基于多源数据和模型融合的超短期母线负荷预测方法

摘要：

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义.为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法.结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型.然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测.最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析.实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度.

关键词：母线负荷、BP神经网络、模型融合、超短期负荷预测、卷积神经网络、特征融合

所属期刊栏目：45

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划2018AAA0101500;5100-201955381A-0-0-00

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：243-250