![](https://csdnimg.cn/release/download_crawler_static/86296239/bg1.jpg)
通过机器学习预测电网平均总负荷
该研究基于比利时 Elia 电网公司的公开数据,该数据给出了过去几年以 15 分钟为间隔测量的 Elia 电
网的总负荷。此处将使用机器学习方法提前一天预测 Elia 的平均总负荷。以上成果可用于实际的生产生活
中,电力公司可以使用预测值来产生足够的发电量,以避免电网中断和电力损失,并根据未来的负荷构建
动态定价方案。
1 引言:
对于输电运营商来说,电力系统的管理是一项复杂的任务,并且在很大程度上依赖于对未来电力需求
的了解。可以准确预测负荷的模型对于能源生产至关重要,因为根据预测的负荷可以确定应该运行哪些设
备以满足需求,更好地满足机组组合优化。若不能产生足够的能量会导致电网故障,若供过于求会导致能
源和资源的浪费。随着去中心化电力市场的出现,必须根据当前需求制定准确的定价协议,因此了解未来
需求至关重要。
具体来说,该项预测任务是提前一天预测 Elia 电网的平均总负荷。总负荷包括 Elia 电网上的所有电力
负荷,包括底层配电网络以及电力损耗。用于出口和储能的电力将从该值中扣除,因此总负荷值是对 Elia 电
网和底层网络实际负荷的估计。 每天以 15 分钟为间隔测量总负荷值,每天产生 96 个值。 特定一天的
平均总负荷是当天 96 个总负荷值的平均值。我们的目的是在每天之前以尽可能小的误差预测这些值。为此,
我们将构建基于统计和机器学习的方法,预测 2017 年各天的平均总负荷并测试其性能。
文章阐述结构如下。
研究动机部分:详细说明准确预测电力负荷的重要性。
相关工作部分:描述过去在预测电力负荷方面所做的研究并总结迄今为止已获得的结果。
统计预处理部分:描述我们面临的预测问题,并提供了用于负荷时间序列数据的 scaling 缩放和
detrending 去趋势方法。
算法部分:描述几种不同的机器学习算法,以及如何将它们与预处理步骤结合从而形成预测模型。
实现部分:将描述用于构建和测试我们模型的硬件架构和关键软件库。
实验结果部分:应用我们的方法来预测 Elia 电网的平均总负荷,并进行对比。
未来的方向:提出可以建立在我们工作基础上的扩展和新方向。
最后的结论:简要总结我们的研究成果。
2 研究动机
负荷预测对于输电运营商来说是一项至关重要的任务,电力系统的管理是一项复杂的任务,并且在很
大程度上依赖于对未来电力需求的了解。可以准确预测负荷的模型对于能源生产至关重要,因为根据预测
的负荷可以确定应该运行哪些设备以满足需求,更好地满足机组组合优化。若不能产生足够的能量会导致
电网故障,若供过于求会导致能源和资源的浪费。
负荷预测带来的一个经济效益是能够根据总需求对电力进行定价。能源市场的去中心化和激烈竞争使
得输电运营商能够以具有竞争的价格来定价电力变得至关重要。 这些价格会随着电力需求而波动,高峰期
的特点是电价高,非高峰期的价格也较低。 动态确定这些时间段何时发生以及这些时间段内的电力需求可
以帮助制定基于需求的具有竞争力和公平性的定价方案。
3 相关工作
Taylor 等人在([1])中发现电力负荷时间序列中存在季节性模式,我们的研究将对 Elia 数据集中的季
节性模式进行统计分析,并将该信息用于其中一种机器学习方法,研究证明该机器学习方法可以减少预测
误差。
Chen 等人在([2])中也采用了一种机器学习方法来预测未来负荷,它使用支持向量机(SVM)来预测
未来的电力负荷。 通过从过去几天的需求中形成特征向量来合并时间序列信息,并使用它们来预测未来几
天的负荷。 在我们的研究中,将像本研究一样使用 SVM 进行预测,但将从日内电力负荷而不是从多天数据
中构建特征向量。