文献类型：期刊文章

作　　者：张金金[1,2] 张倩[1,2] 马愿[1,2] 李智[3]

ZHANG Jin-jin;ZHANG Qian;MA Yuan;LI Zhi(School of Electrical Engineering and Automation,Anhui University,Hefei Anhui 230601,China;Engineering Research Center of Power Quality,Ministry of Education,Hefei Anhui 230601,China;State Grid Anhui Electric Power Co.,Anhui Ltd.,Hefei Anhui 230073,China)

机构地区：[1]安徽大学电气工程与自动化学院,安徽合肥230601 [2]教育部电能质量工程研究中心,安徽合肥230601 [3]国网安徽省电力有限公司,安徽合肥230073

出　　处：《控制理论与应用》

基　　金：国家重点研发计划项目(2016YFB0900400);国家自然科学基金项目(51507001);分布式可再生能源发电集群并网消纳与用采、配自、调控系统数据融合项目(5212N0180061);安徽省电力公司科技项目(5212001700);安徽省博士后研究基金项目(Z01011804)资助.

年　　份：2020

卷　　号：37

期　　号：10

起止页码：2257-2265

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：精确的负荷预测对于电力系统的有效调度和安全运行至关重要.本文提出基于改进的随机森林(IRF)和密度的聚类(DBSCAN)的频域组合预测方法.首先,采用经验小波变换(EWT)分解负荷,得到不同的固有模态分量(IMFs);其次,根据各分量特征采用合理的方法进行预测.其中,低频、中频分量采用IRF预测;高频分量使用DBSCAN根据气象因素温度和湿度聚类,再根据每类的样本特性选择处理方法.最后,叠加各分量的预测值,获取负荷预测值.根据某地市现场负荷数据进行实验,预测结果分别与EWT–IRF,EWT–随机森林(RF)、经验模态分解(EMD)–IRF模型的预测结果进行对比.结果表明,提出的模型具有更高的预测精度,反映了实际负荷的随机性.

关 键 词：负荷预测 基于改进的随机森林  基于密度的聚类  经验小波变换  

分 类 号：TM715]