中长期电力负荷预测（精选11篇）
中长期电力负荷预测 篇1
一、引言
从时间角度分类, 电力负荷预测可以分为长期、中期与短期三大类。中长期负荷预测主要用于新的发电机组的安装与电网的增容和改建。正确地预测电力负荷是保证国民经济各部门及人民生活的电力需要, 是电力工业自身健康发展的需要, 也是电力规划的基础。作为电力规划工作的重要组成部分, 电力负荷预测为地区或电网的电力发展速度、电力建设规模、电力工业布局、能源资源平衡, 地区或电网间的电力余缺调剂, 以及地区或电网资金和人力资源的需求与平衡提供可靠的依据, 它对于保证电力工业的健康发展, 乃至对于国民经济的发展均有着十分重要的意义。
二、主成分回归理论
主成分分析 (PCA) 也成主分量分析, 是由霍特林 (Hotelling) 于1933年首先提出来。主成分分析是利用降维的思想, 在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。通常把转化生成的综合指标称之为主成分, 其中每个主成分都是原始变量的线性组合, 且每个主成分之间互不相关, 这就使得主成分比原始变量具有某些更优越的功能。这样在研究复杂问题时就可以只考虑少数几个主成分而不至于损失太多信息, 从而更容易抓住主要矛盾, 揭示事物内部变量之间的规律性, 同时使问题得到简化, 提高分析效率。
将主成分分析方法应用到电力系统负荷预测中, 从而提出一种基于主成分分析的多元参数回归预测方法, 即主成分回归分析法。回归模型预测方法是根据负荷过去的历史资料建立可进行数学分析的数学模型, 对未来负荷进行预测, 即数理统计中的回归分析方法。它是通过对变量的观测数据进行系统分析, 确定变量之间的相互关系, 从而实现预测的目的。主成分回归分析是将回归模型中有严重复共线性的变量进行因子提取, 得到正交的因子变量, 然后对因子变量进行回归模型的建立。
三、灰色模型理论
灰色理论是中国学者邓聚龙教授于1982年提出的, 开创了全新的预测、决策思想和方法。灰色理论将这些看似无规律的历史数据列经累加生成后, 与原来值相比具有明显的指数增长规律, 由于微分方程解的形式是指数增长形式, 因此, 就可以利用微分方程模型来拟合生成后呈指数增长规律的数据列, 利用这个微分方程就可以比较容易地进行负荷预测, 再进行逆生成, 还原为实际负荷预测值[2-3]。但灰色负荷预测不太适于电力规划的中长期负荷预测。随着我国电力工业的快速发展, 电力体制改革的不断深化, 中长期电力负荷预测精度的提高对于制定科学的电网发展规划越来越重要。
通过将预测模型中得到的新信息送入原始数据序列, 剔除一个陈旧的数据, 这样新陈代谢, 逐个预测, 依次递补, 直到完成预测目标或者达到一定精度要求停止, 这种数据处理方法就是等维新息递补预测法, 该方法可以解决GM (1, 1) 模型只能较好的预测近期数据, 而中长期预测误差大的缺陷。该模型具有预测精度高、预测所需原始数据少、计算过程简单及预测结果可检验等优点。
四、优选组合预测模型
优选组合预测是一种将不同预测方法所得的预测结果组合起来形成一个新的预测结果的方法。优选组合预测有两种基本形式:一是等权组合, 即各预测方法的预测值按相同的权数组合成新的组合预测值;二是不等权组合, 即赋予不同预测方法的预测值的权数是不一样的。组合预测通常具有较高的精度。
在规律变化时期, 很难有一个单项预测模型能对频繁波动的现实拟合得非常紧密并对其变动的原因做出稳定一致的解释。Bates和Granger首先提出可以建立线性组合预测模型综合各单项模型的信息, 以产生更好的预测效果。理论和实践研究都表明, 在诸种单项预测模型各异且数据来源不同的情况下, 组合预测模型可能获得一个比任何一个独立预测值更好的预测值, 组合预测模型能减少预测的系统误差, 显著改进预测效果。对于组合预测方法也必须注意到, 组合预测是在单个预测模型不能完全正确地描述预测量的变化规律时发挥作用。该方法的优点是:优选组合了多种单一预测模型的信息, 考虑的影响信息也比较全面, 因而能够有效地改善预测效果。
等权平均组合预测法 (也成EW方法) 是一类经常使用的组合预测方法。设fi (i=1, 2, L, k) 为第i个模型的预测值, 如果用fc代表组合预测值, 则用EW方法得到的组合预测值为
EW方法不需要去了解单一模型预测值fi的预测精度, 也不需要知道单一预测的误差之间的相互关系。因此, 只有事先了解到这些预测值有相近的误差方差时, EW方法才是合理的。
EW组合预测方法是组合预测方法中最简单的一种, 虽然方法简单, 但也是在对各种预测方法的预测精度完全未知的情况下所采用的一种较为稳妥的方法, 但优选组合的含义较低。
本节中优选组合预测模型设计时采用上述提到的主成分回归及改进的灰色理论等预测方法, 并根据各模型的预测值与实际值的方差来确定权数。本节利用方差-协方差方法 (MV方法) 中的固定权方法来确定优选组合模型中两模型预测值的比重。
设f1, f2是关于两个关于f的无偏预测值, fc是加权平均的组合预测值, 预测误差分别为e1, e2, ec。取ω1和ω2是相应的权系数, 且ω1+ω2=1, 有
从而fc的方差为
对ω1求极小值, 可得两权数为:
五、小结
在电力负荷预测中利用优选组合预测模型将主成分回归法与改进的灰色模型结合起来, 并对两种预测方法所得到的预测值赋予不同权数, 组合预测通常具有较高的精度。
参考文献
[1]、何超群.多元统计分析[M]中国人民大学出版社.
[2]、赵勇, 李永刚.灰色理论在中长期负荷预测中的应用[J]内蒙古科技与经济.2008, 1 (2)
中长期电力负荷预测 篇2
《电力负荷预测》课程实验教学改革的探索
电力负荷预测实验不但是理论课的延伸和补充,更是不可缺少的重要环节.本文通过时以往实验教学的.反思,从三个方面阐述电力负荷预测教学环节的改革方案和意义,其目的在于通过实验教学的改革,使学生扎实地掌握电力负荷预测的理论与方法.提高动手能力和实践创新能力.
作 者：牛东晓 作者单位：华北电力大学工商管理学院,北京,102206刊 名：中国科教创新导刊英文刊名：CHINA EDUCATION INNOVATION HERALD年，卷(期)：“”(7)分类号：G640关键词：电力负荷预测 实验教学 改革
中长期电力负荷预测 篇3
电力负荷预测是发电和配电的基础，科学的进行预测可以使各方获得较为满意的经济效益，同时也会获得巨大的社会效益。预测失误可能会带来不可弥补的损失，目前用于中长期预测方法有很多，回归分析法通过观察数据的统计分析和处理，来寻找负荷与影响因素之间的因果关系，建立回归模型进行负荷预测；时间序列分析法依据过去统计数据，找到随时间变化的规律，建立时序模型，推断未来负荷；智能预测法只需要知道过程模型的结构和参数的相关知识，不需要建立过程数学模型，主要有神经网络预测和灰色系统理论预测[7]等，效果都较为不错。
以往运用系统动力学对电力负荷预测进行预测时，往往把第一、二、三产业分为几个系统进行预测，所需要的各种数据较为复杂。本论文从系统学的观点出发，结合线性回归思想对电力负荷进行系统分析，从影响电力负荷的各个方面出发建立系统动力学模型，然后得出预测结果，作为一种新的预测方法不免存在某些缺陷，所以模型需要得到不断的改善，使该理论在负荷预测中能够更好的得到应用。
二、电力负荷预测模型建立
1、系统动力学建模 系统动力学模型的建立首先需要确定流位和流率变量等指标体系，见表1。
2、模型程式 系统动力学模型的仿真运算不需要编程，但是需要确定每个变量间的数学逻辑关系，从系统动力学流图中可以得到各个变量间的逻辑关系和系统构造，但是无法显示其定量关系，因此需要建立系统动力学方程，本系统规模较小，因此程式较为简单。
首先缺电流位变量间的主要方程：
电力负荷=INTEG(发电量年均增长率*电力负荷，电力负荷初始值)；
GDP总值=INTEG(GDP增长率*GDP总值，GDP总值初始值)；
其次确定辅助变量的方程：
每元GDP用电量=电力负荷/GDP；
流率变量的确定采用回归分析方法来确定各个变量之间关系的系数。以1993年到2004年的数据作为样本来确定其参数，如表2。
一元线性回归模型为：y=a+bx+ε (公式1)
需要对参数a和b进行估值计算，可以通过公式2、3得到估值结果。
通过matlab进行计算可以得到a，b的估计值，a＝0.0139，b＝0.5575。
因此可以得到GDP增长率的方程为：
GDP增长率=0.0139+0.5575*每元GDP用电量。
电力弹性系数设为常量：电力弹性系数=0.9。
可以看到整个系统分为两个子系统分别为GDP增长系统和电力负荷增长系统，子系统间的连接是通过每元GDP用电量辅助变量实现的，形成了一个较为完整的系统，因此其可以相互影响，相互制约。较为合理的模拟了电力负荷与GDP之间的相互关系。
三、仿真预测
1、仿真模拟 中长期预测无法达到很精确，因此允许存在一定的误差。将上节所建立的方程和系统动力学模型用计算机表述为系统动力学程式，应用Vensim PLE软件所提供的编译捡错和跟踪功能对模型的正确性和合理性进行检验[13]。
初始设置为：INITIAL TIME=1994；FINAL TIME＝2004；SAVEPER=0.1；
TIME STEP=1。电力负荷的初始值为1994年的负荷值为9278亿千瓦时，GDP总量为48197.9亿元，电力弹性系数[14]设为预测区间内的平均值0.9。2004年实际值为21870，预测值为22806.3，误差为4.1%,在5％以内，拟和程度较好，因此模型能够进行长期电力负荷预测，仿真所得到的预测数据和实际数据如表3。
从上表可知2000年到2002预测值与实际值出入较大，主要原因是因为1999年和2002年间国家禁止建设电厂，使得电力增长速度降低，带来了各个因素的不确定变化，由于政府政策的干涉使得模型预测模拟程度较差，直接原因是设置的电力弹性系数过大，需要把其设置为一个表函数，这样可以更真实的反映事实，因此这是模型改进的地方之一。虽然存在某些误差，但是对整个预测结果影响不使很明显。
2、仿真预测
根据以上参数值以1994年为起始年拟和了2004年的电力负荷，模型的结构具有一阶反馈回路，因此在对电力负荷预测的同时，各个变量也会随之变化，根据系统动力学模型原理，其他变量的结果只是作为参考，不需要太高的预测精度。具体结果见图1。
从图2中可以看到， 2020－2030年电力负荷增长较快，因此需要做好充分的准备，通过预测到2030年我国的电力负荷将达到235859亿千瓦时。按照国家规划，2020年国内生产总值要在2010年基础上翻一番，按照预测值，可以达到国家规划要求，这离不开电力工业的支持，因此当时的电力负荷也应该在2010年翻一番，因此本模型的预测具有一定的科学合理性。
四、结论
运用系统动力学方法建立长期电力负荷预测仿真模型，并对我国的未来需电量进行了长期预测，得到了较好的效果，偏差符合要求，从而为电力企业进行决策提供了一种理论依据。同时对该模型的各个流位变量和辅助变量需要进行进一步分析，使模型更加完善。能够更精确的预测未来长期的需电量。
中长期电力负荷预测 篇4
关键词：负荷预测,弹性系数,灰色预测,二次滑动平均,遗传算法
0 引言
电力负荷预测是电力系统规划、调度等工作的重要组成部分,也是电力系统经济运行的重要基础[1]。中长期电力负荷预测是以年或月为预测期限,它是制定电力系统发展规划及燃料计划的重要前提[2]。基于准确的负荷预测可以经济合理地安排电源及电网的扩展规划方案及建设进度,以满足经济发展和社会生产的需求,同时保持电网的安全稳定运行,有效降低发电及运行成本,提高经济和社会效益[2]。因此,提高中长期电力负荷预测精度是电力系统规划和运行的必然要求。
在中长期负荷预测方面,国内外研究主要集中于利用更为先进的理论或新的预测方法以及提高负荷预测的精度。文献[3]讨论了长期、中期与短期负荷预测的特点及各自对应的成熟预测方法,分析了负荷预测问题的各种解决方案,并指出了未来的研究重点和方向。文献[4-6]采用目前出现的一些先进智能理论,如灰色理论、模糊理论、神经网络等,通过一些改进或着组合建立中长期负荷预测模型,取得了一定的效果。然而,任何一种单一预测方法都是基于对负荷某一个或几个变化规律或特点的分析基础之上的,而忽略其他一些因素的影响,都有其缺陷或不足之处,如何更合理地将各种方法结合起来,取长补短,实现优势互补,提高负荷预测方法的普遍适用性及预测结果的准确性是迫切需要解决的一个课题。在这种背景下,综合预测成为大家的共识,即对单一预测结果加权组合[7,8,9]。但是,在综合预测模型中,选取哪些单一预测模型,如何确定它们的权重系数仍然是一个未能很好解决的问题。在单一预测模型的选取上,国内外公开发表的相关文献中并没有形成相对成熟的理论,大多根据经验选取几种普遍认为预测效果较好的模型,文献[10]应用odds-matrix方法对待选的单一预测模型进行优劣评价,然后选取几种评价较好的模型用于综合预测。在如何确定各单一预测模型的权重方面,国内外研究也给出了一些方法,如等权平均法、加权最小二乘法、关联函数法等。文献[11]利用最小二乘—支持向量机对单一预测模型进行组合,并用粒子群优化算法对模型中的一些关键参数进行优化。文献[12]选取三个分别对总量、增长量和增长率预测较好的模型,然后利用径向基函数神经网进行综合预测。这两种方法都用到了智能理论的一些概念,但它们都需要通过选取样本对模型进行训练,由于在中长期负荷预测中,样本数量较少,使得模型的训练结果会出现较大误差。文献[13]利用拉格朗日乘子法来求解权重系数。文献[14]建立了基于物元理论的综合预测模型,利用关联函数求解各单一预测模型的权重,但是这些方法有一定的局限性,个别预测点的较大偏差对结果影响较大,而相对来说,利用拟合的思想更能从整体上把握各预测模型的预测效果。
本文分析了目前较为常用的中长期负荷预测方法,并分为两大类:1)根据国民经济发展指标与负荷的关系,利用历史期的实际经济数据和预测期的经济发展规划数据,对未来一段时间内的负荷进行预测。2)依据负荷历史数据,寻找负荷发展变化规律,按照变化规律对未来一段时间内的负荷进行预测。根据划分的结果,选择本文综合预测法所需的单一预测方法,并对部分预测方法进行了改进。利用遗传算法对选取的单一预测方法分配权值,建立新的中长期负荷预测综合模型。仿真结果表明,本文提出的预测模型具有较高的预测精度,并且对负荷变化的适应性较强。
1 中长期负荷预测方法的分类
1.1 概述
由于中长期负荷预测的重要性,国内外专家学者进行了大量而深入的研究,也提出了许多先进的理论和方法。传统的预测方法如自身外推法、时间序列法等。在新兴模型中,如应用灰色理论、遗传规划法等建立起来的预测模型也都得到了较好的应用。经过分析,作者认为大多数的预测方法主要从两方面进行考虑,第一种是根据经济发展与负荷的相关性,利用历史期的实际负荷数据和经济数据,找出之间的关系,然后根据预测期的经济发展规划指标,对预测期的负荷数据进行预测。而另外一种主要是依据负荷历史数据,利用数学的方法寻找到其发展变化规律,认为预测期的负荷仍然满足该发展变化规律,然后按照一定的法则对预测期的负荷数据进行预测。
1.2 负荷与经济数据关联法
能源是社会经济发展的动力,而电能又是经济发展中至关重要的二次能源,因此,一个区域内负荷的大小可间接地反应该地区的经济发展水平,反之亦然。该类方法主要有分产业产值单耗法、电力消费弹性系数法、负荷密度法及人均电量指标换算法等。这些方法相对比较简单,含义也比较清楚,反应了未来的一些经济信息。但是,这类方法一般需要的数据量较大,而且有些不易得到。
1.3 基于数学规律的趋势分析法
基于数学规律的趋势分析法首先寻找负荷历史数据的变化规律,然后按照所得到的规律对未来预测年份的负荷进行预测。它一般不需要未来预测年份的信息,而只依赖于负荷的历史值序列。而且,这类预测方法认为负荷的变化呈现一定的规律性,并将这种规律延续到预测期。
这类方法较多,如灰色预测法、滑动平均预测法、自回归预测等,这些方法认为负荷的变化规律符合其规律,然后利用该规律对负荷数据进行拟合。如果一个地区的负荷变化规律较明显且与某种预测方法的规律接近,即拟合程度较高,则该预测方法预测的结果就较准确,反之则偏差较大。
2 中长期电力负荷综合预测建模
2.1 综合预测模型概述及单一预测方法的选取
综合预测模型,是在单个预测模型的基础上,考虑各种预测方法的优缺点及适用性,采用一定的方法确定各预测方法对总的预测结果的权重,然后通过加权求和得到新的负荷预测结果。避免了因某一种预测方法的局限而使得预测结果偏差增大。在综合预测中有两个关键的问题,一个是如何确定哪些要用到的单一预测模型,另一个是如何确定各单一预测模型对综合预测结果的权重。
第一类方法中含有未来预测时段的经济信息,第二类方法中考虑了负荷发展的延续性、规律性。实际上中长期负荷预测问题不仅仅局限于系统内部,受其自身规律的影响,同时还受到许多外界因素的干扰或影响,如国家的经济发展规划、政策。对于一个政府主导型的区域,这些因素的影响将更大。因此,应将两类方法有机结合起来,以提高预测的精度与适用性。
在第一类预测方法中,电力消费弹性系数法由于相对比较简单,含义比较明确,需要的数据也较容易得到而得到较多的应用。在第二类预测方法中,灰色预测法是在灰色理论模型的基础上发展起来的,以灰色生成来减弱原始序列的随机性。它是目前在中长期负荷预测中应用最为广泛、效果也最为理想的预测方法之一。二次滑动平均预测法是基于“远小近大”的预测原则,在建模过程中对数据加以不同权重,以强化近期数据的作用,而弱化远期数据的影响,从而提高预测精度,也符合负荷的发展变化规律。因此,本文选用电力消费弹性系数法、灰色预测、二次滑动平均相结合的方法。
2.2 电力消费弹性系数法的改进
电力消费弹性系数是电量年平均增长率与国民生产总值年平均增长率之间的比值[1],是从宏观角度来反映电力发展与国民经济发展关系的指标。电力弹性系数的大小与该区域的负荷组成结构及各组成部分的单位产值电耗有关。
在计算电力消费弹性系数时,国民生产总值是以货币形式来表现的,而随着社会通胀率的变化,货币出现升值或贬值的情况,使得计算的值不在同一个水平下,无法进行比较,因此,应将国民生产总值全部折算到基准年。
式中:Gpre为当前年份的国民生产总值(亿元);Gbase为当前年份国民生产总值折算到基准年的值(亿元);a1,a2,…,an为相对于基准年的第1年到第n年各年的通胀率(%);n为当前年份对基准年的年份差。
计算各年份相对基准年的电量年平均增长率与国民生产总值的年平均增长率的比值,得到各年到基年时间段内的弹性系数为
式中:k为电力消费弹性系数;E%为当年到基准年的用电量年平均增长率;G%为当年到基准年的国民生产总值年平均增长率。
得到的一系列弹性系数并不是一个定值,而弹性系数的大小和经济结构及能源利用效率有关。为了得到预测期到基期的弹性系数,利用“二次滑动平均法”预测弹性系数。
2.3 预测权值的优化确定
当确定了所用的子预测方法以后,还要确定各预测方法的权重。近年来,遗传算法在优化领域得到快速发展并占有重要的位置,已大量应用于社会多个领域。在本文中,为了使得预测结果能与实际负荷具有较好的拟合度,以与实际负荷的偏差最小为目标,利用遗传算法对所选的单个负荷预测方法的权值进行优化。
3 基于某区域电力系统中长期负荷预测仿真分析
对新疆某区域电网进行仿真,以2000年~2007年的负荷用电量作为历史样本数据,对2008~2010年的负荷用电量进行预测。历史数据参数见表1。所选三种单一预测模型在历史年份的预测值见表2。将该预测结果作为样本,按照上文提到的优化目标,利用遗传算法计算三种模型的权重系数,为了便于分析比较,同时利用人工神经网络计算权重系数,预测结果见表3。预测年年均GDP增长率11.5%,通胀率1.6%。
表4给出了综合预测法与三种单一预测法的预测结果偏差对比。
由表4可以看出,弹性系数法在后两年的预测值相对实际值偏大,而灰色预测和二次滑动平均预测方法的预测值普遍偏小。弹性系数法和二次滑动平均预测法随着时间的延长,预测误差逐渐增大,而灰色预测则有小幅下降。
新疆地区工业基础比较薄弱,用电水平低。随着产业结构的不断调整,工业化水平的不断提高,社会用电量也必将得到大幅增长。新疆属于资源型大省,随着产业结构的调整,一大批化工等高耗能产业迅速发展,使得用电量的增长大大超过GDP的增长。另外,新疆的经济结构还不够成熟完善,经济发展受经济政策影响较大,出现了灰色预测和二次滑动平均预测等基于数学规律的趋势分析预测法的预测值普遍偏小的结果。
通过对比分析,采用遗传算法对单一预测模型的权值进行优化,预测精度要高于利用人工神经网络的方法。
综合预测法综合了各单一预测法的特点,降低了因某一种预测方法的缺陷而给预测结果带来误差的风险,相对于各单一预测法,预测精度明显得到了改善。
4 结语
电力负荷预测技术发展趋势研究 篇5
关键词：负荷预测 趋势 研究
中图分类号：TM715文献标识码：A文章编号：1674-098X（2014）01（c）-0043-01
电力负荷预测是供电部门重要的经常性工作，负荷预测的结果对于新的发电机组未来扩展及安装，对未来机组装机容量大小的决定，时间地点的选择，以及对未来电网容量的改扩建都有重要的意义，电力负荷预测的工作水平已成为电力企业管理现代化的重要标志之一。
负荷预测的核心问题是预测的技术方法，随着电力企业管理水平的不断推进和科技水平的迅速发展，预测理论和预测方法也不断得到发展，先后出现了负荷预测经验技术和经典技术、趋势外推技术、回归模型预测技术、灰色预测技术等方法的实施运用，可以说负荷预测技术的发展在不断完善，实现并成熟运用智能化、精细化的负荷预测技术是当前和今后电力负荷预测技术发展的趋势和方向。
1 基于专家系统的负荷预测技术
专家系统技术在人工智能领域中占有重要地位，一个完整的专家系统包括知识库、推理机、知识获取和解释界面四部分，并基于知识程序建立起主要表现为软件的计算机系統，拥有某特殊领域专家的经验和知识，通过知识进行推理最终作出智能决策。
在长期负荷预测知识的前提下，专家系统可通过编辑“如果…，那么…（IF…，THEN…）”语句结构块组成知识库。可以建立电力发展规划参照知识库、弹性系数知识库、惯性知识库、综合指标知识库、行业用电比重知识库、用电水平判别知识库以及基于数学模型预测精度等级知识库等。
在专家系统技术方法实现过程中，通常将数据库系统和专家系统结合起来，也就是把数值计算与知识的描述结合在一起。比如，选取Foxpro数据库，首先进行在VB环境下的处理各种预测模型的数值运算，其次实现Foxpro与VB的数据交换，并把VB软件的数值运算结果Foxpro建立数据库，最后利用专家系统工具与Foxpro的数据交换与用户进行交流，对预测模型进行评估输出最优结果。[1]
基于专家系统的负荷预测技术具有快速决断的优点，并克服了单一算法的片面性是的该方法具有较广泛的应用前景。
2 基于神经网络的负荷预测技术
在电力负荷预测中应用神经网络，就是模仿人脑的智能化处理特点，对大量非结构和非精确性规律具有自学习、自适应、记忆、知识推理、优化计算等，因此应用人工神经网络进行电力负荷预测是具有潜力和先进的研究方法。一般来说，一个多层的神经网络分为三层：输入层、输出层和中间层。以BP神经网络为例，它就是利用训练样本实现从输入到输出的映射，在所选的网络拓扑结构下，通过学习算法调整各神经元的阈值和连接权值，使误差最小。
在电力负荷预测中，短期负荷变化可近似认为是一个平稳的随机过程，而神经网络是较为适合解决平稳随机过程的，因此神经网络主要应用于电力负荷预测的短期负荷预测。研究表明，运用人工神经网络方法的预测结果比其他方法具有更准确的优势，因而具有更加实用的前景。
3 基于小波分析的负荷预测技术
小波分析被称为“数学显微镜”，是一种时域—频域的分析方法，在图像处理、模式识别、故障诊断、状态监视、雷达探测等领域中得到应用，它可以聚焦到信号的任意细节，尤其是擅长对奇异信号、微弱信号和突变信号的处理，其目标是将一个信号转化为小波系数，从而方便地处理、分析、传递和存储或者用于重建原始信号，这些可以提现小波分析可作为电力负荷预测的有效途径。[2]
电力系统中负荷曲线具有特殊的周期性，将符合序列通过小波变换可分别投影到不同的尺度上，尺度上的序列分别代表了一定的“频域”分量，较为清晰地表现了负荷序列的周期性。在此基础上对不同的子负荷序列进行预测。虽然电力系统中负荷以日、周、月、年为周期发生波动，但通过小波变换后的序列重组得到较完整地小时负荷预测结果，实现对短期负荷的良好预测。
4 模型群优选组合的负荷预测技术
一般来讲，优选组合有两种基本涵义，一是把用不同预测方法得到的结果进行加权平均来预测；二是将几种不同的预测方法进行选择，选取拟合度最佳和偏差最小的作为最优模型来预测。优选组合预测方法有许多，其中模型群方法在应用时可避免漏掉最优预测模型，同时具有良好的自适应性，提高了预测的准确性和效果，这种方法就是选择n个预测模型和相对应的n个预测结果，通过判别标准偏差、拟合程度、关联度和误差等指标来比较n个模型的好坏，最后从中选择一个最优的模型进行负荷预测。这种方法体现了集多种预测模型的信息于一体，可达到改善预测效果的目的。
5 结语
综上所述，随着电力系统智能化程度的不断提高，电力负荷预测技术的研究也在不断深化，新的预测方法不断出现，从以前的经典方法到现在的智能化、最优化方法，为电力负荷预测提供了有力的工具，本文所提到的负荷预测方法是当前乃至今后的负荷预测发展和应用趋势，在研究和实践中取得了较好的效果。
参考文献
[1]牛东晓.电力负荷预测技术及其应用[M].中国电力出版社，2009.
中长期电力负荷预测 篇6
电力负荷预测是电网规划的重要组成部分。合理、准确的负荷预测,将为电网建设、电网投资如何获取最大的社会和经济效益提供决策支持,有利于电网的经济运行,提高电网可靠性。考虑不同的影响因素,可选择不同的电力负荷预测方法。根据每种电力负荷预测方法自身的优点和不足,选用合理的组合负荷预测模型,可以提高电力负荷预测的精度,更好地为电网决策提供依据。
1 中长期负荷预测模型介绍
1.1 回归模型
统计分析对各影响因子的观测数据,得出影响因子与预测值的关系,确定回归预测模型。该预测方法依赖于预测模型的准确性和影响因子本身预测的精度,选取合理的影响因子尤为重要。本文选取甘肃省国内生产总值(GDP)作为影响因子。
1.2 电力弹性系数法
电力弹性系数k是电量的年平均增长率与国民生产总值年平均增长率的比值,反映电力与国民经济发展的关系,是宏观指标。该系数可由甘肃省的国民经济数据分析得到。根据国民生产总值的年平均增长率和电力弹性系数预测用电量,公式如下:
其中,k是电力弹性系数;l是国民生产总值的年平均增长率;Y0是预测期初的用电量;Ym是预测期末的用电量;n是年数。
1.3 灰色模型
灰色预测对在一定范围内变化的有时间有关的灰色过程进行预测,适用于既有确定信息又有不确定信息的系统。GM(1,1)模型是最常用的一种灰色模型,由一个只包含单变量的一阶微分方程构成,是一种有效的负荷预测模型。其实质是对原始数据序列做一次累加生产(1-AGO),使生成的数列呈现一定的规律。然后拟合累加生成的序列,形成一条曲线,再累减还原。设有原始数据序列x(0)={x(0)(1),x(0)(2),…x(0)(n)},GM(1,1)建模的步骤如下:
①对x(0)一次累加生成(1-AGO),得到序列x(1)(i),i=1,2,…n:
②计算背景值{z(k)},k=1,2,…,n,即:
③建立一阶线性灰微分方程的白化微分方程:
④最小二乘法计算参数a、u:
⑤计算x(1)(k)的灰色预测值:
⑥对x(0)的灰色预测值进行还原:
2 组合负荷预测模型
组合预测方法是通过个体预测值的加权算术平均计算,得到组合预测值,预测结果更加准确。本文介绍等权平均组合预测法。
设fi(i=1,2,…,k)为第i个模型的预测值,fc为组合预测值,等权平均组合预测方法的计算公式:
该组合预测方法的可在未知单一预测值fi的预测精度和单一预测的误差之间的关系情况下使用,是在这种情况下较为稳妥的预测方法。
3 甘肃省中长期电力负荷预测
通过回归预测法、电力弹性系数法、灰色预测法对甘肃省2011-2020年进行了电力负荷预测,得出的结果存在差异。运用等权平均组合预测法对三种预测方法的结果进行修正,预计2015年甘肃省全社会用电量为1411.93亿千瓦时,2020年为2307.39亿千瓦时。对比三种预测方法,运用电力弹性系数法得到的预测值与组合预测值较为接近,可重点参考。
(单位:亿千瓦时,亿元)
(单位:亿千瓦时)
4 结论
单一的传统电力负荷预测方法,预测出的结果存在差异,组合预测法可以更客观地对预测值进行修正,综合各预测方法的优点,使得结果更具可行性。
摘要：本文研究了组合预测的模型,提高了预测的准确度。并对甘肃省2011-2020年全社会用电量做组合预测。
关键词：电力系统,负荷预测,组合模型
参考文献
[1]牛东晓,曹树华.电力负荷预测技术及其应用[M].北京:中国电力出版社,1998.
[2]聂威.组合预测模型在中山电力中长期负荷预测系统中的应用[D].电子科技大学:2007.
中长期电力负荷预测 篇7
中长期电力负荷预测是制定电力系统发展规划的基础, 在电力系统的安全和经济运行中发挥着重要作用[1]。负荷的变化作为时间的函数, 具有复杂的非线性行为特征, 依赖于人口、国民经济增长、气候等因素, 因此进行中长期电力负荷预测是一项极为复杂的工作。
中长期负荷预测方法可以分为两类:依据负荷自身规律的预测方法以及考虑相关因素的预测方法。依据负荷自身规律的预测方法包括动平均法、指数平滑法[2]、灰色预测法[3,4,5]、小波神经网络方法[6]、生长曲线法[7]等;考虑相关因素的预测方法有多元回归分析法[8]、聚类预测法[9,10,11,12,13]、决策树法[14]、计量经济学方法[15]等。其中, 聚类预测法又包括普通聚类法[9]、模糊聚类法[10,11,12]以及物元聚类法[13]等。由于电力负荷的发展变化受多种因素的影响, 因此在预测过程中考虑相关因素并应用于预测中, 则可能取得更好的效果。
负荷及其相关因素之间存在着确定性以及不确定性, 实际负荷的历史资料显示出其具有逐年增长的确定性的一面, 也有随机变化的不确定性一面[16], 而集对分析是近年来提出的一种新的研究确定不确定性的理论[17], 为此本文引入集对分析聚类预测法进行中长期电力负荷预测[18]。集对分析聚类算法融合了集对分析中的同异反模式识别的“择近原则”和聚类分析的基本思想, 具有很好的实用性。文中最后采用福建省用电量数据进行了实例研究, 预测结果表明该算法是十分有效的。
1集对分析的原理和方法
集对分析是一种关于确定不确定问题同异反定量分析的统计理论, 其核心思想是把确定不确定问题视为一个确定不确定系统, 从同异反三个方面来分析事物之间的联系。
集对分析的基本概念是集对及其联系度。集对是具有一定联系的两个集合所组成的对子按照集对的某一特性展开系统分析, 对集对在某一问题背景下的联系度表达式为:
其中a表示两个集合的同一程度, 称为同一度;b表示两个集合的差异不确定程度, 称为差异度, c表示两个集合的对立程度, 称为对立度。i为差异标记符号或相应系数, 取值于[-1, 1];j为对立标记符号或相应系数, 规定取值为-1。根据定义, a, b, c满足归一化条件:
这种刻画是对确定性与不确定性的描述, 其中:a, c相对确定的, 而 是相对不确定的, 这种相对性是由于客观对象的复杂性和可变性, 以及对客观对象认识与刻画的主观性和模糊性造成的不确定性, 因而 (1) 式是一种确定不确定结构函数, 体现了确定不确定系统的对立统一关系。
2集对分析聚类预测方法
集对分析聚类预测法的具体步骤如下:
(1) 确定事物N的分类模式系统。记N的可能分类集合为A={A1, A2, …, An}
(2) 建立描述事物N的分类模式系统与参照系统的同异反联系向量。令μk= (ak, bk, ck) 表示第k个分类模式系统Ak与参照系统组成集对后得到的同异反联系向量, 则联系度可记为μk=ak+bki+ckj (j=1, 2, …, n) 。
若各分类模式系统Ak与m个因素有关, 记第k个分类模式系统Ak (k=1, 2, …, n) 与参照系统组成集对后关于第t个因素 (t=1, 2, …, m) 的同异反联系度为μ
若分类系统与参照系统的联系度对各个因素的依赖程度不同, 或者说各个因素对分类的重要性有大小之分, 以权系数来表示各个因素的重要程度。权系数的大小对于联系度具有举足轻重的作用, 不同的权系数会得出不同的结论, 因此应尽量合理地确定权系数。
权系数记为α= (α1, α2, …, αm) , 其中:
此时, 联系度μk=ak+bki+ckj可视为这m个联系度μ
(3) 建立描述事物N的待预测系统B与参照系统的同异反联系向量。μ= (a, b, c) 为待预测系统B与参照系统组成集对后得到的同异反联系向量, 或记为联系度μ=a+bi+cj。
(4) 计算同异反距离。设ρk (k=1, 2, …, n) 为同异反联系向量μk与μ的距离, 称为同异反距离:
(5) 确定待预测系统B所属的类别。比较各个同异反距离ρk (k=1, 2, …, n) 的大小, 若ρk0=min (ρ1, ρ2, …, ρk) , 则认为待预测系统B与分类模式系统Ak0最接近, 可以把B归入模式Ak0, 此即同异反模式识别的择近原则。若记x
3预测实例
本文根据文献[19]中所提供的福建省电力公司1990-2002年的资料 (如表1所示) , 采用集对分析聚类算法进行预测。根据现有的数据, 得到全社会用电量及相关因素的增长率如表2所示。
现以1990-2001年的数据为样本, 采用集对分析聚类算法对2002年用电量进行预测。对应集对分析聚类预测算法的步骤, 计算过程如下。
3.1确定用电量的分类模式
根据1991-2001年共11年的样本数据, 由表2可知全社会用电量的年增长率在1.05～1.20之间。为此按年增长率的大小将样本分为三类, 各类样本的增长率范围和相关因素增长率的均值如表3所示。
3.2建立同异反联系量
记第k个分类样本Ak (k=1, 2, 3) 与参照系统组成集对后关于第t (t=1, 2, 3, 4) 个因素的同异反联系度为μ
根据上述结果, 并取四个因素的权重相等, 可得到分类样本与参照系统组成集对后的同异反联系度为:
3.3计算待预测样本的同异反联系度
以2002年的相关因素增长率的值为待测样本B的观测值, 预测该年全社会用电量增长率的值, 并与实际值比较。
根据观测值 (1.100 7 1.007 6 1.255 2 1.062 7) , 确定待测样本B与参照系统组成集对后关于第t (t=1, 2, 3, 4) 个因素的同异反联系度为:
根据结果, 可以得到待测样本与参照系统集对后的同异反联系度为:
3.4计算同异反距离
根据 (5) (7) (8) , 计算待测样本B与各类别样本A1, A2, A3的同异反距离, 如表4所示。
3.5确定分类类别并进行预测
根据同异反模式识别的“择近原则”, 预测该地区未来的用电量年增长率为 类, 即增长率在1.1～1.15之间。根据表4及式 (6) 计算可得, 该地区2002年的用电量年增长率为1.113 2, 与当年实际增长率1.131 3相比, 相对误差为1.60%, 预测精度非常高。根据预测增长率, 2002年福建省的年度用电量为488.901 8亿kWh。
4结语
本文提出了中长期负荷预测的集对分析聚类预测算法, 并应用该算法对福建省用电量进行了预测, 预测结果标明该算法具有很好的预测精度。该算法综合考虑了各因素对用电量的影响, 具有较强的实用性。
中长期电力负荷预测 篇8
中长期电力负荷预测在编制电网发展规划的过程中应放在一个重要的位置上来考虑,它规定了经济的动力资源的需求量、电力工业发展的资金需求量、以及电力工业发展对人力资源的需求量等[1]。预测的核心问题是预测的数学模型建立。目前,适合中长期电力负荷预测的方法有回归模型法、弹性系数法、人工神经网络法(ANN)、灰色模型预测法、支持向量机方法等[2,3,4]。灰色理论模型具有所需样本数少、计算方便、预测精确、可验性强等优点,而电力负荷系统又是典型的灰色系统,所以其非常适合于电力负荷预测。但灰色模型本身具有一定的局限性,数据离散程度愈大,灰度也愈大,则预测精度也愈差。近年来,针对GM(1,1)模型的缺陷和不足之处提出了很多改进[5,6,7,8,9,10,11,12,13,14]。文献[5-8]通过改进GM模型参数估计的方法优化了GM模型。文献[9]提出预测公式中的以x(0)(1)为已知条件不合理,并给出了新的预测公式。文献[10]指出灰微分方程参数方程组病态的问题。文献[11-14]分别从不同的方面通过对背景值构造方法的改进来提高GM模型的建模精度。这些改进都或多或少地提高了GM(1,1)模型的建模精度,其方法可以归纳为以下三类:1)对模型的参数估计方法的改进;2)对模型背景值构造方法的改进;3)对预测模型的计算初始条件的改进。
上述文献中对GM(1,1)模型进行的不同方式的改进,虽都取得了一定的效果,但实际使用中仍存在一些预测偏差过大的情况,所以对GM(1,1)模型的改进及其应用研究仍很必要。本文中采用了一种双向差分计算的方法进行GM(1,1)参数估计,使得向前差分与向后差分建模的拟合误差平方和最小。同时考虑到最优的拟合曲线不一定经过历史数据中的某一点,利用拟合值和原始值平方和误差最小的方法求解得到预测公式中最优G值。本文的方法属于上述改进方法中的第1类和第3类,实例仿真结果表明了本文所提出方法的有效性,所建立的预测模型有较高的拟合和预测精度。
1 基于双向差分建模的GM(1,1)参数估计
设有原始非负变量数据序列:x(0)=[x(0)(1),x(0)(2),,x(0)(n)],作一阶累加生成:
序列数据x(1)=[x(1)(1),x(1)(2),,x(1)(n)]具有指数增长规律,即GM(1,1)x(1)(k)满足下述一阶线性微分方程模型:
其中,a为发展系数,它反映了数据序列x(1)(k)及原始数据序列x(0)(k)的发展趋势,式(2)的解为:
由式(2)变换可得:
根据离散序列的差分定义,求序列x(1)(t)对时间t的差分有两种方式为
前向差分:
后向差分:
结合式(4)~(6)可得到:
前向差分误差:
后向差分误差:
定义误差评价指标为:
把满足使e2最小的发展系数a和灰作用量u作为GM(1,1)模型的估计参数,即满足:
代入式(7)和式(8)并离散化,推导可得:
整理可得:
对式(10)和式(11)两边同除以2(n-2),并定义:
令则式(9)和式(10)合并可表示为:
解方程组(16)可求得:
把求解得到的a和u代入式(3)并离散化可得拟合和预测计算公式为
其中:
累减生成还原得到原始数据序列的灰色预测模型为:
2 优化初始值G
考虑到最优的拟合曲线不一定经过历史数据中的某一点,基于式(19)选择的初始值G不一定是最优的,即G的选取是影响GM(1,1)模型建模精度的又一个重要因素。为了获得最优的拟合曲线,提高模型的建模精度,需要对G进行优化。
定义:
把式(20)代入式(21)得:
满足拟合值和原始值误差平方和最小的G为:
推导过程如下:
3 预测步骤和实例应用
3.1 预测步骤
由上面分析可总结建模预测步骤如下:
1)由原始数据x(0)(k)(k=1,,n)基于式(1)作一阶累加生成产生x(1)(k)(k=1,,n)。
2)基于式(12)~(15)计算s、v、z0、z1并生成矩阵A、Z。
3)基于式(17)计算发展系数a和灰作用量u;
4)基于式(20)计算拟合和预测值其中p为未知数据预测个数,而式中G由式(23)确定。
3.2 实例应用
为了验证本文的算法,选择四种GM(1,1)建模方法进行建模对比分析。其中文献[5]的无偏GM(1,1)模型(称为模型[5])、文献[6]的开次方改进无偏GM(1,1)模型(称为模型[6])均通过改进模型参数估计方法建模而取得了较好效果;文献[14]通过优化背景值构造方法和改进预测计算公式的初始值进行GM(1,1)建模(称为模型[14])也取得了较好的效果,该文献中分析了基于此方法较其他文献中改进背景值构造方法建模具有更好的预测精度和适应性;而把本文的双向差分优化GM(1,1)模型称为新模型。采用相对误差PEk、均方误差MSE、平均百分误差MPE和平均绝对百分误差MAPE衡量各模型的精度,各值越小表示精度越高,如MAPE值小于5为良好,介于5至10为不错,大于10则较差。其计算方法见式(24)~(27),其中ˆx(0)(k)为预测数据,而x(0)(k)为原始数据。
实例1
采用文献[6]中的太原地区全社会用电量历史数据,见表1。用1998~2004年的数据进行建模并预测2005年的全社会用电量,基于上面讲的四种模型的拟合和预测结果见表2。
108 k Wh
*注:开次方数为5时的预测模型结果,此时MAPE最小。
从表2的结果分析可见,按“相对误差PEk”为建模精度估计时,四种模型拟合结果的PE绝对值最大值分别为:模型[5]是2.4973%,模型[6]是2.9264%,模型[14]是3.1702%,新模型是2.2385%,可见新模型最好。
基于“均方误差MSE、平均百分误差MPE和平均绝对百分误差MAPE”衡量各模型精度时,新模型的MSE是0.013 7、MPE是-0.013 3和MAPE是1.070 3均是最小(绝对值),可见新模型最好。
最后再看预测值,四种模型预测结果的相对误差分别为:模型[5]是-3.0801%,模型[6]是-2.8401%,模型[14]是-2.6318%,新模型是-1.8184%,可见新模型预测精度要高很多。
同时综合分析可见,虽然模型[5]、模型[6]拟合精度比模型[14]精度高,但预测结果却较差,但新模型二者表现都是最好,显示了新模型的有效性。
实例2
为了进一步验证新模型的有效性,选取了重庆地区1995~2008年农村用电量历史数据来进行预测,原始数据见表3。建模过程同实例1,用2001~2007的数据作为原始数据建模并预测2008年的用电量,并用真实值进行校验,仍采用上面的四种模型,拟合和预测结果见表4。
注:数据来自《重庆2009年统计年鉴》。
从表4的结果分析可见,按“相对误差PEk”为建模精度估计时,四种模型拟合结果的PE绝对值最大值分别为:模型[5]是2.4507%,模型[6]是2.1397%,模型[14]是2.3028%,新模型是2.1889%,模型[5]最好,但新模型与之相比相差很小。
基于“均方误差MSE、平均百分误差MPE和平均绝对百分误差MAPE”衡量各模型精度时,新模型的MSE是0.258 8,四种模型中值最大,但四者之间都相差不大;新模型的MPE是0.145 5仅小于模型[5]的MPE;新模型的MAPE是0.965 8,小于模型[14]的MAPE,与另外两种模型的MAPE相差不大。总的来说,模型[6]三个指标最优,但新模型与之相差不大,精度也比较高。
*注:开次方数增大时拟合结果的相对误差MAPE减小,当大于5时变化不大,表中为开次方数为5时的计算结果。
最后再看预测值,四种模型预测结果的相对误差分别为:模型[5]是-4.0657%,模型[6]是-4.2425%,模型[14]是-4.3737%,新模型是-3.5715%,可见新模型预测精度最高。
综合分析可知,虽然模型[6]拟合精度最高,但预测结果却比模型[5]还差,实际上,模型[5]可以看作是模型[6]开1次方时的特殊情况,即虽然模型[6]通过增加开次方数降低了发展系数提高了拟合精度,但是预测精度反而降低,表明了其应用局限性。而新模型整体表现却是最好,显示了其有效性。
4 结论
配电网中长期负荷预测方法综述 篇9
中长期负荷预测是配电网规划的前提和基础, 配电网规划要求既要预测未来负荷的总量, 又要预测未来负荷增长的位置, 即中长期负荷总量预测和空间负荷预测, 它们对于合理地配电网规划都具有重要的指导意义, 其预测结果为地区电力发展速度、电力建设规模、电力工业布局以及能源资源平衡等提供可靠的依据;其预测结果的可靠性与准确性直接影响到国民经济的发展和人民的日常生活。
1 配电网负荷预测的分类
配电网负荷预测, 按照其研究对象的不同可分为负荷总量预测和空间负荷预测。
(1) 负荷总量预测是将整个规划地区的电量或负荷作为预测对象, 以预测区域历史电量、历史负荷以及一些经济因素为依据, 预测结果是未来预测区域对电力的需求量和电网的供电容量, 它属于战略预测, 对预测区域供电电源点的确定和发电计划具有重要的指导意义。
(2) 空间负荷预测又称小区负荷预测, 是将预测区域划分为小区, 以小区的相关因素为依据, 预测结果是未来小区的电力需求量和负荷值, 它不仅是在时间上预测未来负荷的量, 而且还要预测负荷增长的位置信息, 即未来负荷的空间分布。只有确定了供电区域内各小区的未来负荷, 才能对变电站的位置和容量、馈线型号和路径、开关设备以及它们的投入时间等决策变量进行规划。
配电网负荷预测, 按照其预测时间期限的不同通常又分为长期、中期、短期和超短期负荷预测四类。
(1) 长期负荷预测一般是指10年以上并以年为单位的负荷预测, 中期负荷预测是指5年左右并以年为单位的负荷预测。它们的意义在于合理地安排电源和电网的建设进度, 提供宏观决策的依据, 使电力建设满足国民经济增长和人民生活水平提高的需要, 帮助决定新的发电机组的安装 (包括装机容量大小、型式、地点和时间) 与电网的规划、增容和改建, 是电力规划部分的重要工作之一。
(2) 短期负荷预测一般是指一年之内以月为单位的负荷预测, 还指以周、天、小时为单位的负荷预测, 通常预测未来一月、未来一周、未来一天的负荷指标, 也预测未来一天24h中的负荷。其意义在于帮助确定燃料供应计划, 对运行中的电厂出力要求提出预测, 使对发电机组出力变化事先得以估计, 可以经济合理地安排本网内各机组的启停, 降低旋转储备容量, 可以在保证正常用电的情况下合理安排机组检修计划。
(3) 超短期负荷预测一般是指未来1h、未来0.5h甚至未来10min的负荷预测。其意义在于可对电网进行计算机在线控制, 实现发电容量的合理调度, 满足给定的运行要求, 同时使发电成本最小。
2 配电网负荷预测国内外研究现状
2.1 配电网中长期负荷总量预测综述
配电网中长期负荷总量预测方法可分为经典预测方法、传统预测方法和新兴预测方法, 它们都有各自的优缺点和适用范围, 同时研究人员还对一些方法进行了改进, 以进一步提高其预测结果的可靠性和准确性。
(1) 经典预测方法。
从严格意义上说经典预测方法并不是真正的预测方法, 它不是通过建立数学模型, 而是依靠专家经验或一些简单变量之间的相互关系对未来负荷做出一个方向性的结论, 所以预测的精度较差, 而且常需要做大量细致的统计工作。该类方法主要有单耗法、比例系数增长法等。
(1) 单耗法。
单耗法即单位产品电耗法, 是通过某一工业产品的平均单位产品用电量u以及该产品的产量o, 得到生产该产品的总用电量T。计算公式是:
有时考虑用国民经济生产总值或工农业生产总值G, 结合其电量单耗 (产值单耗) U, 计算出用电量T, 这就是产值单耗法。计算公式是:
单耗法需要作大量细致的统计调查工作, 近期预测效果较佳, 但实际中很难对所有产品较准确地求出其用电单耗, 即使运用该方法, 其工作量也很大。
(2) 比例系数增长法。
比例系数增长法是假定今后的电力负荷与过去具有相同的增长比例, 用历史数据求出比例系数, 按比例预测未来的负荷值。
(2) 传统预测方法。
传统预测方法主要包括趋势外推预测方法、回归模型预测方法等, 这些方法通常都是根据负荷的历史数据或一些负荷的相关影响因素建立一种确定的模型来预测未来负荷值。
(1) 趋势外推预测方法。
在一定条件下, 电力负荷存在着明显的变化趋势, 一旦找到了这个变化趋势, 按照该变化趋势就能对未来负荷情况做出预测, 这里突出对趋势明显的电力负荷数据序列作递推计算外推或曲线拟合外推, 所以它是一种外延的方法。如:移动平均法、平滑预测法、指数曲线模型等, 此类方法的优点是:所需历史数据少, 工作量小。但是此方法有效的前提是过去的发展模型会延续到未来, 没有考虑负荷的影响因素, 只致力于数据的拟合, 对规律性处理不足, 因此这种方法对短期效果比较好而不大适合于中长期预测。
(2) 回归模型预测方法。
回归模型预测方法可以把负荷与影响负荷的各种社会和经济等因素联系起来, 其优点是模型参数估计技术比较成熟, 预测过程简单, 使预测人员能够清楚地看到负荷增长趋势与其它可测影响因素之间的关系。但是, 这种方法要求样本量大且有较好的分布规律和较为稳定的发展趋势。另外, 有时难以找到合适的回归方程。
(3) 新兴预测方法。
近些年, 随着各种智能算法的进一步深入研究和广泛运用, 如人工神经网络预测法、等, 这些预测方法已经开始引入电力系统负荷预测, 并取得了较好的效果。
人工神经网络预测法。
人工神经网络理论用于短期负荷预测的研究比较多, 其突出优点是它可以模仿人脑的智能化处理, 对大量非结构性、非精确性规律具有自适应功能, 具有信息记忆、自主学习、知识推理和优化计算的特点。人工神经网络具有很强的自学习和复杂的非线性函数拟合能力, 很适合于电力负荷预测问题, 是在国际上得到认可的实用预测方法之一。
3 配电网空间负荷预测综述
空间负荷预测方法主要分为两大类——解析方法和非解析方法。非解析方法是更多地依靠规划人员的经验和主观判断来决定负荷的大小和分布, 虽然在一定程度上缺乏必要的科学性, 但可作为解析方法的辅助手段。解析方法是运用数学工具分析小区的各项原始数据 (如:历史负荷、相关经济指标和用地数据等) , 进而预测小区负荷的发展趋势。解析方法通常又分为趋势法、多变量法等。
(1) 趋势法。
趋势法是所有基于负荷历史数据外推负荷发展趋势的方法的总称, 它有两个最显著的优点:一是方法简单;二是仅需要小区负荷的历史数据, 所需数据量少。
趋势法初期的做法是, 以划分的小区为基础, 根据每个小区的负荷历史数据采用曲线拟合或其它推断方法外推来预测规划年的峰值负荷。有关文献提出了负荷搜集法、扩散法、偏好系数法和时间序列法等一系列属于趋势法范畴的预测方法, 但对每个小区都要进行曲线拟合, 其预测的工作量相当大。有关文献提出了聚类模板法, 该方法虽然减少了拟合曲线的工作, 但仍然存在模板多和难以选择的问题。
(2) 多变量法。
多变量法是以每个小区的年负荷峰值历史数据和其它多个变量为基础来预测规划年的峰值负荷。多变量法假定同一区间的控制数据和待求数据之间存在着某种关系, 通过它们之间的关系, 可由历史年和未来年一系列控制数据预测待求数据。实际上, 具体到空间负荷预测时, 小区负荷就是待求数据, 对影响其变化的相关量就是控制数据。
参考文献
[1]杨期余.配电网络[M].北京:中国电力出版社, 1998.
[2]陈章潮, 唐德光.城市电网规划与改造[M].北京:中国电力出版社, 1998.
[3]牛东晓, 曹树华, 赵磊, 等.电力负荷预测技术及其应用[M].北京:中国电力出版社, 1998.
[4]孙才新, 周湶, 刘理峰, 等.电力地理信息系统及其在配电网中的应用[M].北京:科学出版社, 2003.
[5]康重庆, 夏清, 张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化, 2004, 28 (17) :1～11.
[6]吴安平.产业电力弹性系数的意义及其在负荷预测中的应用[J].中国电力, 1999, 31 (12) :41～44.
[7]孙洪波, 徐国禹, 秦翼鸿.中长期电力负荷预测模糊回归预测[J].重庆大学学报, 1993, 16 (6) :16～20.
[8]康重庆, 夏清, 刘梅, 等.应用于负荷预测中的回归分析的特殊问题[J].电力系统自动化, 1998, 22 (10) :38～41.
中长期电力负荷预测 篇10
[关键词]电力系统；负荷预测；方案分析；解决方案
电力系统负荷预测程序是电力系统中进行负荷预测的一种行之有效的手段，它通过计算程序自动采集、分析历史数据，通过精密计算得到预测数据和曲线，能够使负荷预测准确度有大幅度提高。但是，在程序中提供了多种预测方法中，选取最准确、最恰当的方法呈提高负荷预测准确率的重要的手段之一，这就需要我们不断地进行比较、探索，使预测的负荷更加精确。负荷特性分析是负荷预测的基础，它要对目标区域的负荷性质、结构、分类、现状、及发展趋势进行研究。负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提。其准确度关乎企业计划用电管理、经济效益和社会效益，是企业的一种基础管理考量。
一、负荷预测
1.负荷预测的内容
电力系统负荷预测包括最大负荷功率、负荷电量及负荷曲线的预测。负荷功率预测对于确定电力系统发电设备及输变电设备的容量是非常重要的。
2.预测的基本过程
调查和选择历史负荷数据资料，并对历史资料的进行整理。由于正常情况下地区负荷的峰谷差，最大、最小负荷出现的时间变化不大，所以在选取需要的历史资料时要就近选取。对所收集的与负荷有关的统计资料进行审核和必要的加工整理，并对所用资料进行数据分析和预处理，（即对历史资料中的异常值的平稳化以及缺失数据的补遗）来保证资料的质量，从而为保证预测质量打下基础，即要注意资料的完整无缺，数字准确无误，并对不可靠的资料加以核实调整。进行人工事件设置。查找预测日是否有计划检修和非计划检修，天气状况是否有巨大变化，然后对相应项目进行人工设置。预测程序在进行预测时自动考虑这些事件对预测负荷的影响，可以达到提高预测准确度的目的。运用各种预测方法建立负荷预测模型，对负荷进行科学预测。摸清规律，综合分析。负荷变化在每一个地区都是有规律可循的。有了基础负荷的掌控，加之对不同大用户的生产计划规律、节假日负荷历史变化规律的比对、节令气象变化等规律综合分析，加大对负荷预测的综合考量。
3.预测的基本步骤
在进行负荷预测时可按一下六步进行，“一步”细化全天时区，将日负荷曲线划分为凌晨、早高峰、下午、晚高峰四个时段预测，扩充曲线参考范围；“二步”结合停电计划、量化停电负荷，细致记录特殊事件；“三步”评估天气预报，敏感天气关联负荷，建立天气负荷数据库；“四步”分析假日特性、定性定量分析特殊日曲线，把握特殊曲线规律；“五步”做好日周月年总结，建立负荷数据库；“六步”每日自我评价、跟进负荷预测准确率变化曲线，及时发现近期准确率的异常情况，积极反馈，调整提高。
4.预测的基本原则
因事制宜，对策到位。对各类偶发事件影响因素的对策，电网事故、检修变化等情况，尽量缩短其持续时间，降低负荷变化对预测的影响。对节假日负荷变化较大的情况，分析历史五年节假日负荷曲线，进行统计分析，按不同节假日制定不同的预测对策。对恶劣天气影响因素，与气象部门联系，签订协议，按时获取详细的天气预报信息，及时对预测曲线进行修正。对大用户负荷波动影响因素的对策，建立联系机制，做好生产情况调查，尽量把大用户负荷波动对负荷预测的影响降到最低。
实际加经验，科学研判。发挥经验，准确研判不同时期负荷变化规律，制定对策措施。日常的短期预测遵循“远小近大”的原则，优先参考近几日历史曲线，同时参考同类型历史实测曲线。节假日短期预测遵循“远大近小”的原则，优先参考同类型历史实测曲线，确定预测曲线的基本形状，同时参考近几日历史曲线来确定预测负荷。实时掌握方式安排、“峰谷”点负荷变化等，加以调整，确保工作有的放矢。
三、电力负荷预测的影响因素
1.气象因素的影响
很多负荷预测数学模型都引入了气象部门提供的气象预报信息，包括温湿度、雨量等在内的气象因素都会直接影响负荷波动，尤其在居民负荷占据较高比例的地区，这种影响更大。由于天气变化大，负荷大幅波动，造成负荷预测的难度加大。
2.节假日及特殊条件的影响
较之正常工作日，一般节假日的负荷都会明显降低，以春节为例，春节期间的负荷曲线一般会出现大幅度的下降变形，而其变化周期也大致与假日周期吻合。在和正常工作日的横向比较中，节假日期间可供研究的负荷数据较少，各种随机波动因素都会干扰符合。不过就同一节假日的纵向比较来说，每年的负荷曲线都呈现出比较相似的变化趋势。这也能为节假日负荷预测提供可借鉴的依据。
3.大工业用户突发事件的影响
对于大工业用户装接容量占用电负荷较高的地区，大工业用户在负荷预测偏差中起到的影响作用也比较大。一般情况下，大工业用户连续生产情况下日常用电负荷相对稳定。不过自身的设备原因或外部因素变化的情况下，偏差出现的可能性也是存在的。比如设备发生临时故障或天然气来量不足等现象都可能造成用电负荷突变，影响负荷预测准确率。
4.负荷特性分析和预测方法的影响
目前，由于很多地区在负荷种类结构以及变化因素上的统计分析工作不够深入系统，导致在需要历史数据进行对照时无法展开工作，对于负荷特性和相关变化规律的总结也就无从谈起。而现实当中，不少电网的调度机构预测曲线的制作时仅凭预测人员的经验办事，科学使用的预测软件应用率比较低。而人工经验为主要手段预测由于数据性不强、方式单一，其预测结果也有一定的局限性。
5.管理与政策的影响
负荷预测是一项技术含量很高的工作，然而负荷预测工作在很多地区还没有得到足够的重视，基础工作薄弱，考核标准过于宽松，与大用户的信息沟通不畅，大用户的用电缺乏计划性和有序性；预测人员缺乏良好的综合素质、较高的分析能力和丰富的运行经验，不适应高标准工作的要求。
参考文献：
[1]孙振，路洋.电力系统负荷预测方式综述.黑龙江电力，2005，27（4）：260-262
中长期电力负荷预测 篇11
当前我国经济增速正逐步地放缓, 产业结构不断地优化调整, 社会发展进入了新常态, 并表现出经济发展的阶段性特征。 在这样的背景下, 许多大城市的电力负荷逐渐走出了“单边上扬”的快速增长模式, 开始呈现出一定的饱和趋势与波动特性。 负荷增长模式转变加大了中长期负荷预测的难度[1,2]。 造成这一现象的原因, 归根结底是由于许多大城市的城市化进程随着经济社会发展进入了新的阶段, 其带来的人口、产业结构以及地域等几个方面的新特性, 对电力负荷产生了深刻的影响[3]。 然而, 城市化构成要素众多, 相互之间的关系及其对电力负荷的影响机理复杂。 因此, 全面系统地梳理城市化进程中的构成要素, 分析其对电力负荷的影响机理并建立关联模型进行预测, 对于指导新常态下的电力规划与负荷预测具有重要意义。
传统中长期负荷预测的方法中, 时序外推法通过对已知负荷序列的拟合来实现外推预测[4,5], 更适用于规律性较强、较为平稳的负荷序列, 而对于城市化背景下波动性较强的负荷序列则预测效果欠佳, 且难以很好地揭示影响负荷的内在因素[6]。 单因素相关性分析法如弹性系数法、产值单耗法等, 通过把握负荷与主要影响因素之间的相关关系来进行预测[7,8]。 由于该方法操作简单、效果较好, 在实际工作中应用较广。 但该类方法仅考虑单一因素, 逐渐难以适应城市化过程中影响电力负荷因素多元化的特点。 诸如人工神经网络、支持向量机等人工智能法, 通过大量样本的训练来建立输入与输出之间的非线性关系, 更适用于波动性较强序列的预测[9,10]。 但由于中长期负荷预测中样本量往往较少, 致使该类方法难以实际应用。
已有不少学者从产业产值、GDP等角度出发开展负荷预测工作。 文献[11-12]分别提出基于物元模型与基于数据挖掘的中长期负荷预测方法, 通过归类的思想, 结合各产业产值、GDP等经济指标进行预测, 一定程度上体现了城市化的特性。 但城市化是一个人口、经济及地域全面变化的过程, 包含因素众多, 对电力负荷影响各异, 因此仅从经济角度出发研究电力负荷的变化规律仍稍显片面。 文献[13]从配电网的角度出发, 梳理了影响配电网发展的相关因素, 但尚未将其运用在负荷预测工作中。
本文提出基于城市化特性的中长期负荷预测方法。 首先, 系统地分析并提取城市化过程中的主要构成要素;随后, 运用层次分析法对各主要构成要素对电力负荷的影响大小进行主观赋权;最后, 利用模糊聚类分析法, 结合权重, 通过聚类实现预测。 该方法系统地考虑了城市化进程的特点, 量化其对电力负荷的影响, 并在此基础上实现了考虑多城市化因素的中长期负荷预测。 算例表明该方法具有较高的预测精度。
1 基于城市化的负荷预测建模思路
1.1 城市化定义与特征
城市化是指由以农业为主的乡村社会向以工业、服务业以及高技术产业为主的城市社会转型的历史过程, 其实质是资源和生产力在城乡间的重新配置, 是一个动态的过程[14,15]。 根据国内外对城市化的研究, 城市化水平较高的大城市, 其城市化进程的主要特征及其对电力负荷的影响主要分为如下3 个方面。
(1) 人口城市化:人口向城市聚集并趋于饱和。人口的逐渐饱和直接导致居民用电负荷的增速放缓;而居民负荷受气温等随机因素影响较大, 因而一定程度上增加了整体负荷的波动性[16]。
(2) 经济城市化:非农业经济比重持续增加, 产业结构优化调整。 传统重工业逐步减少, 相应的用电负荷下降;而新兴工业以及第三产业蓬勃发展, 相应的用电负荷增加。 不同产业的负荷增长模式各异, 因而产业结构的优化调整使得整体负荷增速放缓, 波动性加强。
(3) 地域城市化:空间布局的完善, 二、三产业聚集。 产业的聚集使得负荷具有鲜明的区域性特征[17];而空间布局的逐步完善, 也使得负荷增长空间减小, 整体负荷增速逐步放缓。
城市化要素对电力负荷的影响机理如图1 所示。
1.2 城市化主要构成要素提取
人口、经济和地域3 个方面的城市化进程, 使得影响负荷的要素多样化, 且整体负荷序列的波动性增强。 因此, 从这3 个方面全面系统地提炼城市化主要构成要素共16 个, 如图2 所示。
其中, 钢铁工业、汽车工业以及信息产业电子制造业, 分别代表劳动密集型产业、资本密集型产业以及先进制造业。 在针对具体城市进行实际分析评估时, 可用该市与之相应的有代表性的具体行业来替换。 该城市化主要构成要素体系涵盖了人口、经济以及地域3 个方面, 能够较为全面地体现出城市化对经济社会影响的主要方面。
1.3 建模整体思路与框架
基于以上城市化主要构成要素, 采用结合权重的模糊聚类法进行预测分析。 主要建模思路是:首先运用层次分析法, 对各主要构成要素进行主观赋权, 以反映其对电力负荷的影响大小;随后, 利用模糊聚类法, 将已知样本年和预测年进行聚类, 并通过对聚类结果进行进一步处理来获得预测值。 整体建模预测流程图如图3 所示。
2 基于层次分析法的权重计算
层次分析法AHP (Analytic Hierarchy Process) 是一种主观赋权的方法, 通过利用人的经验判断两两不同因素之间的相对重要程度, 最终计算得到组合权重, 实现定性到定量的转换[18,19]。 这里, 使用层次分析法, 结合专家的经验来对城市化各主要构成要素对电力负荷的影响大小进行赋权。
(1) 建立递阶层次结构。
递阶层次结构即如图2 所示。 图中, U代表目标层, MA、MB、MC分别代表从上到下3 个准则层, MC即为城市化主要构成要素。 拟以上海市作为研究对象, 将经济城市化中的劳动密集型产业、资本密集型产业以及先进制造业分别替换为上海市具有代表性的钢铁工业、汽车工业以及信息产业电子制造业。在这里, 由于只需要计算权重而不需要进行方案决策, 故方案层空缺。
(2) 构造两两比较判别矩阵。
利用专家经验, 判断同一层次中各因素两两间的相对重要性。 设某一层次中共有n个要素。 对其中任意2 个要素ci和cj, 用bij表示ci和cj的重要程度之比。 bij的取值参照表1。
当bij取值处于上述各值之间时, 其表示的相应含义也处于各个定性等级之间。 于是可得到判别矩阵MX-Y= (bij) n×n, MX-Y表示Y中各要素相对于其上一层因素X构成的判别矩阵。 所得6 个判别矩阵分别为MU-MA (1-3) 、MMB1-MC (1-2) 、MMA2-MB (2-3) 、MMB2-MC (3-8) 、MMB3-MC (9-13) 、MMB4-MC (14-16) 。
(3) 计算相对权重, 判断各个判别矩阵的一致性, 并计算方案层对目标层的组合权重。
判断矩阵一致性的一致性比率指标:
当CR < 0.1 时, 认为判断矩阵的一致性是可以接受的, 则 λmax对应的归一化特征向量可以作为该层次指标相对于上一层中某元素的排序权重向量。
其中一致性指标CI为:
平均随机一致性指标RI的值可根据判别矩阵MX-Y的维数通过查表获得。
最后, 将某元素与其隶属的所有上层元素的权重相乘, 即可以得到该元素相对于目标层的最终权重值。
3 基于模糊聚类分析法的中长期负荷预测
模糊聚类分析是一种基于模糊理论的聚类技术, 通过确定不同对象之间的相似度进而实现聚类, 体现了样本的中介性, 更能反映真实世界对象往往具有的“亦此亦彼”的特点[20,21]。 模糊聚类分析运用于中长期负荷预测, 其主要思想是将已知年样本与预测年样本放在一起进行聚类。 在同一类别中, 用已知年份的负荷增长率来作为预测年的负荷增长率, 从而实现负荷预测[22,23]。 模糊聚类分析法可以同时考虑多个相关因素, 与城市化具有众多相关因素的特征相符。
常用的模糊聚类方法有基于等价关系的模糊聚类分析法、模糊C均值聚类法等。 基于等价关系的模糊聚类法计算速度佳, 具有良好的聚类效果[24]。
(1) 原始数据标准化。
设原始数据样本数为s, 影响因素数为n, 则原始数据矩阵为A= (xij) n×s。 由于不同因素的量纲与大小均不同, 故需对数据进行标准化处理。 首先按照式 (3) 计算每一维因素的平均值与方差:
再按照式 (4) 对数据进行初步标准化:
为将数据进一步压缩至[0, 1]区间之中, 采用极值标准化公式:
其中, x′kmax和x′kmin分别为x1′k、x2′k、…、xn′k中的最大值和最小值。
(2) 确定相关度, 建立模糊相似关系矩阵。
采用数量积法, 结合各个主要构成要素的权值, 计算样本间的相似度rij。
其中, ωk为第k个主要元素所占权重, 且有
依此建立模糊相似关系矩阵为Rs= (rij) s×s。
(3) 计算相似关系矩阵Rs的传递闭包, 获取动态聚类图。
传递闭包是指定义在集合上的二元关系的最小传递关系。
为了求取Rs的传递闭包, 按照式 (7) 进行合成运算。
其中, 合成运算按照式 (8) 进行:
其中, cij为Cm×n的元素;∨与∧分别表示取大运算与取小运算。这样, 必存在正整数l, 使得此时, 即是Rs的传递闭包, 是一个模糊等价关系。
4 算例分析
本文以上海市为例, 搜集上海市2001 至2014 年全社会用电量数据以及16 个城市化主要构成要素数据, 并对2011 至2014 年的负荷增长率进行虚拟预测。 以2001 年作为基本年, 将数据处理为相对于前一年的增长率, 如表2 所示。
首先, 结合专家经验, 利用层次分析法对这16个城市化主要构成要素对用电量的影响进行主观赋权。 计算得到各个判别矩阵结果如表3 所示。
从表3 可以看出, 表中各矩阵CR的均小于0.1, 各判别矩阵均满足一致性检验, 其最大特征值对应的归一化特征向量可以作为相应因素的权重。
各个要素相对于总目标的权重, 等于该要素在自身层次中所得权重与其所有母层次所得权重的乘积。 计算得到各个城市化主要构成要素的最终权重如表4 所示。
对表2 中原始数据进行标准化处理, 并结合表4 的赋权结果, 计算模糊相似关系的传递闭包矩阵如表5 所示。
注:数据来源于上海市统计年鉴、上海市国民经济和社会发展统计公报。
聚类水平 λ [0, 1]表征聚类结果的置信度。 λ越接近1, 表明聚类结果中各个样本间相似度越高, 聚类效果较好;反之, λ 越接近0 则表明聚类结果中各个样本间相似度越低, 聚类效果较差。 使聚类水平λ 从1 到0 连续变化, 并将模糊等价矩阵中大于 λ的元素所对应的2 个对象归为一类。 当 λ=1 时, 每个对象各成一类。 随着 λ 的逐渐减小, 所分类别逐渐随之减少, 直到所有预测年份样本均被归入包含已知年份的类别中, 这样便得到了动态聚类图, 如图4所示。
图4 中数字表示当聚类水平降低到该值时, 相应左边的对象聚为一类。 当某预测年首次被归入包含已知年份的类别中时, 则可对这些已知年份的负荷增长率进行处理来获得同类中预测年的负荷增长率。 从图4 中可以看出, 当聚类水平为0.93 时, 待预测的2011、2013 年和样本年2007、2008 年归入一类。 因此, 可对2007、2008 这2 年的负荷增长率进行一定处理来得到2011、2013 年的预测值。 同理, 通过对2009 年的负荷增长率进行处理来得到2012、2014 这2 年的负荷增长率预测值。
各年份实际负荷增长率如表6 所示。
传统的模糊聚类分析预测法, 通过将同一类中样本年负荷增长率的平均值来作为该类中预测年的负荷增长率预测值。 但这种处理方式使用了单一的负荷增长率来预测未来负荷, 且无法反映负荷的整体变化趋势, 难以适应城市化背景下负荷逐渐趋于饱和的情形。 为此, 对聚类结果使用以下2 种方法进行修正。
a. 采用 “近大远小”的原则对同类中各个样本年进行赋权。 考虑到靠近预测年的样本年, 其负荷变化规律与预测年相似的可能性更高, 因此赋予其较大的权重。 取各样本年负荷增长率的加权平均值作为预测值。
b. 利用小波分析法处理所有样本年构成的负荷序列。 小波分析是一种信号分析处理的方法, 可以将信号在频域上进行分解。 对负荷序列进行小波分析, 其中的基频分量可以较好地表征出负荷的整体变化趋势[25]。 对提取出的基频分量进行外推预测, 得到预测年的基频分量值, 并利用该预测值与样本年的基频分量提取值, 对“近大远小”赋权得到的预测值进行修正。 某预测年修正量的大小为该年的基频分量预测值与同类中最近一年样本年的基频提取值之差。 则各预测年的最终预测结果为各年对应的修正量与其所在类中“近大远小”赋权所得预测值之和。
将未考虑权重的模糊聚类预测结果、加权模糊聚类预测结果、“近大远小”修正后的预测结果以及进一步采用小波分析提取基频分量修正后的预测结果进行对比。 同时, 与等维递补灰色GM (1, 1) 模型[26]、GDP弹性系数法等传统预测方法进行对比。 结果如表7 所示。
从预测结果可以看出, 相较之下灰色GM (1, 1) 模型预测精度最差, 这是因为在城市化背景下, 负荷序列的波动性明显加强, 外推预测难以适应;GDP弹性系数法考虑了负荷与GDP之间的相关关系, 但在城市化发展到一定阶段时, 影响负荷的因素逐渐多样化, 仅从GDP的角度进行考虑显得过于单一, 因此预测精度也不够高。
模糊聚类分析法同时考虑了多个因素, 通过样本间的相似聚类实现预测, 因此受负荷序列的波动性影响较小, 较为适合城市化背景下的负荷预测工作;而加权模糊聚类法在此基础上, 考虑了不同因素对负荷影响大小的不同, 因此改善了聚类的效果, 提高了预测精度。
在实现加权模糊聚类之后, 考虑到用样本年负荷增长率的平均值来作为预测值存在着预测结果单一、无法反映负荷整体变化趋势的不足, 因此, 使用“近大远小”原则以及小波分析提取样本年负荷序列基频分量的方法对结果进行修正。 经过修正后的预测体系在发挥模糊聚类预测法处理波动序列优势的同时, 也更好地和负荷的整体变化趋势相吻合, 预测精度得到了较大的提高。
5 结论
本文分析了城市化在人口、经济以及地域3 个层面的特征, 提取16 个城市化主要构成要素, 并采用层次分析法对各主要构成要素对用电量的影响大小进行了主观赋权。 在此基础上, 采用结合权重的模糊聚类分析法实现聚类预测。 最后, 结合上海市实际数据进行了算例分析。 结论如下。
a. 相较于时序外推等通过拟合负荷序列来实现预测的方法, 本文提出的方法在聚类的基础上进行预测, 因此不会受到负荷序列形状的影响, 与城市化发展到一定阶段时负荷序列波动性逐渐凸显、规律难以把握的特点相适应。
b. 相较于弹性系数法等考虑单相关因素的预测方法, 本文提出的方法综合考虑了多个影响电力负荷的城市化要素, 并在此基础上利用层次分析法对各要素进行赋权, 与城市化背景下影响负荷的因素众多、影响大小不同的特点相适应。