基于大数据的电力负荷预测_开题报告

一、文献综述

••••文献[1，2，3]中传统的负荷预测方法有四种：1）回归分析方法是最为常见的一种数据处理方式，将回归分析方法应用于预测领域时,所建立的预测模型是一种解释性模型。回归分析法方便简单，但在回归分析法中选用何种因子和该因子采用何种表达只是一种推测使得回归分析法在某些情况受到了限制。2）趋势外推法:趋势外推法是根据负荷的变化趋势对未来负荷情况进行预测。电力负荷虽然具有随机性和不确定性, 但在一定条件下, 仍存在着明显的变化选择合适的趋势模型是应用趋势外推法的重要环节。但系统受到多种因素影响，有的是积极因素，有的是消极因素。3）时间序列法又分为确定型时序法和随机型时序法, 前者包括时间序列平滑法、时间序列分解法和谱展开法等;后者包括马尔可夫法、Box-Jerkins法(又称ARMA模型法)和状态空间法等。4）灰色模型法:灰色系统理论是、 可以使用于任何非线性变化的负荷指标预测，适用于样本量较小的系统进行综合分析，且计算量较小。但方法中的某些参数如指数权重和分辨系数需要人为指定。

电力负荷的一大特点是其明显受到各种环境因素的影响 ,如季节更替、天气因素突然变化、设备事故和检修、重大社会活动等 ,这使得负荷时间序列的变化出现非平稳的随机过程，传统负荷预测方法对于这些因素的处理通常显得不够有效。

文献[5,6]中人工智能方法有两种：1）神经网络（Neural Networks,NN）是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。但是最严重的问题的是没有能力解释自己的推理过程和推理依据，也不能向用户提供必要的询问，当数据不充分的时候，神经网络就不能工作，另外计算所需要的时间较长。2）专家系统是将专家在实际工作中对事物获得的感性认识进行提取, 建立知识库, 并在系统的实际运行过程中对知识库不断进行更新和维护, 以跟随事物的变化轨迹,达到模拟专家的。但把专家知识转换为一系列的数学规则是较难实现，专家系统分析本身就是个耗时的过程,并且某此复杂的因素(如天气因素)即使知道其对负荷的影响,但要准确定量地确定其影响十分困难。

文献[10,11，12] 提出奇异谱分析法是一种很新颖的数据处理方法，由Karhunen-Loeve分解理论推论得到。从时间序列动力重构开始，与经验正交函数相关联，可以很有效地来识别非线性系统间的虚弱分量。它将时域和频域互相结合，以此来识别描述乃至强化信号，擅长提取大量有用信息的同时屏蔽一定幅度内的噪声，尤其在伴随震荡的周期系统中表现出色。

文献[14,15]提出主成分分析中，该方法有降低高维序列的维数，去掉奇异谱分析残留的部分噪声，去掉冗余信息并反映各成分相关性的作用。

文献[16]提出的支持向量机(support vector machine，SVM)，在非线性拟合，并表现出良好的性能，由于支持向量机较神经网络对训练样本的数量要求少，并且支持向量机所解决的是一个凸优化的问题，利用同样的样本和参数所得到的训练模型给出的预测值是恒定的，理论上和实际应用中都要比神经网络模型性能更优。

因此传统的负荷预测方法是直接对现有的数据进行预测，现有数据中可能存在噪声，且传统预测方法受到其中参数的影响较大，自适应能力较差；而现有的人工智能算法也存在很多问题，如神经网络算法无法解释自己的推理依据和推理过程，专家系统算法无法确定某些因素对负荷的影响，且其运算过程都比较耗时，目前也只是理论研究阶段。本文首先要在数据处理方面进行创新，经过奇异谱分析和主成分分析保留数据中重要信息，去除无用信息，避免无用信息对数据预测进行干扰。本文采用奇异谱分析法对数据进行处理，提取出数据中有用的信息并屏蔽一定幅度内的噪声；然后通过主成分分析进一步去掉奇异谱分析残留的部分噪声，保留主要信息；最后利用最小二乘法支持向量机对处理后的数据进行预测，比神经网络预测更优。

二选题的意义

 近些年来，中国各地发电量及用电负荷都在迅速增大，人们对电网的供电质量和运行的稳定性的要求也在逐步增高，中国电网迎来了新挑战。目前，我国已总共实现1.55 亿用电户的信息采集[1]。为了更好地满足发电厂和用户的要求，我们需要提前结合过去的发电量信息，对将来的电力负荷进行预测，然后根据预测结果制定发电计划，来指导未来电能的生产与调度。

电力负荷预测需要先着手去整理过去一段时间内的电力负荷自身的变化情况，并统计下经济，气温，天气等十分重要的外在影响因素。然后我们以此为依据，分析研究得到的数据并用一定的科学方法推导，最后得到事物间的内在联系与发展规律。然后将估计的将来的经济，气象等指标带入其中分析，得出对电力系统负荷预先的评估。按照以往^范文中的说法，短期预测可以为一年以内的电能预测 ，它的预测单位主要涵盖：月 、周 、天 、小时 [2]。也有的^范文认为周以内的预测才算是短期预测。本次研究主要对象是几天，几周范围内的短期负荷预测，基本时间单位选择为15分钟。

在新的形式下，随着科技飞速发展，计算机和传感器技术不断获得进步，负荷统计数据的数量级也是越来越大。虽然数据包含的信息量越来越多，由此得出的预测结果也会更加精确，但是这也需要我们去提高处理大数据的能力。

本次研究的目的就是探究基于大数据的电力系统短期负荷预测的方法。

三、本文主要内容和方法

负荷预测是电力生产中一个非常重要的话题，我们凭此来估测将来的用电量，并指导日常生产工作。其中短期预测用来制定近期发电计划，借此调节电网保持稳定，还可以节省能源。随着我国电网建设日趋完善，系统日趋稳定，短期预测日益重要。同时针对越来越多的原始数据，我们也需要大数据处理能力。为了改善预测结果，适应新的形势，本文用如下方法进行负荷预测。

首先对电力系统负荷变化的规律进行简单分析，发现简单规律以此确定后面的思路。然后采用奇异谱分析法分析数据，去掉噪声部分并重构原始数据。接下来用主成分分析法分析数据，找出主成分进行下一步实验，以减轻计算机压力。最后把主成分按一定方法加权得到三组结果，代入最小二乘支持向量机程序进行预测。

本次研究完全用Matlab8.3编程完成，最后得到的预测结果与实际负荷趋势相同，数值上也很接近。这次研究证明这种新颖的方法有很好的预测精度，很适合应用在大数据背景下的生产活动中。

四、^范文提纲

1.1课题背景

1.2大数据相关介绍

1.3电力系统短期负荷预测发展沿革

1.3.1发展早期

1.3.2短期负荷预测的重要性

1.3.3基于大数据的短期负荷预测

1.4本文主要工作

2预测方法理论

2.1引言

2.2奇异谱分析法

2.2.1简介

2.2.1推导奇异谱

2.2.3重构

2.3主成分分析法

2.3.1简介

2.3.2原理

2.3.3求取L矩阵

2.3.4主成分载荷的求取

2.4最小二成支持向量机

2.4.1支持向量机理论

2.4.2线性支持向量机

2.4.3非线性支持向量机

2.4.4最小二成支持向量机原理

2.4.5确定参数

2.5小结

3实验结果和分析

3.1引言

3.2原始数据观察

3.2.1原始数据输入

3.2.2高峰期，低谷期，过渡期的讨论

3.2.3初步用电模型

3.3负荷预测尝试

3.3.1奇异谱分析法

3.3.2主成分分析法

3.3.3最小二乘法支持向量机

3.3.4总结

3.4去除昼夜的负荷预测

3.4.1思路

3.4.2奇异谱分析

3.4.3主成分分析法的改进

3.4.4最小二乘支持向量机

3.5削减外界因素的探索

3.5.1主成分分析法的进一步改进

3.5.2奇异谱分析法改进的探索

3.5.3综合预测模型

3.6基于大数据的电力负荷预测

3.6.1数据准备

3.6.2奇异谱分析毛刺处理

3.6.3预测结果

3.6.4实验总结

三、参考文献

王德文, 孙志伟. 电力用户侧大数据分析与并行负荷预测[J]. 中国电机工程学报, 2015,03:527-537.

周潮,邢文洋,李宇龙. 电力系统负荷预测方法综述[J]. 电源学报,2012,06:32-39. 

李国杰, 程学旗. 大数据研究:未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J]. 中国科学院院刊, 2012,06:647-657.

张引， 陈敏， 廖小飞. 大数据应用的现状与展望[J]. 计算机研究与发展, 2013, 50(S2): 216-233.

朱向阳．电力系统短期负荷预测及其应用系统[D]. 东南大学， 2004.

张晓. 电力系统短期负荷预测研究[D]. 四川大学，2001.

许元斌. 大数据应用推动配电网发展[J]. 国家电网，2015,11:48-49.

王海林. 大数据的是与不是[J]. 国家电网，2015,11:46-47.

廖旎焕， 胡智宏， 马莹莹，卢王允. 电力系统短期负荷预测方法综述[J]. 电力系统保护与控制，2011,01:147-152.

马士成, 何友文. 基于奇异谱理论的我国经济周期测度[J]. 浙江金融, 2011,03:28-35.

江志红, 丁裕国. 奇异谱分析的广义性及其应用特色[J]. 气象学报 ，1998,06:97-106.

李永华, 刘德, 朱业玉,等. 重庆市气温及降水变化的奇异谱分析[J]. 高原气象, ,2005,05:798-804.

赵兴梁. 风电场功率短期预测及其对负荷预测的影响[D]. 华北电力大学(保定), 2010.

聂宏展, 聂耸, 乔怡,吕盼. 基于主成分分析法的输电网规划方案综合决策[J]. 电网技术, 2010,06:134-138.

许淑娜, 李长坡. 对主成分分析法三个问题的剖析[J]. 数学理论与应用, 2011,04:116-121.

丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011,01:2-10.