摘 要：
电力系统负荷预测是指充分考虑历史的系统负荷、经济 状况、气象条件和社会事件等因素的影响，对未来一段时间的系统负荷做出预测。
首先我们对所给数据进行洗清，包括重复值、异常值、缺失值进行识别，并用KNN近邻进行插补。考虑到有停电和跳高的情况，对负荷数据进行平滑处理，使数据更加平稳。日负荷数据具有96个时点，我们将以96时点的数据特征进行预测分析。
接下来，我们进行了负荷特性分析与特征工程集选择。我们针对地区96个时点负荷数据和行业负荷数据进行了负荷特性分析，分析出相邻日的负荷数据和延迟七天的负荷数据具有周期性，节假日的负荷数据比工作日负荷数据较为明显的异常，最高温度和最低温度与负荷数据具有明显的相关性。通过回归模型进行了特征工程集的选择，根据结果，我们剔除了风力风向因素对负荷数据的影响。
我们根据前面的负荷特性分析和特征工程集的结果，本文构建了短期负荷特征工程，考虑了预测日的工作日类型和月份，预测日前一天96个时点的负荷数据以及气象因素，预测日同周期延迟七天的所有负荷数据及气象数据。然后我们建立了基于RBF神经网络的电负荷预测模型，采用遗传算法确定最优参数。此外我们还将使用最小支持向量机回归（LS-SVMR）和LSTM负荷预测模型，作为比较模型。针对问题一预测未来10天每隔15分钟电负荷数据，我们的模型计算得到总体绝对百分误差TAPE为0.79%，总体平均准确度为99.21%
考虑人体舒适度存在的惯性，多日连续高温时，即使温度变化不大，负荷也会增长。通过对预测日前几日的最高温度进行加权后，对待预测日的最高温度进行修正，从而体现出多日连续高温的留存影响。然后建立考虑温度累积效益的RBF神经网络中期电负荷预测模型。通过比较计算修正温度与未修正温度与电负荷相关系数，修正后的温度与负荷的相关系数比未修正的高，说明修正温度可以提高温度与负荷的相关性，这样有利于提高预测精度。针对问题一的中期预测，基于不同模型预测结果进行分析与比较，结果计算得到最大负荷预测平均准确度为97.3%，最小负荷预测平均准确度98.76%。除此之外，我们对最值负荷时间点的预测结果进行分析。
针对问题二，首先我们使用基于启发式分割算法的原理对不同行业的负荷数据进行突变点检测。我们认为，突变点可分为3个量级，分别为节假日突变点、季节性突变点和重大事件突变点，并对对四个行业的突变点进行分析。然后，我们使用中期电负荷预测模型对各行业的最大值最小值电负荷进行预测。基于不同模型预测结果进行分析与比较，计算得到RBF的中期负荷预测模型预测效果最好。
最后，我们从行业负荷数据突变分析出发，针对各行业用电负荷规模和特性，分析了我国“双碳”目标对于大工业和普通工业等用电规模较大的行业可能产生较大冲击，但对非普工业等用电规模小的行业却可能存在“碳权”交易机遇。以及分析了新冠疫情以及其它突发事件的影响，并对“双碳”目标和新冠疫情下的各行业发展针对性提出多方面建议。
关键词：负荷特性分析，基于RBF中短期负荷预测，温度累积效应，启发式分割算法突变点检验
关注“官方公众号”
