论文部分内容阅读
随着科学技术的发展,工业生产活动以及人们的日常生活对于电能的需求日益扩大。配电网作为电力系统中的重要部分,在电能的分配和使用环节承担着重要任务。随着配电网需求侧新型负荷不断加入,配电网的不确定性愈发严重,新的负荷需求形势对负荷预测精度有了更高的要求。短期负荷预测以历史负荷数据为基础,以建立可以全面揭示负荷规律的数学模型为核心,以得到最优的预测结果为目的。要提高负荷预测的精度,不仅要求系统采集的数据精确全面,还必须对预测算法进行不断优化。所以,利用传感、通信以及数据挖掘等方面的最新技术,采集能够代表配电网最真实情况的负荷数据,进行负荷特性分析及预测具有一定的研究价值。本文对长距低功耗数据传输(Long Range,Lo Ra)技术和类别特征梯度提升(Categorical Features Gradient Boosting,Cat Boost)算法进行了深入地分析研究,并分别引入配电网实时感知系统和短期负荷预测。首先,针对传统配电网感知系统通讯方式难以获取全面精确的配电网数据的问题,提出将Lo Ra技术应用于配电网感知系统的方案,搭建了基于Lo Ra的配电网实时感知系统。结果表明,Lo Ra技术在传输距离、网络容量、功耗等方面均能契合配电网感知系统的数据采集需求,基于Lo Ra的配电网实时感知系统能适应复杂工作环境,实现配电网“全覆盖,全采集”,可以为负荷预测提供精确全面的数据支撑。然后,针对气候、日期类型等影响配电网负荷变化的几种因素,进行了配电网负荷特征分析及选择,并对原始数据进行预处理,为后续配电网的负荷预测提供数据保障。之后介绍了通过负荷数据实现短期负荷预测的基本原理步骤及要求。最后,针对传统预测算法存在过拟合、条件偏移等问题,分析了BP神经网络、决策树和梯度提升树(Gradient Boosting Decision Tree,GBDT)算法的优缺点,阐述了Cat Boost算法在负荷预测中的优势,并将Cat Boost算法引入短期负荷预测领域。结合配电网负荷数据及其特性分析,建立了基于Cat Boost算法的短期负荷预测模型,得到了预测结果。实验结果表明,基于Cat Boost算法的配电网负荷预测模型可以得到理想的预测结果,能够提高负荷预测精度。