基于多源迁移数据与异构竞争模型的短期电力负荷预测方法研究

Accurate short-term load forecasting is the basis of achieving observability and controllability and scheduling delicacy management for strong smart grid. Instead of the traditional research on the change phenomenon of power load itself, this project studies the internal mechanism of the power load change, and puts forward a short-term load forecasting method based on multi-source transfer data and heterogeneous competition model, which can break through the limitation that the accuracy of traditional load forecasting is significantly declined in greater load mutation. The main research work is as follows. Organically combining the source-traced data and the transfer data, we establish a multi-source migration dataset and features with comprehensive system and availability. Abandoning the traditional idea of using similar days to construct a training set, we explore a source-traced training set with diverse associations which covers the periodical changes and stochastic fluctuations. A multiple nonlinear heterogeneous forecasting model is built and the negative fusion effect is then researched. The competitive decision model of multi-model predictive output value is constructed by adapting the load growth rate and near-effect effect of power load sequence with time variation. Adapting to the load growth rate and recency effect of power load time series, we build a competition decision model to integrate the outputs of multiple forecasting models. The research results of this project will provide a solution for short-term power load forecasting to solve the common challenging problems encountered at the dataset level, sampling space level, forecasting model level and decision level, and will explore a new approach to effectively improving the whole forecasting accuracy of power load in smart grid.

准确的短期负荷预测是坚强智能电网实现可观性可控性与调度精细化管理的基础。本项目从传统研究电力负荷自身数据变化规律转入研究导致负荷变化的内在机理，提出基于多源迁移数据与异构竞争模型的短期电力负荷预测方法，突破传统负荷预测在负荷突变时预测精度显著下降的局限性。研究内容包括：建立溯源型数据与迁移型数据有机结合、体系完备、且数据可得的多源迁移数据集和特征值；跳出传统基于相似日构造训练集的思路，探索综合包含导致负荷各类周期性变化和随机波动的多样性关联溯源数据训练集；构建多元非线性异构预测模型，研究负融合效应的解决策略；适应电力负荷序列随着时间变化存在的负荷增长率和近因效应的特性，构建多模型预测输出值集成的竞争决策模型。本项目的研究成果将为短期电力负荷预测在数据集层面、采样空间层面、预测模型层面和决策层面遇到的共性挑战难题提供解决方案，为有效提高智能电网中短期电力负荷的整体预测精度探索一条新的途径。

分布式与集中式互为备用的国家新型电网体系对精准实效的负荷预测提出了迫切需求。针对典型和不断新涌现出的各种用电自然及社会环境影响因素的突变给负荷预测精度提升带来的挑战，本项目从传统的研究电力负荷自身数据变化规律转入研究导致负荷变化的内在机理，提出了基于多源迁移数据与异构竞争模型的短期电力负荷预测方法。突破数据集和特征值选取存在的单一性和经验性局限性，构建了天文、地理和社会三个领域维度的溯源型数据集，结合网页爬虫技术解决部分溯源数据缺失或不可得问题，此外为节假日小样本数据设计了迁移复合数据，为预测模型有效学习大体量、多类别、多源头的潜在影响因素与电力负荷波动之间复杂关联关系提供了数据支撑。跳出传统基于相似日构造训练数据集的思路，提出了从水平和垂直两个方向构造双视图交叉多样本训练集,全面覆盖负荷变化具有的水平连续时序的近邻效应和垂直跨时段的趋势效应。基于双视图多样本交叉训练集，离线训练得到由多算法多模型依据不同组合策略生成的多个差异化较大的多元非线性异构预测模型，各异构模型二次学习误差趋势，将未知和不可得的负荷影响因素转化为已知预测特征，解决了部分溯源数据无法获取的问题。将竞争机制引入二次学习，提出了基于决策多模型和自适应权重分配算法的两次竞争决策集成机制，克服单决策模型有限的非线性决策关系学习能力的缺陷，实现了对预测多模型之间非线性关系的最大化拟合，进一步提升了整体预测效果。本项目的研究成果为短期电力负荷预测在数据集层面、训练集层面、预测模型层面和决策层面遇到的共性挑战难题提供了解决方案，为有效提高智能电网中短期电力负荷的整体预测精度探索一条新的途径。.项目组共发表论文9篇，其中本基金为第一标注的论文7篇、SCI期刊论文7篇（含中科院SCI-1区且为IEEE_Transaction&TOP期刊论文1篇、中科院SCI-2区且为TOP期刊论文3篇、中科院SCI-2区且IF>5.606论文2篇、综述长文1篇），申请专利1项，培养硕士研究生6名、博士研究生3名（含一名留学生博士），毕业博士2名。