用于短期电力负荷预测的日负荷特性分类及特征集重构策略

准确的负荷预测是电力系统安全稳定运行的重要保障。当充分考虑多因素影响,海量输入数据的前端预处理与变量遴选对提高负荷预测精度至关重要。针对传统时间变量信息模糊、维数冗余问题,引入基于余弦相似度的k-means聚类分析技术实现日负荷特性分类,并通过分类标签替代传统时间变量;考虑到负荷与多因素在小时粒度下的耦合关系,提出了基于特征集重构和最大信息系数的特征筛选策略,实现小时粒度的精细化特征筛选;最后引入了具备强大信息挖掘能力的时间卷积网络,实现高精度短期电力负荷预测。实验结果表明,应用提出的上述2个改进策略后,替换低效时间变量和小时粒度的最优特征集使输入数据质量进一步优化,显著提升了多个经典模型的预测性能,而结合改进策略的时间卷积网络模型具有更高的预测精度;且文章方法适用于全年各时段的预测,具备良好的可移植性和鲁棒性。

Daily Load Characteristic Classification and Feature Set Reconstruction Strategy for Short-term Power Load Forecasting