新冠肺炎疫情影响下基于多源数据驱动的电力系统负荷预测方法

摘要

新冠肺炎疫情的爆发及快速传播给中国乃至全球造成了深远的影响,对社会带来全方面影响的同时也改变了大众的能源消费习惯,催生了新的电力需求侧的变革与契机。疫情对社会各方面的影响可以通过病例数、在线办公人数、电力市场数据、外卖快递数据、社交距离数据、城市亮度数据与二氧化氮等数据得到更为直接的展现,利用大数据相关系数算法,结合历史数据与天气数据,表征疫情下各个社会属性量与电力系统负荷之间的强弱联系。提出了疫情下基于极端梯度增强算法(extreme gradient boosting,XGBoost)分类器的电力系统负荷预测模型,利用新冠肺炎病例数据将地区划分为重度疫情期、轻度疫情期与疫情恢复期,探讨不同时间段新冠肺炎疫情影响下,各个社会属性量数据与电力系统负荷之间的关系,提出了多源数据驱动下的电力系统负荷预测模型,相关试验结果验证了提出方法的有效性与科学性。