大规模数据环境下的电力负荷概率密度预测方法研究

Power load probability density forecasting, which obtain more information than the point and interval prediction by constructing various probability density function of forecasting results, is the most detailed prediction method. Large-scale data environment makes the process of power load probability density forecasting more complicated so that single technology is hard to deal with. It need to merge data mining, regression analysis and intelligent optimization methods, etc for us to do. This project can provide more useful information for decision maker of power system and accurate prediction results by studying the power load probability density forecasting method under the environment of large-scale data. The specific contents include (1) In view of the new characteristics of the power load under the environment of large-scale data, we try to analysis the influence of multiple uncertainty factors on the power load probability density forecasting process and method. (2) We use data mining to extract the highest correlation factors and historical load sequence in the large-scale data, put forward the core vector quantile regression probability density forecasting method, and employ chaotic swarm intelligence methods to optimize parameter. (3)We construct the short-term and long-term power load probability density forecasting model under large-scale data environment and build evaluation model and criteria of predictive results.(4) The history power load data of a city in China is used as a case to verify and improve relevant research.

电力负荷概率密度预测通过构造各种预测结果的概率密度函数，获得比点预测和区间预测更多的信息，是最为详尽的预测方法。大规模数据环境使得电力负荷概率密度预测的过程更加复杂，单一的技术手段难以处理，需要融合数据挖掘、回归分析和智能优化等多种方法进行处理。本项目通过研究大规模数据环境下的电力负荷概率密度预测方法，为电力系统决策人员提供更多的有用信息和精确的预测结果。具体研究内容为：（1）针对大规模数据环境下电力负荷呈现出来的新特点，分析多个不确定性因素对电力负荷概率密度预测过程与方法的影响；（2）运用数据挖掘提取大规模数据中关联度最高的因素和历史负荷序列，提出核心向量分位数回归概率密度预测方法，并用混沌群体智能方法进行参数优化；（3）构建大规模数据环境下短期和中长期电力负荷概率密度预测模型，并建立预测结果评价模型和准则；（4）通过对中国某城市的历史电力负荷数据作为案例研究验证和完善相关研究内容。

本项目通过对大规模数据环境下短期电力负荷和中长期电力负荷的特性分析，识别负荷自身变化以及相关因素的影响规律，采用分位数回归理论、模糊集理论，混沌理论，Copula理论，LMS变换、逐步回归、LASSO降维技术、核密度估计、神经网络模型和支持向量回归模型，对电力负荷概率密度预测的模型与方法进行了研究，提出了神经网络分位数回归、支持向量分位数回归、LMS分位数回归、LASSO分位数回归四种不同的电力负荷概率密度预测方法以及混沌神经网络预测算法。通过新加坡短期负荷和实时电价、加拿大渥太华电力负荷、风电功率、中国某些城市的负荷以及安徽省年度用电量的实例验证表明，提出的方法可以实现概率密度预测，并具有较好的精度，Copula理论可以分析实时电价和短期负荷的关系，逐步回归可以辨识影响负荷的强关联因子，核密度估计可以构造概率密度函数，窗宽选择方法可以提高概率密度预测的精度, LASSO变换可以降低自变量的维度。研究成果可应用于智能电网分析与负荷预测系统中，实现大规模数据环境下的电力负荷概率密度预测。