作者：滕永兴1, 杨霖1, 钟睿君1, 闵诚1, 李祺2
作者单位：1. 国网天津市电力公司，天津 300202;
2. 天津大学电气自动化与信息工程学院，天津 300072
关键词：低压台区;负荷预测;特征聚类;乌鸦搜索算法;支持向量回归
摘要：
为提高配电网负荷预测精度，提出一种将模糊C均值(FCM)聚类与改进乌鸦搜索算法(ICSA)优化支持向量回归机(SVR)相结合的低压台区负荷预测模型。利用FCM算法对台区用户用电特征进行提取和聚类，消除用电行为特性差异对预测精度的影响，并构建ICSA-SVR模型，对各类用户的用电负荷进行回归预测，进而叠加得到台区负荷预测结果。结果显示，台区内不同类型用户之间的用电特性差异较大，可分冬季单峰型、夏季单峰型和冬夏双峰型三类，各台区负荷呈现不同的季节性波动；该方法能够明显提升台区负荷预测精度，预测结果可对电力生产运营提供指导。
Load forecasting for transformer district based on user feature clustering and ICSA-SVR
TENG Yongxing1, YANG Lin1, ZHONG Ruijun1, MIN Cheng1, LI Qi2
1. State Grid Tianjin Electric Power Company, Tianjin 300202, China;
2. School of Electrical and Information Engineering, Tianjin University, Tianjin 300072, China
Abstract: In order to improve the accuracy of distribution network load forecasting, this paper proposes a low voltage transformer district load forecasting model which combines the fuzzy C-means (FCM) clustering algorithm and support vector regression(SVR) optimized by improved crow search algorithm(ICSA). User features are extracted and clustered by FCM clustering to eliminate the effect of electricity consumption behavior difference, and the ICSA-SVR model is established to predict the load of various users and transformer districts. The results show that users differ considerably in electricity consumption behavior, which can be divided into single-peak in winter, single-peak in summer, and double-peak in winter and summer, and load of transformer district fluctuate seasonally. Data evaluation show that the accuracy of ICSA-SVR model is higher, and the load forecasting result provide a guidance for electric power production and operation.
Keywords: low voltage transformer district;load forecasting;feature clustering;crow search algorithm(CSA);support vector regression(SVR)
2022, 48(7):107-113 收稿日期: 2021-05-18;收到修改稿日期: 2021-07-11
基金项目: 国家自然科学基金资助项目(61573253)；国网公司总部科技项目（KJ18-1-39）
作者简介: 滕永兴（1987-），男，天津市人，工程师，主要研究方向为电能计量
参考文献
[1] 陈素华, 贺凌霄. 电网短期负荷预测管理系统的应用研究[J]. 电气传动, 2013, 43(S1): 186-189
[2] 李东东, 覃子珊, 林顺富, 等. 基于混沌时间序列法的微网短期负荷预测[J]. 电力系统及其自动化学报, 2015, 27(5): 14-18
[3] 黄玉龙, 刘明波, 郑文杰, 等. 基于可信区间的模糊线性回归动态负荷参数预测[J]. 电工技术学报, 2015, 30(24): 196-205
[4] 李安寿, 陈琦, 王子才, 等. 光伏发电系统功率预测方法综述[J]. 电气传动, 2016, 46(6): 93-96
[5] 王克杰, 张瑞. 基于改进BP神经网络的短期电力负荷预测方法研究[J]. 电测与仪表, 2019, 56(24): 115-121
[6] 肖白, 刘庆永, 牛强, 等. 基于元胞负荷特性分析的RBF神经网络空间负荷预测方法[J]. 电网技术, 2018, 42(1): 301-307
[7] 谢敏, 邓佳梁, 吉祥, 等. 基于信息熵和变精度粗糙集优化的支持向量机降温负荷预测方法[J]. 电网技术, 2017, 41(1): 210-214
[8] 蒋玮, 黄丽丽, 祁晖, 等. 基于分布式图计算的台区负荷预测技术研究[J]. 中国电机工程学报, 2018, 38(12): 3419-3430
[9] 丁斌, 邢志坤, 王帆, 等. 基于Stacking模型集成的LSTM网络短期负荷预测研究[J]. 中国测试, 2020, 46(7): 40-45
[10] RUSPINI E H. Numerical methods for fuzzy clustering[J]. Information Sciences, 1970, 2(3): 319-350
[11] ZHANG L Y, LU W, LIU X D, et al. A global clustering approach using hybrid optimization for incomplete data based on interval reconstruction of missing value[J]. International Journal of Intelligent Systems, 2016, 31(4): 297-313.
[12] 贾欣蔚, 郗涛, 王莉静. PSO优化的SVM旋压触探岩土识别方法[J]. 中国测试, 2020, 46(2): 91-95+102
[13] ASKARZADEH A. A novel metaheuristic method for solving constrained engineering optimization problems: crow search algorithm[J]. Computers and Structures, 2016, 169: 1-12
[14] 徐航, 张达敏, 王依柔, 等. 混合策略改进鲸鱼优化算法[J]. 计算机工程与设计, 2020, 41(12): 3397-3404
[15] 郑洁锋, 占红武, 黄巍, 等. Lévy Flight的发展和智能优化算法中的应用综述[J]. 计算机科学, 2021, 48(2): 190-206
