基于数据驱动的线性聚类ARIMA长期电力负荷预测

摘要：

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法.首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果.从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果.

关键词：长期电力负荷预测、数据驱动、线性聚类、自回归积分滑动平均

所属期刊栏目：20

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金;国网浙江省电力有限公司科技项目

在线出版日期：2020-07-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：6497-6504