然后对用户典型负荷曲线进行聚类操作,挖掘用户用电行为之间的相似性。2.针对少量用户数据,提出了基于OS-ELM的短期负荷预测模型。在负荷聚类基础上,对不同的用户类分别采用该负荷预测模型进行负荷预测并汇总得到系统级的负荷预测。在MATLAB平台上进行仿真实验,验证了所提模型的有效性,并进一步展示了预测精度随聚类数目变化的关系。3.针对海量用户数据,进一步提出了基于Spark的并行OS-ELM短期负荷预测模型。为了适应智能用电大数据环境,在所提基于OS-ELM的预测模型基础上,提出了基于Spark的并行OS-ELM短期负荷预测模型,并在仿真实验中验证了所提并行预测模型在保证负荷预测精度的前提下仍具有较高的运行效率。