论文部分内容阅读
社会的发展带来电能需求的不断增长,而能源危机不断增大,电能供需存在巨大矛盾。电网需求侧管理(Demand Side Management,DSM)能够有效的解决电能供需矛盾。随着智能电网的成熟,智能电网动态需求响应(Demand Response, DR)技术为电网需求侧管理提供了新思路,即通过激励方式引导用户自主调整用电需求,从而达到削峰平谷、平衡电能供需的目的。智能电网中智能电表的大规模部署收集了海量的负荷信息,对这些数据做数据挖掘可以更好的促进有效的动态需求响应。在海量的负荷信息下,将数据挖掘中聚类算法应用到负荷特性分析中来,对用户负荷曲线进行更加精细有效的聚类,才能更好地把握不同类别用户负荷特性,分析不同用户的响应规律,为需求响应措施的应用提供更可靠的理论依据;只有采用更加新颖的预测算法对负荷数据预测,才能更准确的预测负荷变化,提高需求响应灵敏度。论文选题于国家电网科技项目《基于业务可视化的流量分析关键技术研究》,利用数据挖掘的相关理论对智能电网海量负荷数据进行负荷特性分析与短期负荷预测研究。论文首先总结了智能电网数据分析相关研究方向,并综述了数据挖掘常用方法。然后,结合智能电网负荷数据的大规模特性,提出一种基于主成分分析法(Principal Component Analysis,PCA)降维的自适应加权模糊C均值(Fuzzy C Means, FCM)聚类算法(PCA-WFCM)实现负荷特性分析。利用实际智能电表数据验证所提算法性能,结果表明,该算法与传统模糊C均值聚类算法相比,提高了聚类精度的同时减小了聚类时间。最后,为了提升短期负荷预测精度,提出一种改进的径向基函数(Radial Basis Function, RBF)神经网络预测算法(RBF-PCA-WFCM),该算法利用PC A-WFCM聚类算法确定RBF的基函数中心,并采用梯度下降法优化网络权值。仿真结果表明,该算法与传统的以K均值(K-means,KM)确定基函数中心的RBF神经网络预测算法相比,具有更高的预测精度。进一步,为了充分利用不同类别用户负荷曲线特点提升短期负荷预测精度,本文提出了一种基于用户聚类的短期负荷预测方法。该方法首先对所有用户负荷曲线聚类,然后对每一类用户负荷分别预测,最后求和获得最终总负荷预测结果。仿真结果表明,所提出的基于用户聚类的短期负荷预测方法较直接负荷预测方法能进一步提升预测精度。