函数型非参数回归模型提升中长期日负荷预测精度

本文主要探讨了一种创新的中长期日负荷曲线预测方法，该方法以函数型数据分析理论为基础，将日负荷曲线视为函数型数据。这种方法首先通过挖掘历史负荷曲线样本的内在规律，构建非参数回归模型来预测未来日负荷。非参数统计的优势在于不需要预先假设数据的特定分布，能够更好地适应复杂的数据结构。 在非参数回归模型的基础上，作者进一步采用二次规划技术对预测曲线进行修正。二次规划模型的目标是确保预测曲线不仅能符合待预测日的负荷特性指标要求，如日负荷率γ和最小负荷率β，还应尽可能地保持与历史数据的形态一致性。这种方法避免了简单的人工比例编制或历史数据加权累加方法的局限性，以及依赖于单一参考曲线的不足。 作者选择了某省级电网夏季典型日负荷数据和美国PJM电力公司冬季典型日负荷数据进行实证分析，结果显示该方法预测精度较高，这表明其在实际应用中具有较强的实用性和有效性。相比于传统的用电量、最大负荷预测，对典型日负荷曲线的预测方法虽然研究相对较少，但其在电力系统规划、设计和投资决策中的重要性不容忽视。 值得注意的是，尽管有文献使用支持向量机回归等方法进行预测，但这种方法对模型参数的敏感性较大。相比之下，本文的方法通过结合函数型数据分析和优化模型，减少了对参数设置的依赖，提高了预测的稳定性和准确性。 该研究为中长期日负荷曲线预测提供了一种新颖且精确的方法，为电力系统的规划和运行提供了有力的工具，有助于提高电力系统的经济效益和稳定性。