Please wait a minute...
发电技术  2019, Vol. 40 Issue (6): 521-526    DOI: 10.12096/j.2096-4528.pgt.19010
能源互联网 本期目录 | 过刊浏览 |
基于KPCA-SVM模型的电力负荷最大值短期预测方法
张永伟1(),潘巧波2
1 安徽邮电职业技术学院通信工程系, 安徽省 合肥市 230000
2 华电电力科学研究院有限公司, 浙江省 杭州市 310030
Short-term Prediction Method of Maximum Power Load Based on KPCA-SVM Model
Yongwei ZHANG1(),Qiaobo PAN2
1 Telecommunication Engineering Department, Anhui Post and Telecommunication College, Hefei 230000, Anhui Province, China
2 Huadian Electric Power Research Institute Co., Ltd., Hangzhou 310030, Zhejiang Province, China
全文: HTML    PDF(1641 KB)  
输出: BibTeX | EndNote (RIS)      
摘要: 

电力负荷最大值预测是电网企业调度工作的重要组成部分,其预测结果的准确度将对电能的配送、有效利用率、供电服务的质量以及电力系统的发展产生重要影响。以安徽某市81天的电力负荷最大值数据为基础,选取影响当天电力负荷最大值的10个因素,并采用核主成分分析(kernel principal component analysis,KPCA)算法将10维的影响因素降为5维,其累计贡献率可达93.70%。以降维后的5维数据为输入,以径向基函数为核函数,并采用交叉验证选择支持向量机(support vector machine,SVM)回归的最佳参数,随机选取54组数据训练SVM预测模型,最后进行27组数据的拟合预测,拟合预测的均方误差为0.004 1,相关系数为0.963 1。研究结果表明,应用KPCA结合的SVM预测模型对电力负荷最大值具有很好的预测能力。

关键词 电力系统负荷核主成分分析(KPCA)支持向量机(SVM)预测模型    
Abstract

The maximum power load is an important part of power enterprise dispatching work. The accuracy of its prediction results will have an important impact on the distribution of power, the effective utilization rate of power, the quality of power supply service and the development of power system. Based on the 81-day maximum power load data of a city in Anhui province, 10 factors influencing the maximum power load of that day were selected, and the influencing factors reduced from 10 dimensions to 5 dimensions by kernel principal component analysis(KPCA). The cumulative contribution rate can reach 93.70%. The best parameters of SVM regression were selected by cross validation. 54 groups of data were randomly selected to train SVM prediction model. Finally, 27 groups of data were fitted and predicted. The mean square error of fitting prediction was 0.004 1, and the correlation coefficient was 0.963 1. The results show that the KPCA combining the SVM prediction model for maximum power load has good prediction ability.

Key wordspower system    load    kernel principal component analysis (KPCA)    support vector machine(SVM)    prediction model
收稿日期: 2019-01-16      出版日期: 2019-12-31
基金资助:国家科技支撑计划项目(2015BAA06B02)
作者简介: 张永伟(1991),男,硕士,讲师,研究方向为电力系统自动化、电力负荷预测等, zyw13844244150@163.com|潘巧波(1993),男,工学硕士,工程师,研究方向为微电网控制、电力电子与新能源发电
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
张永伟
潘巧波
引用本文:

张永伟,潘巧波. 基于KPCA-SVM模型的电力负荷最大值短期预测方法[J]. 发电技术, 2019, 40(6): 521-526.
Yongwei ZHANG,Qiaobo PAN. Short-term Prediction Method of Maximum Power Load Based on KPCA-SVM Model. Power Generation Technology, 2019, 40(6): 521-526.

链接本文:

http://www.pgtjournal.com/CN/10.12096/j.2096-4528.pgt.19010      或      http://www.pgtjournal.com/CN/Y2019/V40/I6/521

表1  KPCA对10种影响因素的处理结果
图1  SVM预测模型整体流程
图2  粗略寻找结果等高线图
图3  粗略寻找结果3D视图
图4  精细选择结果等高线图
图5  精细选择结果3D视图
图6  SVM回归预测结果图
图7  SVM预测的误差图
图8  SVM预测的相对误差图
1 梁青艳, 孙彦广. 钢铁企业电力负荷动态预测建模问题的应用研究[J]. 科学技术与工程, 2018, 18 (16): 44- 54.
doi: 10.3969/j.issn.1671-1815.2018.16.008
2 蔡秋娜, 张乔榆, 刘思捷, 等. 市场环境下考虑多因素影响的母线负荷预测方法[J]. 广东电力, 2019, 32 (8): 65- 72.
3 陈潇雅, 刘志坚, 刘晓欣, 等. 基于长期负荷预测和联络分析的配电网规划[J]. 广东电力, 2019, 32 (3): 59- 65.
4 杨博宇, 陈仕军. 电力负荷预测研究综述及预测分析[J]. 四川电力技术, 2018, 41 (3): 56- 60.
5 郭威, 巴秀玲. 基于神经网络的电力系统负荷预测问题研究[J]. 自动化与仪器仪表, 2017, (10): 192- 194.
6 肖白, 周潮, 穆钢. 空间电力负荷预测方法综述与展望[J]. 中国电机工程学报, 2013, 33 (25): 78- 79.
7 邹京希, 曹敏. 基于总体测辨和人工神经网络的负荷建模及预测方法[J]. 电力系统及其自动化学报, 2018, 30 (8): 108- 112.
doi: 10.3969/j.issn.1003-8930.2018.08.018
8 周涛. 基于改进神经网络的电力系统中长期负荷预测研究[J]. 电气应用, 2013, 32 (4): 26- 29.
9 杨楠, 叶迪, 周峥. 基于NACEMD-Elman神经网络的风功率组合预测[J]. 水电能源科学, 2018, 36 (9): 209- 211.
10 胡朝举, 李云霞. 关于电力负荷影响因素及智能预测方法的研究[J]. 通信电源技术, 2018, 35 (2): 231- 232.
11 许杏花, 潘庭龙. 基于KPCA-RF的风电场功率预测方法研究[J]. 可再生能源, 2018, 36 (9): 1323- 1327.
doi: 10.3969/j.issn.1671-5292.2018.09.010
12 刘剑, 刘丽华. 基于KPCA与SVM的混合核交通流数据检测[J]. 沈阳建筑大学学报(自然科学版), 2018, 34 (5): 921- 928.
13 李军, 王秋莉. KPCA-KELM在短期交通流量预测中的应用[J]. 江苏大学学报(自然科学版), 2018, 39 (5): 570- 575.
doi: 10.3969/j.issn.1671-7775.2018.05.013
14 胡伟, 张玮灵, 闵勇. 基于支持向量机的电力系统紧急控制实时决策方法[J]. 中国电机工程学报, 2017, 37 (16): 4567- 4576.
15 简献忠, 顾祎婷. 一种基于全过程优化支持向量机的短期电力负荷预测方法[J]. 电力科学与工程, 2018, 34 (11): 45- 51.
doi: 10.3969/j.ISSN.1672-0792.2018.11.007
16 鞠建波, 胡胜林, 祝超. 一种改进的支持向量机回归故障预测方法[J]. 电光与控制, 2018, 25 (1): 6- 9.
17 吐松江·卡日, 高文胜, 张紫薇. 基于支持向量机和遗传算法的变压器故障诊断[J]. 清华大学学报(自然科学版), 2018, 58 (7): 623- 629.
18 许洪华, 李勇, 施恂山. 基于振动噪声SC与SVM的变压器局部过热故障诊断[J]. 陕西电力, 2017, 45 (6): 11- 17.
[1] 张斌,张超,韩晓娟. 含规模化风电并网的负荷频率云PI控制策略研究[J]. 发电技术, 2019, 40(6): 516-520.
[2] 王林,伍刚,张亚夫,高景辉,王红雨,孟颖琪. 1 000 MW深度调峰机组热力系统优化研究[J]. 发电技术, 2019, 40(3): 265-269.
[3] 刘忠秋,张国柱,邱寅晨,张钧泰,王珊,刘明. 热电联产机组集成热泵实现热电解耦的潜力与能耗特性分析[J]. 发电技术, 2019, 40(3): 253-257.
[4] 罗云,陈雪林,李瑞东,苏永健,徐义巍,晁俊凯,李鹏竹,任海彬. 汽轮机变工况下调节级压力预测模型及应用[J]. 发电技术, 2019, 40(2): 161-167.
[5] 陈麒宇. 泛在电力物联网实施策略研究[J]. 发电技术, 2019, 40(2): 99-106.
[6] 李秀财,陈永刚,曹俊波,夏凉,黄平. 上海电源结构优化策略研究[J]. 发电技术, 2019, 40(1): 40-45.
[7] 朱永利,石鑫,王刘旺. 人工智能在电力系统中应用的近期研究热点介绍[J]. 发电技术, 2018, 39(3): 204-212.
[8] 朱永利,尹金良. 人工智能在电力系统中的应用研究与实践综述[J]. 发电技术, 2018, 39(2): 106-111.
[9] 周博文,陈麒宇,杨东升. 巴西大停电的思考[J]. 发电技术, 2018, 39(2): 97-105.
[10] 李本新,韩学山,蒋哲,李文博. 计及网损的快速经济调度方法[J]. 发电技术, 2018, 39(1): 90-95.
[11] 郑宏付. 某大厦空调冷热源机房改造技术方案比较[J]. 发电技术, 2017, 38(5): 85-89.
[12] 尧阳. CB级ATSE装置在火电厂Ⅰ类厂用负荷中的应用分析[J]. 发电技术, 2017, 38(5): 59-62,50.
[13] 张少勇, 罗昌福, 田平, 杨博闻. 622MW级“W”火焰锅炉机组RB试验准备及分析[J]. 发电技术, 2017, 38(4): 18-22.
[14] 焦小龙. 新疆地区天然气冷、热、电三联供能源站规划设计浅析[J]. 发电技术, 2017, 38(4): 1-5,28.
[15] 罗佳, 周群, 高吉祥. 变新风量控制策略在南方某地铁车站的应用浅析[J]. 发电技术, 2017, 38(2): 85-87.