基于聚类及趋势指标的长短期神经网络配网负荷短期预测

针对配电网线路负荷短期预测存在精度不佳的问题,提出一种基于聚类及趋势指标的长短期神经网络负荷预测方法。首先利用K-Means聚类方法将线路下特性变化相似的配电网台区负荷数据进行聚类重构;此外,按类分别计算负荷历史同期数据的趋势变化指标,并且作为负荷预测模型的输入特征;然后,建立能够传递时间序列信息的长短期神经网络预测模型,通过模型学习训练每类负荷的历史数据及变化趋势,并对测试集进行预测,将每类负荷的预测结果进行叠加得到线路总负荷的预测结果。以湖南某线路负荷数据为基础,预测未来一天96个点的线路负荷数据,经验证,所提方法能够深入挖掘配电负荷的特性规律和变化趋势,提升配网线路负荷的短期预测精度。

基于Hausdorff形状分类的配电网日最大负荷预测

日最大负荷及其出现时刻的准确预测是配电网经济调度与安全运行的重点关注对象。研究了各类型负荷日最大值及其出现时刻的内在规律,提出了一种联合Hausdorff负荷形状分类与去年同期节假日修正的日最大负荷及其出现时刻预测方法。首先,分析日负荷形状特性,通过Hausdorff距离算法对负荷类型进行分类。然后,分析去年同期节假日在日最大负荷及其出现时刻预测中的修正作用,并将其与近期日负荷、气温等数据一同作为预测输入。最后,基于ElasticNet线性回归算法对每类负荷单独构建日最大负荷及其出现时刻预测模型。以湖南某台区负荷数据为实例,预测该台区春节期间的日最大负荷及出现时刻,该方法的准确性与有效性在实例中得到验证。