分布式协同网络用电负荷分层加权概率预测方法.pdfVIP

学兔兔 第 35卷 第 2期 仪 器 仪 表 学 报 V01．35No．2 2014年 2月 ChineseJoumalofScientificInstrument Feb．2014 分布式协同网络用电负荷分层加权概率预测方法 孙欣尧，王 雪，吴江伟，刘佑达 (清华大学精密仪器系精密测试技术及仪器国家重点实验室 北京 100084) 摘 要：先进计量体系(AMI)是智能电网中的分布式协同网络，其通过广泛布置的分布式测量计算节点对用 电端的用户用电 信息进行测量和协同分析。基于分布式协同网络测量得到的海量数据，针对短期用电负荷的概率预测问题提出一种分层特征 加权概率预测方法。该方法采用核主分量分析提取用电负荷测量样本的非线性特征 ，根据提取的特征采用马氏距离判据对用 电负荷数据进行特征加权，剔除权重低的不相关干扰数据；提出将经验模态分解与稀疏贝叶斯学习方法相结合的机器学习用电 负荷概率预测方法，对用电负荷高频与低频分量进行分层概率分布预测。最后 ，将所提出的方法应用于某地区的短期用电负荷 预测实验，实验结果表明该方法能够有效预测短期用电负荷的概率分布，预测精度高、可靠性好。 关键词：分布式协同网络 ；用电负荷预测；特征加权；分层预测 ；稀疏贝叶斯学习 中图分类号：TP391．4 文献标识码：A 国家标准学科分类代码：520．60 Featureweightingbasedhierarchicalprobabilisticloadforecasting in distributedc0Uab0rativenetwork SunXinyao，WangXue WuJiangwei，LiuYouda (DepartmentofPrecisionInstrument，StateKeyLaboratoryofPrecsiionMeasurementTechnology andInstrumentTsinghuaUniversity，Beijing100084，China) Abstract：Advancedmeteringinfrastructure(AMI)isatypeofdistributedcollaborativenetwork，whichmeasures andprocessesdemand-sideloadinformationthroughextensivelydeployedsensingandcomputingnodesinsmart d． BasedonthemassivedatacollectedbyAMI，thispaperexploresafeatureweightinghierarchicalprobabilisticpredic— tionapproachforshort—term loadprobabilisticforecast．Thismethodadoptskernelbasedprincipalcomponentanalysis toextractthenon-linearcharacteristicsoftheloadmeasurementsamples；accordingtotheextracted characteristics， Mahalanobisdistancecriterionisusedtocarryoutthefeatureweightingoftheloaddataandprunetheuncorrelated interferencedatawithlowweight．A machinelearningloadprobabilisticpredictionmethod isproposed，whichcom—