母线负荷预测的边缘模糊理论架构及其核心方法研究

Accurate short-term bus load forecasting is the basis of energy saving and scheduling delicacy management for modern smart grid. However, the adverse factors including incomplete information, fast load changes and the large electrical characteristic differences between different buses restrict the improvement of load forecasting accuracy. This project adopts mathematical methods to construct an edge blur theoretical system, which can break through the limitation that the accuracy of traditional bus load forecasting is significantly decreased in greater load mutation. This research work is as follows. The eigenvector of distinguishing sample point properties and its evaluation method are studied, and a rational bad data processing strategy is developped. The selection method of optimal similar days with unified load level and curve shape is investigated, which reflects the the credibility of historical information and the unclear classification boundaries in the selection of similar days and thus provides high quality data sample for forecasting. The forecasting mechanism of segmented contest and dynamic integration for daily load curve is put up, and the forecasting model adaptation library is built in order to enhance the batch processing capacity of bus load forecasting. This project aims to reveal the influence mechanism of various random and non-random factors including climate and society on bus load, and explore a new way of how to effectiverly improve the whole forecasting accuracy of bus load in smart grid

准确的短期母线负荷预测是现代智能电网实现节能降耗与调度精细化管理的基础，而信息不完备、负荷变化快、不同母线间的用电特性差异大等不利因素制约着负荷预测精度的提高。本项目运用数理方法、提出构建适用于母线负荷预测的边缘模糊理论体系，突破传统母线负荷预测在负荷突变时预测精度显著下降的局限性。项目研究内容包括：研究区分样本点性质的特征向量以及评价方法，制定合理的坏数据处理策略；研究负荷水平与曲线形状相统一的最优相似日选取方法，体现历史信息可信度以及相似日选择时分类边界不分明的特点，为预测工作提供高质量的数据样本；研究日负荷曲线的分段竞争预测与动态综合预测机制，构建预测模型适应库，同时增强母线负荷预测的批处理能力。 项目旨在揭示气候、社会等多种随机和非随机因素对负荷的影响机制，为有效提高智能电网中母线负荷的整体预测精度探索一条新的途径。

准确的短期母线负荷预测是现代智能电网实现节能降耗与调度精细化管理的基础，而信息不完备、负荷变化快、不同母线间用电特性差异大等不利因素制约着负荷预测精度的提高。本项目运用数理方法、构建适用于母线负荷预测的边缘模糊理论体系。在“数据处理”方面，提出了压缩过滤与迁移扩充相结合的母线负荷数据处理策略：压缩后的数据既包含负荷变化周期性规律又包含节假日等干扰因素造成的随机波动性；近邻迁移学习方法实现了对缺失、稀疏负荷数据的补充和对突变负荷数据的修正；选取气象、季节、日期、节假日和经济增速共五大类二十多项数据作为负荷变化主导因素扩充至负荷数据集中，为探究负荷变化机理提供了预测关联分析的大数据样本。在“特征提取”方面，对比分析了相关系数法和互信息评价方法，建立了基于EMD分解和小波分解的特征提取方法，揭示了特征的时标属性并发现存在未知特征。在“训练集构造”方面，提出了大数据与日日拓扑网络结合的最优相似日选取与训练数据集构造方案，在网络中采取随机游走算法，体现了历史信息可信度和相似日选择时分类边界模糊的特点。在“预测模型构建”方面：以大数据分析和模型融合为核心，提出了多算法多模型与二次学习相结合的动态竞争预测模型库，克服了单算法适用范围受限和单模型易过拟合的缺陷，解决了近因效应问题；此外，针对节假日负荷波动剧烈的问题，提出了节假日和非节假日分离的单纯节假日权重迁移预测方法，进一步提升了整体预测效果。研究成果揭示了气候、社会等多种随机和非随机因素对负荷的影响机制，为有效提高智能电网中母线负荷的整体预测精度探索了一条新途径。. 项目组共发表论文10篇，其中本基金为第一标注的论文9篇、SCI论文5篇（含中科院SCI-1区且为TOP期刊论文1篇，中科院SCI-2区且为JCR-Q1区1篇，中科院SCI-3区3篇）、EI 论文1篇、CCF-C类会议1篇，获软件著作权2项，培养博士2名、毕业研究生6名。