《某地区电力负荷数据分析与预测》由会员分享，可在线阅读，更多相关《某地区电力负荷数据分析与预测（24页珍藏版）》请在金锄头文库上搜索。
1、（封面格式）报名序号：1249论文题目：某地区电力负荷数据分析与预测姓 名 班级 有效联系电话参赛队员 1 陈富 安全工程 13155146667参赛队员 2 谢海燕 统计学 18255178915参赛队员 3 王浩 统计学 13505696065指导教师：唐玲参赛学校：安徽建筑大学南区证书邮寄地址、邮编、收件人：地址： 安徽合肥市经开区紫云路 292 号安徽建筑大学南区 邮政编码：230061收件人姓名： 陈富 联系电话： 131155146667 报名序号：1249论文题目：某地区电力负荷数据分析与预测阅卷专家 1 阅卷专家 2 阅卷专家 3论文等级1某地区电力负荷数据分析与预测摘 要针对
2、两个地区历史数据分析及未来数据相关预测，本文用统计学相关理论为基础对两个地区历史数据进行探索分析，深入并直观的描述了数据的分布情况；同时利用时间序列乘积季节模型和 LMBP 神经网络模型分别对未来数据进行预测并进行相关误差分析，分别得到不同预测方法下的预测结果。对于问题一，本文对两个地区 2014 年 1 月 1 日2014 年 12 月 31 日的负荷数据进行挖掘分析，选取描述数据集中趋势的均值和中位数统计量、描述数据分布离散程度的方差和离散系数统计量以及描述数据分布偏态与峰度的偏度系数和峰度系数统计量来描述各地区全年的日最高负荷、日最低负荷、日峰谷差、日负荷率指标的分布情况；绘制出了两地区
3、 2014 年全年负荷持续曲线；结合上述结果，分析出地区 2 负荷变化数据波动较平缓，初步预判地区 2 的负荷可以获得更准确的预测结果。对于问题二，本文根据 2012 年 1 月 1 日至 2014 年 12 月 31 日的数据，用偏最小二乘法，分别对日最高负荷、日最低负荷、日平均负荷与各气象因素关系进行回归分析，得出 6 个多元线性回归模型，同时得到各个回归模型的离差平方和，以离差平方和的大小来反映回归误差的大小；使用简单相关系数检验法，通过各个气象因素相互之间的相关系数矩阵，得出最高温度、最低温度、平均温度这三个因素相关系数较高，存在多重共线性；再经过变量的显著性检验，得出若要用气象因素来
4、提高负荷预测精度，优先推荐平均温度、降雨量、湿度这三个气象因素的结论。对于问题三，考虑到历史电力负荷数据具有明显的周期性，建立时间序列乘积季节模型，对两个地区 2015 年 1 月 11 日至 17 日共 7 天的电力负荷进行预测，得出负荷预测结果见附件。由于模型中各个参数均通过了参数的显著性检验，残差序列通过了残差检验为白噪声序列，体现了模型对原序列的信息提取十分充分，所以在不知道实际负荷数据的情况下，有充分理由判断预测结果的准确度是较高的。对于问题四，考虑最日高温度等 5 个天气因素，利用包含 5 个输入层，7个隐含层和一个输出层的 LMBP 神经网络预测模型在 5 个天气因素影响下，再次
5、对两个地区 2015 年 1 月 11 日至 17 日共 7 天的电力负荷进行预测，得出负荷预测结果见附件。对于问题五，综合上述结果参数，并同时引用股票分析中的黄金分割线对两个地区负荷数据规律优劣进行评价。得出地区 2 的数据规律性优于地区 1 的结论。关键词：描述性统计，偏最小二乘回归，时间序列乘积季节模型，LMBP21 问题的提出一、背景知识短期负荷预测是电力系统运行与分析的基础，对机组组合、经济调度、安全校核等具有重要意义。提高负荷预测精度，是保障电力系统优化决策科学性的重要手段。现代电力系统中，构成电力负荷的用电器种类繁多，空调等受气象条件影响的负荷占比持续增高，气象因素（温度、湿度、
6、降雨量等）对电力系统负荷的影响愈显突出。考虑气象因素成为调度中心进一步改进负荷预测精度的主要手段之一。二、相关试验数据已知地区 1、地区 2 从 2009 年 1 月 1 日至 2015 年 1 月 10 日的电力负荷数据（每 15min 一个采样点，每日 96 点，量纲为 MW）以及 2012 年 1 月 1 至2015 年 1 月 17 日的气象因素数据（日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量） ，详见附件 1-数据.xlsx。三、要解决的问题1.请分析两个地区 2014 年 1 月 1 日-2014 年 12 月 31 日的负荷数据，统计各地区全年的日最高负荷、日最低
7、负荷、日峰谷差、日负荷率指标的分布情况，并绘制两地区 2014 年全年的负荷持续曲线；结合上述结果，分析两地区负荷变化的主要差异；初步预判哪个地区的负荷可以获得更准确的预测结果，说明你的理由。2.根据 2012 年 1 月 1 日至 2014 年 12 月 31 日的数据，分别对日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行回归分析，分析回归误差；如果要用气象因素来提高负荷预测精度，在诸气象因素中，你优先推荐哪个（或哪几个）？简要说明理由。3.请根据已知负荷数据，构建预测方法，对两个地区 2015 年 1 月 11 日至17 日共 7 天的电力负荷进行预测（间隔 15min） ，给出
8、负荷预测结果（提交两个地区 96*7 负荷预测结果数据，具体要求见附录 1） ；在不知道实际负荷数据的条件下，你对预测结果的准确度有何推断，请说明理由。4.如果已获得 2015 年 1 月 11 日至 17 日的气象因素数据，你能否构建计及气象因素的负荷预测方法，对两个地区 2015 年 1 月 11 日至 17 日共 7 天的电力负荷再次进行预测（间隔 15min） ，给出预测结果（提交两个地区 96*7 负荷预测结果数据，具体要求见附录 1） ；与原有的预测结果相比，你认为计及气象因素影响的负荷预测结果精度得到改善了吗？有何证据？请说明理由。5.综合上述计算结果，你如何评价两地区负荷规律性
9、的优劣？你还有什么证据可以佐证两地区负荷整体规律性优劣的判断？32 问题的分析1） 对于问题一，本文使用统计学方法，并利用 MATLAB 对所给数据进行处理，分别绘制出日最高负荷、日最低负荷、日峰谷差、日负荷率四个指标分别随时间变化的曲线图，并且分别得出数据的集中趋势、数据分布离散程度和数据的分布偏态与峰度 3 个大方面来描述统计分布情况。2） 对于问题二，本文对日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行偏最小二乘多元回归分析，在 EVIEWS 软件中分别得出两个地区 6 个线性回归方程，并同时对线性回归方程误差进行了分析。3） 对于问题三，要求由已知负荷数据对两个地区 2015
10、 年 1 月 11 日至 17 日共7 天的电力负荷进行预测。相对于已知数据来说，预测属于短期预测。故本文利用时间序列季节乘积模型对这 7 天数据进行预测。4） 对于问题四，要求利用 2015 年 1 月 11 日至 17 日的气象因素数据构建计及气象因素的负荷预测方法，同样的对两个地区 2015 年 1 月 11 日至 17 日共7 天的电力负荷再次进行预测。本文在 MATLAB 中利用 LMBP 算法进行 7天电力负荷再次预测。5） 对于问题五，要求综合上述计算结果，比较两地区负荷数据的优劣。本文通过选取上述计算结果日峰谷差方差等几项具有代表性的参数来对两地区数据规律性进行综合评价，并结合
11、股票中黄金分割线思想来进一步佐证评价结果。3 模型假设1）假设所有数据来源真实可靠；2）假设电负荷量只受题目所给五项气象因素影响3） 在建立乘积季节模型，序列周期选取时，假设一年都是 365 天；4 名词解释与符号说明一、名词解释1） 日最高负荷：典型日中记录的负荷中，数值最大的一个；2） 日最低负荷：典型日中记录的负荷中，数值最小的一个；3） 日峰谷差：日最高负荷与最低负荷之差；4） 日负荷率：日平均负荷与日最大负荷的比值；5） 年持续负荷曲线：按一年中系统负荷的数值大小及其持续小时数顺序绘制的曲线；6） 离散系数：一组数据标准差与其均值的比，也称为标准差系数，是测度数据离散程度的相对指标；
12、7） 偏度系数：是描述分布偏离对称性程度的一个特征数。当分布左右对称时，偏度系数为 0。当偏度系数大于 0 时，即重尾在右侧时，该分布为右偏。当4偏度系数小于 0 时，即重尾在左侧时，该分布左偏。8） 峰度系数：峰度是用来反映频数分布曲线顶端尖峭或扁平程度的指标。有时两组数据的算术平均数、标准差和偏态系数都相同，但他们分布曲线顶端的高耸程度却不同。二、符号说明序号 符号 含义1 X、Y 解释变量、被解释变量2 、1tu解释变量的第一主成分3 ijx表示解释变量矩阵 X 中第 j 个变量的第 i 个样本值ij4 iy表示被解释变量矩阵 Y 中第 i 个样本值i5 *ij表示 标准化后的数值， *
13、ijijx6 j表示 标准化后的数值jiy7 E0、F 0 标准化矩阵8 i表示 y 关于 的回归系数jx9 ijr表示原变量的 与 之间的相关系数ij10 J表示误差对权值微分的雅克比矩阵5 模型的建立与求解一、 问题一的分析与求解根据上文中对日最高负荷、日最低负荷、日峰谷差以及日负荷率的相关描述，再由附件中所提供的两个地区 2014 年 1 月 1 日-2014 年 12 月 31 日的负荷数据，利用 MATLAB 软件绘制出了两个地区全年的日最高负荷、日最低负荷、日峰谷差、日负荷率四个指标分别随时间变化的折线图，如图 1（相关程序见附录一） 。5图 1 两个地区各指标对比图根据统计学 1
14、中常用来描述数据特征，再结合本题所给数据特点，本文选取了数据的集中趋势（均值、中位数） 、数据分布离散程度（方差、离散系数）和数据的分布偏态与峰度（偏度系数、峰度系数）三个大方面中六个参数对两个地区 2014 年 1 月 1 日-2014 年 12 月 31 日的全年的日最高负荷、日最低负荷、日峰谷差、日负荷率四个指标数据进行进一步描述。利用 SPSS 软件求出数据的六个参数，如表 1 所示。表 1 两个地区相关数据分布表集中趋势 分布离散程度 分布偏态与峰度均值 中位数 方差 离散系数偏度系数峰度系数日最高 地区 1 9222.652 9324.658 4304937.533 0.225 -
15、0.999 1.328负荷 地区 2 9786.915 9141.212 4132055.447 0.208 -0.216 0.089地区 1 5140.649 5007.485 1515519.772 0.239 -0.580 0.478日最低负荷 地区 2 5330.649 4662.305 2022676.688 0.267 0.193 -0.692地区 1 4081.728 4317.173 1259224.692 0.275 -0.861 0.490日峰谷差 地区 2 4456.267 4478.908 730535.085 0.192 -0.650 0.512地区 1 0.790
16、0.777219 0.001 0.040 1.039 1.328日负荷率 地区 2 0.800 0.794704 0.001 0.040 0.694 0.089根据上文中对全年的负荷持续性曲线的相关，再由附件中所提供的两个地区 2014 年 1 月 1 日-2014 年 12 月 31 日的负荷数据，利用 MATLAB 软件绘制出了两个地区全年的负荷持续性曲线图（相关程序见附录一） ，如图 2 所示。6图 2 全年持续性曲线由图 1 可知：在全年的日最高负荷、日最低负荷、日峰谷差、日负荷率四个指标中地区 2 数值高于地区 1 的数值，说明地区 2 的总体用电量大于地区 1 的用电量。由表 1 可知：地区 2 统计平均数大于地区 1，同样证明地区 2 总体用电量较大，再对比方差等其他参数，地区 2 的数据波动范围相对较小，数据的分布较为集中，且较为对称。由图 2 同样可知，地区 2 的用电量在几乎全年各时刻均高于地区 1
