計及溫度累積效應的智能電網負荷預測算法

摘 要：針對溫度累積效應對負荷變化造成的影響，提出了一種計及溫度累積效應的智能電網負荷預測算法。將持續高溫對電網負荷的影響計入預測模型中，并利用模塊化神經網絡保證了對溫度累積效應學習的獨立性和準確性。由三個子網絡構成多模塊神經網絡的第一層，以溫度、時間及負荷特征為輸入參數，所得負荷預測的準確度可達９８.１３％，且誤差較修正前降低了２８.６３％。結果表明，所提算法具有更高的預測準確性和運行效率。

關 鍵 詞：負荷預測；智能電網；溫度累積效應；溫度修正；神經網絡；多模塊；溫度特征；時間特征；負荷特征

中圖分類號：ＴＭ７４４ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２４）０２－０１２１－０６

電力系統負荷預測通過對歷史數據的分析和研究，以影響負荷的各種因素為依據，可對電力需求做出預先的估計與推測［１－２］。科學預測是該系統進行規劃、計劃、營銷、交易及調度等部門工作的重要基礎［３－４］。現有研究結果表明，氣象變化是影響短期負荷的關鍵因素［５］，所以基于氣象數據進行的負荷預測成為了關注重點［６－７］。同時，新型電力系統的不斷發展為負荷預測帶來了新的挑戰，國內學者對此也開展了一系列更為深入的研究［８－９］。

蔡舒平等［１０］提出了一種基于在線支持向量回歸（ＳＶＲ）、Ｆｉｓｈｅｒ信息氣象因素處理及特征選擇的動態建模新方法，并構建了一種智能電網氣象敏感負荷預測模型，該模型能夠使用最新的數據信息完成更新，且在過程特性快速變化的情況下，其預測精度仍高于傳統方法。張秋橋等［１１］設計了一種基于生長曲線的負荷預測方法，采用粒子群優化（ＰＳＯ）的極限學習機（ＥＬＭ）預測模型，提升了負荷預測的效果。李濱等［１２］在考慮實時氣象因素耦合作用的基礎上，構建了混合日特征量與實時氣象因素相似的日選取方法，并利用時域卷積網絡（ＴＣＮ）進行日負荷預測建模。魏曉川等［１３］根據氣象大數據，研究了基于時域卷積網絡與循環神經網絡（ＲＮＮ）的負荷預測方法，研究成果具有較高的實用價值。許言路等［１４］通過引入全卷積網絡（ＦＣＮ）結構及因果邏輯約束來增強時間序列的特征表達，提出了一種基于深度學習技術（ＤＬ）的多尺度信息融合卷積神經網絡（ＭＳＣｏｎｖＮｅｔ）模型，并證明其在短期電力負荷預測方面具有較好的精確性、魯棒性和高效性。