北极星

搜索历史清空

  • 水处理
您的位置:电力技术正文

电力大数据实际案例:基于大数据的短期负荷预测

2016-01-13 09:19来源:机械工业出版社E视界关键词:电力大数据电力系统用电信息采集系统收藏点赞

投稿

我要投稿

步骤2:确立关键影响因素

对影响负荷的因素进行关联度排序,剔除一些对负荷影响小的因素。达到约简分类规则,简化预测模型的目的。

在关联分析方法中,灰色关联分析法是一种应用较多,效果得到普遍公认的关联度量化方法。采用该算法计算每个因素(如日最高气温,日平均气温,平均湿度,日类型(星期几)等)与负荷曲线之间的灰色关联度。将预测日前一年的历史负荷数据、气象数据以及日类型数据集作为分析样本,设定母序列为负荷值,天气因素、日类型为若干子序列。采用灰色关联分析算法分析各个子序列与母序列的相关性,最后将一年每天的灰色关联度求均值即可得到各个影响因素的灰色关联度。对灰色关联度进行排序,选定值较大的前4个作为影响该用户负荷的关键影响因素。

步骤3:建立分类规则

通过步骤1以及步骤2,得到了待预测日过去一年的历史负荷曲线的分类结果和影响负荷的关键因素。步骤3需要找到分类结果与关键影响因素间的耦合关系,即造成聚类结果的依据。并以分类规则的形式表现出来,该步骤的作用是当已知待预测日的关键影响因素值时,可以将预测日遵循分类规则分配到对应的聚类中去,从而该类的结果就可以作为预测日的相似日数据集来训练模型。

CART决策树算法是一种直观的表征分类关系的规律表示方法,在每个节点(除叶节点外)将选用Gini指数最小的关键影响因素,将当前节点的历史负荷数据集分割为两个子集,直到最后的分类结果与步骤1中的聚类结果吻合。该过程完成对历史负荷及关键影响因素数据与聚类结果间耦合关系的学习,能够清楚完善的表征分类规则。

步骤4:将待预测日分类

当得到预测日的关键因素日特征向量(即关键因素值组成的向量)后,将其输入步骤3建立的决策树模型中,即可输出相应的分类结果。

步骤5:训练预测模型并预测

针对步骤1的分类结果,将每类的负荷数据及相应的关键因素数据构建训练样本。针对每类负荷数据的变化规律和特征,选取匹配的预测模型来完成对该日负荷的预测。在这个过程中,我们选用支持向量机方法,该方法的核函数通常为RBF核函数,因为此核函数下需要确定的支持向量机参数有核函数参,不敏感系数和惩罚参数。不同的参数组合匹配不同类型的负荷,具有更强的建模针对性。根据步骤4中得出的待预测日的分类结果,选用对应的支持向量机模型完成预测。

原标题:电力大数据实际案例:基于大数据的短期负荷预测
投稿与新闻线索:陈女士 微信/手机:13693626116 邮箱:chenchen#bjxmail.com(请将#改成@)

特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。

电力大数据查看更多>电力系统查看更多>用电信息采集系统查看更多>