基于多指標(biāo)模型的中長期電力需求預(yù)測研究.pdf

1、電力需求中長期預(yù)測作為電力系統(tǒng)中的一項(xiàng)重要工作，其預(yù)測精確度不僅影響電網(wǎng)規(guī)劃與運(yùn)行的安全和經(jīng)濟(jì)，對(duì)人們的生產(chǎn)、生活也有一定影響。而各地區(qū)負(fù)荷特性不同，影響因素對(duì)電力需求的影響程度存在差異，不同的預(yù)測方法各具優(yōu)缺點(diǎn)。因此，針對(duì)某地區(qū)具體實(shí)際情況，而進(jìn)行的中長期電力需求預(yù)測研究，具有很重要的意義。
　　 首先，中長期電力需求預(yù)測因時(shí)間跨度較大，受到多種因素影響，但在實(shí)際預(yù)測中并不能將所有影響因素量化處理，全面考慮所有因素的影響存在著

2、難度，基于此，本文根據(jù)影響因素與電力需求存在的直接或間接關(guān)系及影響程度對(duì)電力需求的主要影響因素進(jìn)行分層處理，并從各層影響因素中篩選出與某省電力需求相關(guān)程度較高的幾個(gè)因素指標(biāo)。這種從整體方面考慮影響因素，理清因素間的關(guān)系，并選出關(guān)鍵指標(biāo)的處理方法有利于篩選出更符合當(dāng)?shù)貙?shí)際情況的影響因素。
　　 其次，基于關(guān)鍵影響指標(biāo)篩選的基礎(chǔ)上，考慮到中長期電力需求預(yù)測具有小樣本，信息相對(duì)貧乏的特點(diǎn)，且存在異常數(shù)據(jù)的客觀情況，基于多指標(biāo)的最小二乘

3、支持向量機(jī)(Least Squares Support Vector Machines，LSSVM)是符合實(shí)際情況的一種較好方法。同時(shí)，考慮到單一預(yù)測方法并不能完全體現(xiàn)電力需求的變化特性，提出了改進(jìn)的基于多指標(biāo)LSSVM預(yù)測模型，即基于多指標(biāo)的LSSVM方法及灰色等維新息預(yù)測法構(gòu)成的組合預(yù)測法，并對(duì)某省未來五年的電力需求進(jìn)行預(yù)測。
　　 最后，風(fēng)電作為供應(yīng)側(cè)中最主要新能源之一，是含風(fēng)電地區(qū)的特有因素，它的接入給負(fù)荷預(yù)測帶來了影響

4、，因而含風(fēng)電地區(qū)考慮風(fēng)力發(fā)電對(duì)負(fù)荷預(yù)測的影響不容忽視。本文通過分析風(fēng)力對(duì)全社會(huì)總負(fù)荷的影響及風(fēng)電與負(fù)荷之間呈現(xiàn)的反調(diào)峰特性，考慮分類連續(xù)時(shí)間段并基于多指標(biāo)的LSSVM模型建模，對(duì)某省的等效負(fù)荷進(jìn)行預(yù)測，為含風(fēng)電的某地區(qū)發(fā)電計(jì)劃制定和調(diào)整及電網(wǎng)規(guī)劃有著重要意義。
　　 本文以某省級(jí)電網(wǎng)為實(shí)例，驗(yàn)證了基于多指標(biāo)模型改進(jìn)的中長期預(yù)測方法能提高預(yù)測精度，并對(duì)該省未來五年的電力需求進(jìn)行預(yù)測，此外考慮到風(fēng)力發(fā)電對(duì)負(fù)荷的影響并對(duì)該含風(fēng)電地區(qū)的