基于智能电表数据分析的精细化时-空负荷特性分析

作     者：卢国波 

作者单位：东北电力大学 

学位级别：硕士

导师姓名：黄南天

授予年度：2017年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

主      题：负荷预测 随机森林 特征重要度 特征选择 聚类分析 

摘      要：电力行业是整个国家的基础性行业之一,其重要性不言而喻。而电能的无法大量存储的特性,使得电能的生产量要求和需求量大致相同,因此需要对负荷进行精准预测。而随着主动配电网的出现和发展,安装到户的智能电表越来越普及,其采集到的用户用电数据也越来越精细,而且负荷数据的规模也随之增加。此外,分布式光伏发电和分布式风电的出现和发展,以及它们的电网接入和消纳,都对负荷预测的精度提出了更高的要求。针对城市负荷预测需要,提出一种基于随机森林的负荷预测特征选择新方法。首先,从实测历史负荷与待预测点时间信息中提取243个相关特征构成原始特征集合;其次,以原始特征集构建随机森林负荷预测模型,使用包含全部特征的训练集训练该模型;之后,通过测试集开展预测,并确定原始模型预测误差与每一个特征的重要度;然后,根据特征重要度,采用优化的序列后向搜索策略选择出最优预测特征子集;最后,用该子集构建最终的预测模型。实验证明,采用特征选择后确定的随机森林预测模型相较原始模型具有更高的预测精度与效率,且预测精度优于基于支持向量回归与人工神经网络的预测模型。得益于随机森林能够准确的分析原始特征空间中所有特征的重要度这一研究结论,针对含大量居民用电用户的配网负荷预测需要,开展基于特征重要度的用电用户聚类研究。首先,对原始智能电表负荷数据进行预处理;其次,按照上述相同的方法提取338个相关特征构成原始特征集合;之后,对每一个用电用户构建一个随机森林预测模型,并使用原始特征集合训练该模型;然后,根据训练结束后得到特征重要度,对所有用电用户使用K-means算法进行聚类分析;最后,对每一类进行特征选择,分别使用最优特征子集重新构建一个随机森林模型,并将所有类别的输出结果求和作为最终的预测结果。实验证明,采用聚类分析后的预测精度相较未采用聚类分析的精度有所提高。