打开文本图片集

摘要：为了分析两个区域的历史数据和预测未来数据的相关性，本文运用统计相关理论对两个区域的历史数据进行研究和分析，全面直观地描述数据分布；同时利用时间序列产品的季节模型和LMBP神经网络模型对未来数据进行预测并进行相关误差分析，采用不同的预测方法得到预测结果。本文对2014年1月1日至2014年12月31日两个地区进行负荷数据挖掘分析。在这一年；综合以上结果分析，区域2负荷变化数据波动较为平缓，对区域2负荷进行初步预测可以得到较为准确的预测结果。本文基于2012年1月1日至2014年12月31日获取的数据，采用最小二乘法对日最大负荷、日最小负荷和日平均负荷与不同气象因子之间进行回归分析，六个线性得到回归模型。同时得到各回归模型的偏差平方和，通过偏差平方和反映回归误差的大小；采用简单相关系数检验法，不同气象因子之间的相关系数矩阵得出最高气温、最低气温和平均气温3个因子的相关系数较高，且存在多重共线性。考虑到历史电力负荷数据具有明显的周期性，建立了时间序列产品的季节性模型，对3月11日至17日7天的两地总电力负荷进行了预测。January 2015. 由于每个模型参数都通过了参数显着性检验，残差序列也通过了残差检验得到白噪声序列，说明模型已经充分提取了原始序列的信息，有充分的理由评价在不知道实际负载数据的情况下预测结果的准确性。考虑日最高气温等5个天气因素，采用包含5个输入层、7个隐藏层和1个输出层的LMBP神经网络预测模型，对两个地区的电力负荷进行总计预测。11 日到 17 日之间的 7 天。2015年1月在五个天气因素的影响下。结合上述结果参数，同时引用库存分析中的黄金分割，评价两地负荷数据规则的优劣势。得出区域2数据的规律性优于区域1数据的规律性。

关键词：描述性统计；偏最小二乘回归；时间序列乘积季节模型；LMBP

1绪论

1.1研究背景和意义

短期负荷设计能量系统设计用于操作、分析和连接在一起。发送经济和验证安全性很重要。验证科学的电力系统优化以提高安装计划的正确性是很重要的。在当前的能源系统中，有许多不同的电气设备产生能源负担，并继续增加受天气调节器影响的负担比例。电气系统的负担增加了气象因素（温度、自豪感、降雨等）的影响。它是提高分子重量的中心之一，用来发送分子来计算气象因子。

1.2相关试验数据

2009年1月1日至2015年1月10日一区、二区电力负荷数据（每15分钟一个采样点，每天9个点，数量MW）及气象数据“日最高气温、日最低气温、日平均气温”，2012年1月1日至2015年1月17日期间的每日相对深度和每日降雨量”。

2问题的分析

（1）本文使用统计方法和MATLAB数据处理，分别绘制了最大日负荷、最小日负荷、峰谷差和日负荷四个指标随时间的曲线，得到了数据集中趋势的三个主要方面来描述统计分布，数据分布偏差和数据分布活力和曲线度，

（2）在这项工作中，我们分析了日最大负荷、日最小负荷和日平均负荷与不同气象因素之间的关系的偏最小二乘多元回归分析。EVIEWS软件生成六个线性回归方程。应分析线性回归方程的误差。

（3）根据已知的负荷数据，有必要估计这两个地区在7天11内的总容量负荷。1月17日。至2015年1月1日。与现有数据相比，预测是短期预测。因此，使用时间序列的季节性产品模型来预测每日数据。

（4）气象因子的计算范围为11至17。2015年1月1日的气象因素数据，以及11日至17日7天内两个地区的总容量负荷预测。2015年1月1日。在这项工作中，再次使用LMBP算法MATLAB来预测7天的电力负荷。

（5）有必要综合上述计算结果，并比较这两个地区的负荷数据。在这项工作中，使用了几个具有代表性的参数，如上述计算结果的日峰值差异，以彻底评估两个地区数据的规律性，股票中黄金分布线的想法进一步支持了估值结果。

3模型假设

（1）假设所有数据来源真实可靠；

（2）假设电力负荷只受当前五项气象因素影响；

（3）在建立乘积季节模型，序列周期选取时，假设一年都是365天。

4名词解释与符号说明

4.1名词解释

（1）最大日负荷：典型日记录的负荷最大值：

（2）最小日负荷：奥式日记录的负荷最小值：

（3）日峰网差：差值日最大和最小负荷之间：

（4）日负荷：日平均负荷与日最大负荷之比：

（5）年连续负荷曲线：根据系统每年负荷的数值，根据其连续曲线：

（6）离散系数：数据集的标准差与均值的比值，又称标准差系数，是一个相对指标，用数字衡量受教育程度：

（7）峰度是用来反映频率分布曲线的尖锐度或平坦度的指标。有时两组计数器的算术平均值、标准差和绞盘系数相关，但它们分布曲线迎风端的老化程度不同。

4.2符号说明

5模型的建立和求解

5.1问题一的分析与求解

由于高日负荷减少，由于日负荷减少，由于日负荷减少，由于日负荷减少，由于日负荷减少，由于每日负荷的减少，由于每日负荷的减少，由于每日负荷的减少和由于每日负荷的减少，2个部分的每日负荷根据减少。

根据统计学中常用的描述数据的特征，结合本主题中呈现的数据特征，本工作从三个主要方面选择了六个参数：数据集中趋势（平均值、中位数），数据分布离散度（离散系数）和数据分布偏度和峰度（绞盘系数，峰度系数），以测量两个区域1中最大日负荷和最小日负荷之间的差异。自2014年1月31日至2014年1月份31日。截至2014年12月31日。对日负荷的四个指标进行了更详细的描述。使用SPSS软件计算六个数据参数，如表1所示。

图1显示，该地区的2年可持续性曲线高于地区1的四个主要指标：最大日负荷、日最小负荷、山谷日峰值和年内日负荷，表明2。该地区的用电量大于1。该地区的电力消耗。表1显示2。该区域的统计平均值大于1。区域的统计平均值，这也证明了2。该地区的总体能源消耗相对较高。与方差等其他参数相比，为2。该地区的数据波动范围相对较小，数据分布相对集中且对称。

5.2问题二的分析与求解

5.2.1偏最小二乘法回归分析原理

偏最小二乘回归分析是多元线性回归分析、典型相关分析和关键成分分析的有机结合。在关键成分分析的基本理论中，解释量X和解释变量Y的第一个关键成分t和u应该包含尽可能多的原始数据的变化信息。

在提取第一基本成分之后，对X和Y对进行回归分析。如果精度满足要求，则不应进行计算，否则应提取剩余信息并继续进行回归分析，直到满足要求。当从最终对中提取m个分量t和Lt时，可以将Y对的回归分析转换为Y对1和tL的多变量的回归分析，而自变量X的主分量t和L可以线性表示，从而可以将最终回归方程简化为Y对的返回方程。

5.2.2具体建模求解

根据开放变化的数量，最小二乘回归分析可以除以最小二乘回归分析，最小二乘回归的分析可以除以多重变化。由于这一要求，本文将分析三个显式变化的平方回归中的许多变化，包括最大日负荷、最小日负荷和平均日负荷。最大日负荷和打开变量的最高温度已知为x（最低温度）的平均温度，输出变量为x=[，而输出变量为Y=[yo6]。默认解释变量矩阵E和解释变量矩阵Fo是Fo的标准Y。将公式表达式设置为易于更改并减少预算错误。H：P=0，H：Bz0，给出电流水平并计算临界值t（n-k-1），其可以大于tg（-k-l）。确定是否将某些更改应用于模型。

本题测试六个回归方程的参数的重要性。在每个方程中，跟踪每个回归变量得到变量x，可以用统计对应的概率p值的大小；Xa，x；1个统计量对应的概率p值基本小于给定的显着性水平=0.1，通过参数显着性检验；变量x 1 统计量对应的概率p值基本大于0，未通过参数显着性检验。

综合以上两点，如果要利用气象因素来提高负荷预测的准确性，我优先推荐这五个气象因素中的三个气象因素：平均气温、相对湿度和降水量。

5.3问题三的分析与求解

5.3.1时间序列乘积季节模型原理

如果一个序列具有短期相关性，通常可以使用低阶 ARMA（p，）模型将其提取出来。

如果序列具有季节性影响，并且季节性影响本身是相关性，则可以在循环步骤中使用 ARMA（P，O）模型提取季节性相关性。由于短期相关性和季节效应的乘积关系，拟合模型主要是ARMA（p，9）和ARMA（p，2）的结果。通过将先验季节差异作为d序列势差和D序列周期S步，将产品季节模型拟合到初始观测序列。

5.3.2具体建模

本章的目的是解决问题3，并在EVIEWS软件中开发了两个区域的时间序列图和微分时间序列图。确定时间序列的季节性产品模型：首先考虑原始序列的简单附加季节性模型，然后预测7天内每个时间节点的电力负荷。当测试模型时，统计数据导致残差序列6、12和18级延迟的相应概率小于0，05，表明残差序列不是白噪声序列，并且没有通过模型的残差测试，可以得出结论，从模型中提取序列信息是不够的。这充分表明，序列的季节效应、长期趋势效应和随机波动之间存在复杂的交互关系，使用简单的ARIMA模型不足以推导出相关性关系。

各区域的能荷模型拟合效果图显示，拟合曲线显示原始变化接近于级数，然后残差曲线在0附近发散。由于两个时间序列程序都通过了参数显着性检验的季节性模型，因此选择这些模型是合理的。模型生成的其余序列是没有短期连接的白噪声序列。通过短期快照后，模型显示从原始系列中提取了足够的数据。结合以上三个方面可以看出，该模型是可行的和有效的。为了使用这个模型来测量这个模型，测量结果的准确性应该很高。

5.4问题四的分析与解

5.4.1主成分分析

在这项工作中有五个气象因素：最高温度、最低温度、平均温度、相对湿度和降水量。每个变量在不同程度上反映了被调查模型的特征，但指标之间存在一定的相关性。假设有n个样本，每个样本都有p个变量，形成NXP顺序数据矩阵：

在关键部件的分析中，预测LMBP的电力负荷的阶段如下：

（1）关键成分分析（PCA）使用关键成分分析来处理天气因素，以减少一些相关气象因素的维度，并使用一些独立的气象特征来呈现它们；

（2）数据归一化，将数据处理为[0，11]范围内的有效数据。本条中使用的归一化方法为：10332f

（3）建立IMBP神经网络，包括基于Kolmogorov定理确定网络层次和层节点的数量，然后进行多次测试，以确定输出层中的节点数量应与输出量的数量相同；

（4）确定训练参数，训练结束后调用训练结果，输入测试数据进行测试；

（5）发送目标测试数据，进行反向归一化，恢复初始范围数据，组织统计相关数据，并将其导入MATLAB进行计算。

5.4.3模型对比评价

相信与原来的预测结果相比，负荷预测结果在计算气象因素影响方面的准确性有所提高。受气象因素影响的负荷预测结果精度有所提高。

5.5问题五的分析与解

5.5.1数据综合评价

基于以上统计分析法、时间序列法和人工智能算法三种方法对两地负荷规律的研究，选取三种方法的代表性参数，综合比较两地负荷分布规律。与区域1相比，区域2的日峰峰值差变化较小，说明区域2的负荷数据变化幅度较小；从上表可以看出，区域2的日峰值与区域1相比差异较小，说明区域2的负荷数据变化幅度较小；区域 2。

与Region 1相比，回归方程的平均偏差平方和和产品季节性模型的偏差平方和较小，反映出模型从原始序列中获得了足够的信息，表明负荷数据的规律性在 2 区很强；在LMBP模型中，区域2的training：R（网络训练精度）虽然很小，但是相对于区域1还是比较大的，说明区域2的负载数据的规律性更好。总体而言，区域2负载数据的规律性较好。

6总结

6.1模型优点

1）本文计算模型所用的数据量足够大，相关计算和预测结果更加可靠；

2）本文建立模型考虑的因素全面合理，使模型更具适用性；

3）本文选择预测算法作为改进算法，使得本文的相关预测结果相对更加准确；

4）本文全面具体地证明了区域2的数据分布规律优于区域1的数据分布规律从不同的角度；

与一般简单的季节模型相比，时间序列法产品季节模型更能同时体现系列的季节效应和长期趋势效应。

6.2模型执点

1）虽然相关算法已为改进后的算法，但存在一些固有的缺陷，导致预测数据存在一定程度的误差；

2）本文将选取五个天气因素，忽略了其他因素对用电负荷量的影响，也会导致模型的拟合存在一定程度的误差，进而引起预测的结果存在不可控误差。向于本文模型考虑因素较多，所以使得模型应用相对较为广泛。基于多任务协同短期负荷预测方法适用于搭建大规模、多地的在线协同短期负荷预测平台，实现快速、高精度负荷预测。此外，与其他类型能源负荷（例如，燃气负荷、冷负荷、热负荷）进行结合，对于构建具有高度鲁棒性的综合能源系统也具有重要意义方法迁移方面多任务协同预测的理念不仅适用于电力系统负荷预测领域，在其他涉及到时序预测的学科、板块，同样可进行迁移使用。

参考文献：

[1]颜中原，苏晨飞，常灵.基于SM的多节点短期电力预测[J].自动化仪表，2022，43（07）：46-50.

[2]周庆华.基于群智能优化算法的电力预测方法研究[J].白城师范学院学报，2022，36（02）：36-40.

[3]张武军，程远林，周捷，潘轩.基于特性分析的改进BP神经网络短期电力预测方法[J].湖南电力，2020，40（03）：17-22.

[4]鲁长国.持续创新 助力智能电网健康发展[J].中国科技奖励，2019（01）：68-69.

[5]高强，陈轶玮.基于大数据分析的配电网精益化管理研究[J].企业管理，2018（S1）：110-111.

[6]鲁宗相，黄瀚，单葆国，王耀华，杜松怀，黎静华.高比例可再生能源电力系统结构形态演化及电力预测展望[J].电力系统自动化，2017，41（09）：12-18.

[7]黄庆键，欧周，林佳亮.关于空间电力负荷预测方法综述与展望[J].自动化应用，2017（02）：79-81.

[8]陈利芳.面向大数据的电力预测系统应用研究[J].广东科技，2017，26（02）：89-90+76.

作者简介：张圣泽（2000—），男，汉族，新疆乌鲁木齐人，本科，研究方向：电力负荷预测。

朱琳（2000—），女，汉族，辽宁辽阳人，本科，研究方向：电力负荷预测。

赵剑轩（2001—），男，汉族，黑龙江牡丹江，本科，研究方向：电力负荷预测。

项目：上海市市级大学生创新项目《上海市“互联网+”创新创业大赛》（项目编号：cs2202008）。

（作者单位：上海工程技术大学）