锐客网

  1. 首页 > 睿知 > it技术 > >

网络通信安全及科学技术专栏|基于PMC指数模型的电力政策量化及其在负荷预测中的应用

人工智能

【摘要】政策对电力系统负荷有直接的影响。为了充分挖掘政策因素与负荷之间的关系，提高负荷预测的精度，提出一种基于政策建模一致性（PMC）指数的电力政策量化方法，并将其应用到负荷预测中。首先建立电力领域PMC评价体系，然后通过文本挖掘技术得到电力政策文本的PMC指数，最后构建基于长短期记忆的负荷预测模型，将电力政策量化指标与天气、日期等影响因素一同输入模型中，与不考虑政策因素的模型进行对比。实验表明，考虑政策因素的负荷预测模型获得了较好的结果，加入政策量化数据后，负荷预测模型的平均绝对百分比误差从1.67降低到0.98，平均绝对误差从28.97降低到19.68，这表明PMC模型具有一定的政策量化能力。
【关键词】 电力政策 ; PMC ; 政策量化 ; 评价模型
【网络通信安全及科学技术专栏|基于PMC指数模型的电力政策量化及其在负荷预测中的应用】1.引言
传统的负荷预测只考虑历史负荷数据、气温、降雨量等结构化数据，具有一定的局限性。事实上，电力负荷除了与历史负荷有关，还受到政策宏观调控、经济等多方面因素的影响，这些因素随机多变，并能显著影响智能电网的电力负荷。因此，对智能电网进行负荷预测会涉及社会学与经济学等理论。

目前，国内外学者对如何将政策措施加入负荷预测中的研究较少。Li X L等人分析了环保政策对区域短期电力负荷的影响，将空气质量指数作为环保措施的政策影响变量加入基于樽海鞘群算法（salp swarm algorithm，SSA）和最小二乘支持向量机（least squares support vector machine，LSSVM）的短期负荷预测模型，取得了良好的效果。Zhao L N等人深入分析了新经济常态的特点，提炼出能够正确表征新常

    推荐阅读


    上一篇：机器学习|梯度下降法

    下一篇：机器学习基础|SVM支持向量机之证明SVM （三）