基于 EMD-Stacking-MLR 的台区配变短期负荷预测方法

精度的 L?>:<=;F多模型融合方法单独预测$最大 程度 地 挖 掘 规 律% 最 后$ 叠 加 低 频 36U和 高 频 36U预测结果$得到最终配变预测负荷曲线%
.!基于 46-的负荷高低频分解
!%FG经验模态分解 46-方法是依据数据自身的时间尺度特征$
从高频到低频将非平稳和非线性信号分解为有限 个本征模函数! 36U# 分量$使大部分中低频 36U 分量平稳化$且各 36U分量保留了原信号的不同 时间尺度的局部特征信号$与传统时频域分解方 法相比具有基函数自适应性和高信噪比的优 点)..* % 电力负荷按其工作制可分为连续工作制 负荷(短时工作制负荷(反复短时工作制负荷$即 不同工作制的电力负荷其变化频率特点不同% 配 变电力负荷为各类工作制负荷的叠加$其中包含 从高频到低频的局部特征$因此利用 46-分解配 变电力负荷数据具有物理意义% 通过提取其不同 时间尺度以及不同频率的局部特征$实现有针对 性的单独预测$减小不同特征间的干扰$可有效提 升低频 36U分量预测准确性% 46-分解配变负 荷时间序列流程如图 . 所示%
杨 ! 秀 "#(. 男 教 授 博 士 研 究方向为分布式发 电与微网技术等
>:$,4KS+,; 5$1/0$,+61=4.79 J+4:$/$?&.=4,.B24.$7S,17=?$,;+, <1=+/$7IJ&K>416P.79KJ5R
(,'-?)/" !!8+6.%1M/" !I9,'()%13)$. !?9"!4)%)%1. "/L:GCCECD4E@:?B=:>E4;F=;@@B=;FLG>;FG>=Q;=R@BA=?KCD4E@:?B=:NCO@BLG>;FG>=.)))#)2G=;>
Copyright©博看网. All Rights Reserved.
配网自动化
电器与能效管理技术!"!!#$%!
针对台区配变负荷受多方面复杂因素影响$ 在其规律性较强的常规平稳特性负荷基础上$局 部表现出较强随机特征$传统单一预测方法难以 准确学习其中规律的问题$本文提出一种 46-7 L?>:<=;F76[^的短期负荷预测方法%
./L?>?@PB=, LG>;FG>=4E@:?B=:>ENCO@B^@A@>B:G 3;A?=?M?@LG>;FG>=.)))&)2G=;>
8B=4,164 5G@?B>,=?=C;>EAGCB?7?@BI EC>, DCB@:>A?=;FI@?GC,A>B@ICA?EK,>?>7,B=R@; I>:G=;@E@>B;=;F I@?GC,A>;, ?G@>JJE=:>?=C; A:@;>B=CA>B@ICA?EKI>:BCA:CJ=::=?K8:CM;?KB@F=C;>E?C?>EEC>, DCB@:>A?=;F/3; ?G@D>:@ CD?G@,=A?B=TM?=C; ?B>;ADCBI@BEC>,?G@JB@,=:?=C; @DD@:?=ACTR=CMAEK=;AMDD=:=@;?/3; ?G=AB@F>B,>EC>, DCB@:>A?=;F I@?GC, T>A@, C; 46-7L?>:<=;F76[^=A:C;A?BM:?@,/U=BA?EK?G@,=A?B=TM?=C; ?B>;ADCBI@BEC>, ,>?>>B@,@:CIJCA@, =;?CD=;=?@=;?B=;A=:IC,@DM;:?=C; :CIJC;@;?ADBCIG=FG ?CECODB@`M@;:KTK@IJ=B=:>EIC,@,@:CIJCA=?=C; I@?GC,/ 5G@G=FG >;, ECODB@`M@;:K:CIJC;@;?A>B@,=R=,@, >::CB,=;F?C?G@A>IJE@@;?BCJKR>EM@/LMTA@`M@;?EKL?>:<=;F IME?=7IC,@EDMA=C; I@?GC, >;, IME?=JE@E=;@>BB@FB@AA=C; I@?GC, >B@MA@, ?CJB@,=:??G@G=FG >;, ECODB@`M@;:K :CIJC;@;?AB@AJ@:?=R@EK/U=;>EEK?G@D=;>E,=A?B=TM?=C; ?B>;ADCBI@BJB@,=:?=C; EC>, :MBR@=ACT?>=;@, TKAMJ@BJCA=?=C; CD@R@BK:CIJC;@;?AJB@,=:?=C; B@AME?A/5GBCMFG @*J@B=I@;?>ER@B=D=:>?=C; ?G@B@AME?AAGCO ?G>??G=AI@?GC, G>A >:G=@R@, B@I>B<>TE@B@AME?A=; =IJBCR=;F?G@EC>, DCB@:>A?=;F>::MB>:K>;, IC,@EF@;@B>E=+>?=C; >T=E=?K/
针对强随机性(高复杂度的负荷预测$现有研 究主要采用负荷分解方法和多模型融合预测方 法$使用较广泛的负荷分解方法主要有&小波分析 法)"S* (滤波 分 析 法( 模 态 经 验 分 解 法 ! 4IJ=B=:>E 6C,@-@:CIJCA=?=C;$46-# 及其衍生算法)"$$"'7"(* % 通过预测中引入负荷分解方法$分离时间序列局 部特征信号$有针对性地选取预测方法单独预测$ 可以加强局部特征信号学习能力$提升综合预测 精度% 文献)"$* 则采用 P^Q神经网络和多元线 性回归方法分别对不同频率时序分量进行预测$
电力短期 负 荷 预 测 一 直 是 国 内 外 研 究 的 热 点$学者们在提高模型预测精度(泛化能力和自适 应能力方面已做了大量研究工作)"* $传统负荷预 测方法包括 0^360).* (灰色模型方法)$7S* (支持向 量机)'7%* (相 似 日 法)(7&* % 近 年 来$ 随 着 电 网 信 息 化程度不断提高$在线监测装置等终端设备对电 网运行数据的采集频率和准确性也不断提升)#* $ 以深度学习为代表的人工智能技术使负荷预测研 究取得快速发展% 其中$最具代表性的 2gg)")* ( [L56)#7""* 和 -Vg)".* 等技术通过增加网络深度形 成混合神经网络$进一步提高高维特征学习能力% 然而$以上电力负荷预测研究和应用通常面向市 8 县等广域总负荷中短期预测$应用于台区配变负 荷时其预测精度明显不足$究其原因是由于市 8县 等广域总负荷为各台区配变负荷叠加$高频分量( 噪声在内部相互抵消$最终呈现的负荷曲线更平 滑$而台区配变负荷尽管在长时间尺度内具有明 显的周期特征$但短时间尺度内包含大量高频分 量(噪声$随机性特征更加明显$极大地增加了预 测模型的拟合难度$故需要寻求符合台区短期负 荷特征(更精确的预测技术)"$* %
多模型融合是将多个预测模型信息生成新模 型的集成技术$可获得比单一算法更优越的性能% 多模型融合方法主要有线性加权融合法(多神经 网络并行的模型融合)"&* (VE@;,=;F和 L?>:<=;F框 架下的集成学习)"#7."* 等% 文献 )"& * 通过顶层全 连接神经网络将 U2gห้องสมุดไป่ตู้([L56(^@Ag@?神经网络 模型融合为一个模型$该融合模型预测精度优于 单独模型$且在工程实践中易于实现% 文献)"#* 通过 L?>:<=;F融合 _PVCCA?算法不同参数模型构 成综合预测系统$减小了 _PVCCA?模型参数对预 测精度的影响% 文献).)* 提出一种堆叠式 _PV7 [PV676[N模型用于处理负荷的随机变化问题$ 并对比了多种优化算法的模型超参数优化能力% 文献)."* 则通过实验发现在 L?>:<=;F融合模型中 引入 包 括 [L56( _PVCCA?等 多 个 差 异 化 预 测 算 法$充分体现 L?>:<=;F集成学习的优势% 综上$采 用 L?>:<=;F集成学习框架实现多模型融合可以兼 容多类型预测算法$拓宽模型数据观测空间$实现 各算法取长补短$ 从而综合提高预测模型泛化 能力%
" 'S "
在数据包含较多噪声情况下$取得较好的预测效 果% 文献)"S* 采用小波分解将历史数据分解为 多个不同特征的数据序列$结合 [L56 网络实现 特征提取和预测$在模型预测精度和抗噪性能提 升方面效果明显$若进一步对不同分量有针对性 地优化模型超参数$效果会更佳% 文献)"'* 通过 小波分解将负荷序列分解为低频和高频分量$并 结合各频率分量规律$利用相似日集构建相应 VN 神经网络模型$根据分量特征有针对性地调整预 测模型$有效改善了模型预测能力% 文献)"%* 通 过集合 46-分解负荷数据$分别对各时序分量建 立不同 4EI>; 递归神经网络模型$但在实际预测 中模型调参过程较复杂% 文献)"(* 利用 46-将 用户侧负荷分解为波动负荷和趋势负荷$增加相 似日和 Q5323热环境特征因素$以丰富波动负荷 预测的输入参数$预测效果较好$若能增加量化衡 量 Q5323在波动负荷预测中的贡献$对强随机性 负荷预测将更佳$具备工程适用性% 然而$上述文 献中针对高随机性的高频分量预测算法均较单 一$导致预测模型泛化性不佳$通过多模型融合提 升对负荷不同频率特征分量的综合预测能力成为 一种有效手段%
Copyright©博看网. All Rights Reserved.
'$
电器与能效管理技术!"!!#$%!
配网自动化
)!引!言
随着社会经济快速发展$城市用电负荷不断 攀升$使得台区配变设备所承担的重过载风险日 趋严重$为电网安全运行埋下隐患% 目前工程应 用中针对配变重过载. 事中监控(事后处理/ 的治 理方法相对被动$配变经常处于重过载状态$将导 致设备加速老化(使用寿命缩短% 如果能在短期 内准确预测配变负荷变化趋势$对电力公司准确 预知配变重过载情况并及时采取措施具有重要 意义%
C+D *$,/= +;E.,.613;$/+/+6$;E$=.4.$7 IJ& >416P.79 +7=+;B3+3+1,7.79 J5R =:$,4K4+,; 3$1/?$,+61=4.79 /.=4,.B24.$74,17=?$,;+,
胡钟毓"##' 女硕士研究生研究方向为深度学习与电力大数据分析技术 田英杰"#%# 男高级工程师主要从事电力大数据的应用研究及开发工作 !基金项目 上海电力人工智能工程技术研究中心项目"#-j..'.&))
" ! 基 于 46-7L?>:<=;F76[^的 负 荷 预测模型框架
!!基于 46-7L?>:<=;F76[^的短期负荷预测模 型由 ' 部分组合&46-分解及高低频判断$低频 6[^预测$高频 L?>:<=;F预测$叠加重构负荷曲 线% 基于 46-7L?>:<=;F76[^的负荷预测模型框 架如图 " 所示%
配网自动化
电器与能效管理技术!"!!#$%!
基于 IJ&K>416P.79KJ5R的台区配变 短期负荷预测方法!
杨!秀"!胡钟毓"!田英杰#!谢海宁# "/上海电力大学 电气工程学院 上海!#%%%+% #/国网上海市电力公司电力科学研究院 上海!#%%%)%
摘!要 传统短期负荷预测方法多为基于数据驱动的机器学习方法应用场景多 为较宏观的市 8县区域总负荷预测而面对台区配变负荷其预测效果明显不足 对此 构建了一种基于 46-7L?>:<=;F76[^的负荷预测方法 首先将台区配变负荷数据通过 经验模态分解方法分解为频率由高到低的有限本征模函数分量利用样本熵大小为依 据划分高低频分量随后采用 L?>:<=;F多模型融合方法和多元线性回归方法分别对 高低频分量进行预测最后叠加各分量预测结果得到最终配变预测负荷曲线 通过 实验验证结果表明所提方法在提升负荷预测精度和模型泛化能力方面成效显著
关键词 模态经验分解性 IJ& >416P.79 集成学习 J5R 短期负荷预测 台区配变
中图分类号 56("S!文献标志码 0!文章编号 .)#'7&"&&.)..).7))'$7") &'( ")/"%%.& 89/:;<=/.)#'7&"&&/.)../)./))#