基于机器学习的超短期电力负荷预测方法研究开题报告

全文总字数：4461字

1. 研究目的与意义（文献综述）

随着社会的发展和科技的进步，尤其是信息传输高效化、电力计量仪表智能化、发电输出设备自动化以及电力大数据信息系统等技术的普及与应用，这使得电力实时交易成为可能，电力期货市场也应运而生。超短期电力负荷预测是指通过天气、社会、经济等因素对未来短期电力负荷需求进行的有效预测。它对电力系统的经济调度具有重要意义，是实现电力期货交易的重要前提。超短期电力负荷预测是电网负荷预测的重要组成部分。准确的负荷预测是降低电网运行成本、建立电力期货市场的前提。同时，准确的负荷预测也将提高发电设备的综合利用效率。因此，精准的超短期电力负荷预测不仅可以为电力系统的安全、经济、高效运行提供保障，而且可以为调节电力市场供求关系提供依据。

自从2011年中国全面超越美国成为全球最大的电力生产和消费国，经过将近10年的发展，目前我国潜在的电力期货市场规模庞大。为提高用电平衡，降低用电不公平的现象发生，新一轮全面深化电力市场改革在逐步铺开。2015年国务院颁布《关于进一步深化电力体制改革的若干意见(中发〔2015〕9号)文》，推动了以“管住中间，放开两头”为大方向的新一轮电力改革使得中国电力期货市场建设进一步加快，新一轮的电力改革下鼓励更多的参与者以及参与卖方，响应的信息公开机制也起到极其重要的意义。文献比较分析了中国新一轮电力改革下中国不同的电力零售商在信息披露方面的策略发现了信息公开程度高的公司往往服务质量好，一个健全的信息披露制度可以触及健康的竞争，确保公平的市场。2016年，中国南方电网公司下辖的广州、贵州、广东、广西、昆明电力交易中心相继成立，并于当年4月实现首次网上交易。目前，广州交易中心负责区域间和省级交易，各省级交易中心负责省内交易。

2. 研究的基本内容与方案

基于机器学习的超短期电力负荷预测模型。针对现有负荷预测方法中存在的一些问题提出了一种将径向基函数（radial basis function, rbf）与粒子群优化算法（particle swarmoptimization，pso）相结合的超短期电力负荷预测模型，使用k-means算法对数据进行聚类处理，使用pso与传统的遗传算法（genetic algorithm，ga）进行比较，得到pso算法的优点基于anaconda pycharm平台，利用python语言对数据进行处理，广东省深圳市某售电公司的电力数据为样本。每隔一小时采集一次数据，构成每天24个负荷数据，并根据当天天气预报，得到当日最高气温、最低气温以及天气类型，同时充分考虑当天日类型对负荷产生的影响，将工作日、周末、节假日作为日类型进行输入。共37天，包含888个数据点，其中前32天的768个数据点用作训练数据，后五天的120个点用作测试数据。模型共包含8个输入值，分别为：输入1：前1天同时刻的负荷值（d-1）；输入2为前2天同时刻的负荷值（d-2）；输入3：上一周同天同时刻负荷值；输入4：当天（d日）最高温度（基于天气预报）；输入5：当天（d日）最低温度；输入6：当天（d日）日类型（工作日、周末、节假日：1，2, 3）；输入7：当天（d日）天气类型（晴天1； 阵雨2； 多云3； 小雨4； 中雨5； 大雨6； 雷阵雨7； 暴雨8）；输入8：预测时刻值t（t=0点~23点，分别对应数值1~24）。输出为预测日（d日）t时刻的电量预测值建立模型数据散点图，通过对比模型有无pso优化，观察模型预测精度的变化。

3. 研究计划与安排

1-3周，完成开题报告；

4-5周，完成中/英文文献资料阅读；

5-7周，完成超短期电力负荷预测数学模型的构建；

4. 参考文献（12篇以上）

[1] 刘强.新一轮电力改革对我国发电行业经营的影响[d].对外经济贸易大学,2019.05.

[2] jinls, chen c, wang xy, et al.research on information disclosure strategies ofelectricity retailers under new electricity reform in china[j].science of thetotal environment, 2020, 710(3).

[3] khana r, mahmood a, safdar a, etal.load forecasting ,dynamic pricing and dsm insmart grid: a review[j].renewable sustainable energy reviews, 2016,54(0):1311-1322.