基于可预测性分析的不同聚合层级短期负荷预测
机器学习
2019-03-27 v1 机器学习
摘要
短期负荷预测（STLF）对电力系统的可靠与经济运行至关重要。尽管过去几十年提出了许多STLF方法，其中大多数仅关注高聚合层级的负荷。因此，低聚合负荷预测仍需进一步研究与开发。与变电站或城市级负荷相比，个体负荷通常更具波动性且预测难度更大。为进一步解决该问题，本文首先讨论了不同聚合层级下中小企业（SME）与居民负荷的特性，并利用近似熵量化其可预测性。从传统线性回归到最先进深度学习等多种STLF技术被实现，以使用爱尔兰智能电表数据集进行详细对比分析，验证预测性能及可预测性。此外，本文还研究了如何利用数据处理改善低可预测性个体级居民负荷预测。所讨论方法的有效性通过数值结果得到验证。
引用
@article{arxiv.1903.10679,
title = {Short-term Load Forecasting at Different Aggregation Levels with Predictability Analysis},
author = {Yayu Peng and Yishen Wang and Xiao Lu and Haifeng Li and Di Shi and Zhiwei Wang and Jie Li},
journal= {arXiv preprint arXiv:1903.10679},
year = {2019}
}
备注
To appear in ISGT ASIA 2019