基于智能電表數(shù)據(jù)分析的精細(xì)化時(shí)-空負(fù)荷特性分析.pdf

1、電力行業(yè)是整個(gè)國家的基礎(chǔ)性行業(yè)之一，其重要性不言而喻。而電能的無法大量存儲(chǔ)的特性，使得電能的生產(chǎn)量要求和需求量大致相同，因此需要對負(fù)荷進(jìn)行精準(zhǔn)預(yù)測。而隨著主動(dòng)配電網(wǎng)的出現(xiàn)和發(fā)展，安裝到戶的智能電表越來越普及，其采集到的用戶用電數(shù)據(jù)也越來越精細(xì)，而且負(fù)荷數(shù)據(jù)的規(guī)模也隨之增加。此外，分布式光伏發(fā)電和分布式風(fēng)電的出現(xiàn)和發(fā)展，以及它們的電網(wǎng)接入和消納，都對負(fù)荷預(yù)測的精度提出了更高的要求。
　　針對城市負(fù)荷預(yù)測需要，提出一種基于隨機(jī)森林的負(fù)

2、荷預(yù)測特征選擇新方法。首先，從實(shí)測歷史負(fù)荷與待預(yù)測點(diǎn)時(shí)間信息中提取243個(gè)相關(guān)特征構(gòu)成原始特征集合；其次，以原始特征集構(gòu)建隨機(jī)森林負(fù)荷預(yù)測模型，使用包含全部特征的訓(xùn)練集訓(xùn)練該模型；之后，通過測試集開展預(yù)測，并確定原始模型預(yù)測誤差與每一個(gè)特征的重要度；然后，根據(jù)特征重要度，采用優(yōu)化的序列后向搜索策略選擇出最優(yōu)預(yù)測特征子集；最后，用該子集構(gòu)建最終的預(yù)測模型。實(shí)驗(yàn)證明，采用特征選擇后確定的隨機(jī)森林預(yù)測模型相較原始模型具有更高的預(yù)測精度與效率，

3、且預(yù)測精度優(yōu)于基于支持向量回歸與人工神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。
　　得益于隨機(jī)森林能夠準(zhǔn)確的分析原始特征空間中所有特征的重要度這一研究結(jié)論，針對含大量居民用電用戶的配網(wǎng)負(fù)荷預(yù)測需要，開展基于特征重要度的用電用戶聚類研究。首先，對原始智能電表負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理；其次，按照上述相同的方法提取338個(gè)相關(guān)特征構(gòu)成原始特征集合；之后，對每一個(gè)用電用戶構(gòu)建一個(gè)隨機(jī)森林預(yù)測模型，并使用原始特征集合訓(xùn)練該模型；然后，根據(jù)訓(xùn)練結(jié)束后得到特征重要度，對所