超短期负荷预测（精选9篇）
超短期负荷预测 篇1
0 引言
随着电力系统对电能质量的要求越来越高, 负荷值的变化情况也越来越受到重视, 已经成为电力系统调度的基础。当前电力系统负荷按照监测周期的长度, 可分为超短期、短期、中期和长期四种[1]。超短期负荷是重要一环, 其监控时间从几十分钟到几小时不等[2]。如今国内外学者对超短期负荷的研究主要围绕负荷模型及对负荷值预测等一系列问题展开研究[3], 提出了传统与现代预测方法[4]。尽管方法逐渐成熟, 但是并没有对负荷值 (预测值或实际值) 做进一步的数据处理, 电力系统需要人为的根据负荷值做调度, 容易带来一些误差。
本文在超短期负荷值已知的基础上, 对其进行聚类分析, 由于模糊C均值聚类具有对孤立点敏感、易陷入局部最优等问题[5], 采用蚁群聚类得到最优的类别数, 作为FCM聚类的初始条件。文献[6]使用层次聚类技术对同家族变压器状态变化的相似性进行分析, 本文采用类似文献[5]和文献[6]的思想, 通过聚类将负荷数据软性划分归类, 可以减少人为失误。然后根据类别数判定负荷变化情况, 并利用标准模糊神经网络对其进行预测。最后通过仿真验证该方法的合理性、有效性。
1 蚁群聚类
由于电力系统超短期负荷值在一定时间内变化范围不明显, 采用普通C均值算法 (HCM) 对负荷值进行硬性划分归类, 容易造成较大误差, 而模糊C均值 (FCM) 聚类是柔性划分[7]。但是FCM聚类算法对孤立点是很敏感的, 类别C的数目选取不当容易造成算法陷入局部最优, 不能确保最终收敛到全局最优点, 算法的性能依赖于初始聚类中心。为了解决FCM聚类中的不足, 可以采用仿生学中的蚁群聚类算法, 确定类别数, 再采用FCM聚类算法确定各组数据向量在各模糊集合中的隶属度[8]。
蚁群算法是一种先进的仿生优化算法, 该算法在解决许多复杂系统的优化问题时已经展现出优异的性能, 蚁群聚类就是在蚁群算法的基础上对样本数据进行分类。本文采用蚁群聚类的方法步骤如下:
第一步, 对数据进行初始化, 设n是测量超短期负荷值的时间段个数, m是每个时间段中监测点的个数, 蚂蚁数量与时间段个数相同, ceil (sqt (n) ) 是网格的大小。
第二步, 首先随机分配蚂蚁位置 (x, y) , 然后随机分配所有蚂蚁的类别ant kind, 并计算出蚂蚁之间的相似度:
第三步, 进入循环阶段, 蚂蚁状态一共有两种, 分别是激活和睡眠。计算每只蚂蚁的激活概率p:
fi是第i只蚂蚁的适应度函数:
其中:
β∈R+, 称作激活阈值, 并对其进行自适应调整, 调整方式如下:
k是常数, favg (t) 表示第t代 (第t次循环) 所有蚂蚁的平均适应度。
设rand是[0, 1]间的随机数, 当p>rand时, 蚂蚁被激活, 随机地被移动到其它的位置;当p
第四步, 当循环停止以后, 便得到所有蚂蚁的最终聚类数。
通过蚁群聚类得到聚类数后, 将其作为模糊C均值聚类的初始条件, 进而采用FCM聚类算法得到监测点的聚类中心和每个时间段内负荷值的聚类隶属度。
2 模糊神经网络
模糊神经网络将模糊逻辑与神经网络的特点结合起来, 取二者的优点组成了比单独的模糊系统或神经元网络性能更好的系统[9]。模糊神经网络有许多形式, 其中基于标准模型的模糊神经网络比较常见[10]。本文采用如图1所示MIMO系统的模糊神经网络结构。
第一层:模糊神经网络的输入层, 该层的各个结点直接与超短期负荷值连接, 将每组数据向量的分量传送到下一层。该层的结点数目是各个分量的个数, 即N1=m。
第二层:将第一层输入的清晰量模糊化, 计算各输入分量属于模糊集合的隶属度函数μij。本文采用高斯型隶属度函数进行设计, 如式 (5) 所示:
其中i=1, 2, …, m, j=1, 2, …, c, m是输入量的维数, c是每组数据向量x的模糊分割数。cij和σij分别表示高斯函数的中心与宽度。该层结点总数N2=m×c。
第三层:每个结点代表一条模糊规则, 作用是计算出每条规则的适用度。本文在第二层的基础上, 采用求积运算得出每条规则的适用度。如式 (6) 所示:
其中j=1, 2, …, c。该层结点总数N3=c。
第四层:结点数与第三层相同, 即N4=N3=c, 实现的是归一化计算, 即:
第五层:模糊神经网络的输出层, 实现的是清晰化计算, 该层结点数为每组数据向量的输出个数, 即N5=r。
其中:
BP算法是当前神经网络中相当成熟的一种算法, 本文采用改进的BP算法来修正其中的可调节参数:最后一层的连接权值ωij (i=1, 2, …, r;j=1, 2, …, c) , 以及第二层隶属度函数的中心值cij与宽度值σij (i=1, 2, …, m;j=1, 2, …, c) 。
3 仿真分析
本文以唐山地区的某局部电力系统为例, 将某一日从0点到24点平均分成24个时间段, 每个时间段是1个小时, 在每个小时内间隔15 min监测超短期负荷值, 如表1所示。首先对这一日的超短期负荷值采用上述聚类算法, 然后通过聚类结果得到每个时间段内负荷值的变化情况, 最后对变化情况采用上述模糊神经网络进行预测仿真。
单位:k W
对表1所示的负荷数据值应用蚁群聚类算法, 蚁群聚类的初始分布图和最终分布图如图2、图3所示 (图2和图3的横纵坐标均无量纲) 。
从蚁群聚类最终分布图中可以看出, 表1的数据分为3类, 所有时间段内四个监测间隔点的聚类中心如表2所示。然后采用模糊C均值聚类算法确定每个时间段的聚类隶属度, 如表3所示。
表3变化情况一列中, “0”与“1”的数字组合代表意义如下:00—低负荷, 属于第Ⅲ类;01—较低负荷, 属于第Ⅰ类 (pmax<285kw) ;10—较高负荷, 属于第Ⅰ类 (pmax≥285 kw) ;11—高负荷, 属于第Ⅱ类。
本文采用的模糊神经网络结构为:
第一层:输入层的结点个数为4, 每个结点分别对应表1不同时间段中的0 min、15 min、30 min和45 min的数值。
第二层:有12个结点, 通过聚类处理后, 得出样本数据有3个类别, 所以每个输入变量都有3个模糊子集。本层的输出为可微的正态型函数, 它是每一个模糊子集合的隶属度函数。
第三层:有3个结点, 每一结点分别表示不同结论部分的规则。
第四层:有3个结点, 进行归一化算。
第五层:有2个结点, 共有4种状态, 即表3所示的负荷变化情况。用0和1的组合表示。
综上, 本模糊神经网络的结构为4-12-3-3-2。采用改进的BP算法对网络参数ωij (i=1, 2, …, r;j=1, 2, …, c) 、cij和σij (i=1, 2, …, m;j=1, 2, …, c) 训练学习, 经过多次训练, 对训练结果做标准化处理, 可以得到表3超短期负荷变化情况的预测值, 如表4所示。
从表4可以看出, 该模糊神经网络输出层第一个结点输出的预测值与实际值完全吻合, 第二个结点输出的预测值与实际值稍有误差。由此可以验证, 本文所提出的算法对超短期负荷变化情况预测具有合理性、有效性。
4 结束语
本文将一天平均划分为24个时间段, 在每一个时间段内间隔15 min得到超短期负荷数据值。采用本文提出的蚁群聚类+FCM聚类可以得到所有时间段内负荷数据的聚类数目, 以及每个时间段内负荷数据的聚类隶属度。根据聚类隶属度可以确定各时间段的负荷大致变化情况, 进而采用本文所提出的模糊神经网络, 可以比较准确地预测变化情况。将本文提出的算法应用到以往的相似日中, 通过学习训练和总结, 可以为将来某一相似日的负荷调度提供可靠的依据, 有一定的应用价值。
参考文献
[1]钟庆, 吴捷, 钟丹虹.基于系统论的负荷预测集成化方法[J].电力自动化设备, 2002, 22 (10) :1-5.
[2]刘学琴, 吴耀华, 崔宝华.基于扩展粗糙集的短期电力负荷预测模型[J].电力系统保护与控制, 2010, 38 (5) :25-28.
[3]王岗, 姜杰, 唐昆明, 等.基于自适应双向加权最小二乘支持向量机的超短期负荷预测[J].电力系统保护与控制, 2010, 38 (19) :142-146.
[4]崔和瑞, 宋秀莉, 葛曼倩.基于数据挖掘的FNN短期电力负荷预测方法研究[J].电力系统保护与控制, 2009, 37 (22) :54-57.
[5]杨浩, 张磊, 何潜, 等.基于自适应模糊C均值算法的电力负荷分类研究[J].电力系统保护与控制, 2010, 38 (16) :111-115.
[6]李新叶, 李新芳.基于改进层次聚类的同家族变压器状态变化规律分析[J].电力系统保护与控制, 2011, 39 (19) :104-109.
[7]李柏年.加权模糊C-均值聚类[J].模糊系统与数学, 2007, 21 (1) :23-26.
[8]V.Ramos, F.Muge, P.Pina.Self-Organized Data and Image Retrieval as a Consequence of Inter-Dynamic Synergistic Relationships in Artificial Ant Colonies[C].In J.Ruiz-del-Solar, A.Abraham, M.koppen, (Eds) Hybrid Intelligent Systems, Frontiers of Artificial Intelligence and Applications, Santiago, Chile, Dec, 2002, (87) :1-4.
[9]Gupta M M.On the principles of Fuzzy Neural Networks[J].Fuzzy Sets and Systems, 2001, (61) :1-18.
[10]许少华, 何新贵.多聚合过程神经元网络及其学习算法研究[J].计算机学报, 2007, 30 (1) :36~39.
超短期负荷预测 篇2
关键词:BP神经网络;电力负荷;短期预测
中图分类号:TP183 文献标识码:A文章编号:1007-9599 (2010) 09-0000-02
Power Load Short-term Forecasting Based on BP Neural Network
Wang Jing,Yang Xiao
(School of Economics&Management,North China Electric Power University,Beijing102206,China)
Abstract:Load forecasting is an important task in power system.We forecasted short-term load for a region of southern based on BP neural network.Firstly,we introduce the structure of BP neural network,and then we make use of the data to do empirical research by using BP neural network of the region.And we consider the meteorological factors in the design of the BP neural network structure.
Keywords:BP Neural Network;Power Load;Short-term Forecast
一、引言
目前,全国供电紧张,部分严重地区经常缺电,造成许多发电设备不能及时检修,处于超负荷的运转状态。会导致机组老化加速,出现不可预见的事故,造成人员、财产的伤亡。因此对未来电网内负荷变化趋势的预测,是电网调度部门和设计部门所必须具备的基本信息之一。
电力系统负荷预测是电力生产部门的重要工作,通过精确的预测电力负荷,可以经济的调度发电机组,合理安排机组启停、机组检修计划,降低发电成本,提高经济效益。负荷预测对电力系统控制、运行和计划都有着重要的意义。电力系统负荷变化受多方面的影响,包括不确定性因素引起的随机波动和周期性变化规律。并且,由于受天气、节假日等特殊情况影响,又使负荷变化出现差异。神经网络具有较强非线性的映射功能,用神经网络来预测电力负荷越来越引起人们的关注。
二、BP网络理论
(一)BP网络结构
BP神经网络全称为Back-Propagation Network,即反向传播网络,是一种多层前馈神经网络,结构图如图1所示,根据图示可以知道BP神经网络是一种有三层或三层以上的神经网络,包括输入层、中间层(隐层)和输出层。前后层之间实现全连接,各层之间的神经元不进行连接。当学习样本输入后,神经元的激活之经由各层从输入层向输出层传递。之后,根据减少目标输出与实际输出误差的原则,从输出层反向经过各层至输入层,逐级修正各连接的权值,该算法成为“误差方向传播算法”,即BP算法。由于误差反向传播不断进行,网络对输入模式响应的正确率也不断上升。
BP神经网络传递函数不同于感知器模型传递函数,BP神经网络要求其必须是可微的,所以感知器网络中所用到的硬阈值传递函数在BP神经网络中并不适应。BP神经网络中常用的传递函数有正切函数、Sigmoid型的对数或线性函数。由于这些函数均是可微的,所以BP神经网络所划分的区域是一个非线性的超平面组成的区域,是一个比较平滑的曲面,它比线性划分更加的精确。另外,网络才有严格的梯度下降法进行学习,权值修正的解析式分非常明确。
(二)BP网络算法
(1)初始化。给没给连接权值 、 、阈值 与 赋予区间 内的随机值
(2)确定输入P和目标输出T。选取一组输入样本 和目标输出样本 提供给网络。
(3)用输入样本 、连接权 和阈值 计算中间层各单元的输入 ,然后用 通过传递函数计算中间层各单元的输出 。
(4)利用中间层的输出 、连接权 和阈值 计算输出层各单元的输出 ,然后通过传递函数计算输出层各单元的响应 。
(5)利用目标向量 和网络的实际输出 ,计算输出层各单元的一般化误差 。
(6)利用连接权 、输出层的一般化误差 和中间层的输出 计算中间层各单元的一般化误差 。
(7)利用输出层各单元的一般化误差 与中间呈个单元的输出 来修正连接权 和阈值 。
(8)利用中间层各单元的一般化误差 ,和输入层各单元输入P来修正连接权 和阈值 ,计算方法同(7)。
(9)达到误差精度要求或最大训练步数,输出结果,否则返回(3)
三、实证研究
(一)神经网络结构设计
本文以南方某缺电城市的整点有功负荷值,在预测的前一天中,每隔2小时对电力负荷进行一次测量,这样,可以得到12组负荷数据。此外电力负荷还和环境因素有关,文章选取预测日最高气温、最低气温和降雨量气象特征作为网络输入变量。所以设计的网络结构为:15个输入层节点和12个输出向量,根据Kolmogorov定理可知,网络中间层的神经元可以去31个。
(二)输入数据归一化处理
获得输入变量后,为了防止神经元饱和现象,在BP神经网络输入层进行归一化,文章才有如下公式进行变换。
(三)实证分析
中间层神经元传递函数和输出层传递函数分别采用S型正切函数tansig和S型对数函数logsig,因为这连个函数输出区间为[0,1],满足网络设计的需求。
利用以下代码创建一个满足上述要求的BP神经网络。
threshold=[0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1; 0 1];
netbp=newff(threshold,[31,12],{’tansig’,’logsig’},’trainlm’)
其中變量threshold用于规定输入向量的最大值和最小值,规定了网络输入向量的最大值为1,最小值为0,。“trainlm”是为网络设定的训练函数,采用的是Levenberg-Marquardt算法进行网络学习。该方法明显优于共轭梯度法及变学习效率的BP算法,LM算法可大大提高学习速度,缩短训练时间。
使用该地区2007年8月11日到20日的负荷和气象数据作为输入向量,8月12日至8月21日负荷数据作为目标向量,对网络进行训练,再用8月20日负荷数据和21日的气象特征数据来预测21日用电负荷,检验预测误差是否能带到要求。
利用MATLAB进行仿真,经过79次训练后达到误差要求结果。如图2
网络训练参数的设定见下表
从图3和图4中可以看出运用BP神经网络方法很好的预测了负荷走势,并且预测误差较小,负荷工程预测的要求。四、结论
在进行电力负荷预测时,必须考虑气象因素的影响。在不同的地区气象因素对电力负荷的影响不同,因此本文在设计神经网络结构时,结合该地实际情况考虑气象因素。本文研究了BP神经网络在电力负荷短期预测中的应用,根据上述的预测结果可以说明BP神经网络对电力负荷进行短期预测是目前一种比较可行的方法。
参考文献
[1]蒋平,鞠平.应用人工神经网络进行中期电力负荷预报[J].电力系统自动化,1995,6(19):15-17
[2]苏宁.MATLAB软件在电力负荷预测中的应用[J].华北电力技术,2007(8):16-19
[3]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,2OO4,28(17):1-11
[4]姜勇.电力系统短期负荷预测的模糊神经网络方法[J].继电器,2002,36(2):11-13
[5]田景文,高美娟.人工神经网络算法研究及应用[M].北京:北京理工大学出版社,2006
作者简介:王婧,华北电力大学经济管理学院副教授,研究方向:财务管理,电力市场。
超短期负荷预测 篇3
超短期负荷预测是对未来1 h以内的负荷进行预测,其主要用于实时安全分析、实时经济调度、自动发电控制[1]。长期以来,国内外学者对超短期负荷预测的理论和方法做出了大量的研究,提出了许多预测方法,如线性外推法[2,3]、神经网络法[4,5]等,线性外推法为线性模型难以反映电力负荷的非线性特性;而神经网络法存在容易陷入局部最优、“过拟合”、泛化性能力不强等缺点。以上方法的缺点对预测的精度都存在一定的影响。
近年来,Vapnik等[6,7]提出了标准的支持向量机(SVM)方法已在许多领域取得了成功的应用,显示出巨大的优越性,文献[8-9]利用SVM进行负荷预测,收到了一定的效果。但SVM存在计算速度较慢、鲁棒性不强等局限性。为解决速度问题,Suykens等[10,11]提出最小二乘SVM算法(LS-SVM)。目前,最小二乘支持向量机在预测方面已有不少应用[12,13],都取得了一定的效果,也有相应的改进,如文献[14]中考虑了影响预测精度的主要为近期样本,故赋予各组样本一定的隶属度,使得训练中近期样本的误差相对较小,远期样本的误差相对较大。但该方法的LS-SVM相关参数为定值,其未随着样本的更新而变动,在一定程度上降低了预测的准确性。超短期负荷预测在不考虑气象因素的条件下,预测样本的输入需考虑与预测时刻之前若干时段的负荷值和相同类型日同一时刻的负荷值,这些信息在时间上是纵向分布的,对所预测负荷的影响不同。鉴于以上原因,本文提出了基于自适应双向加权最小二乘支持向量机的超短期负荷预测,即对训练样本赋予纵向隶属度的同时,给各训练样本输入向量的元素赋予横向隶属度,充分体现训练样本各个方位“近大远小”的原则。同时为了能够根据新样本不断更新模型相关参数,应用快速留一(fast leave-one-out,FLOO)交叉验证法[15]对模型参数进行优化,实现每次预测前模型参数的自适应选择。
1 双向加权最小二乘支持向量机
1.1 LS-SVM
LS-SVM是标准SVM的一种扩展。假设训练样本集为T={(x 1,y 1),(x 2,y2),⋅⋅⋅,(xN,yN)},N为训练样本对的数目,其中输入xk∈Rn,输出值yk∈R,回归模型可以表示为
其中:ϕ(*)是把训练数据映射到一个高维特征空间;w是加权向量;b是常值偏差。则目标函数定义为
约束条件为
其中:γ>0为惩罚系数,用来平衡模型的复杂度和精度的;ek为估计误差。
1.2 输入向量的横向加权
本文是多输入单输出模式,输入ix向量中的值是随时间纵向分布的,通过加权处理体现不同时刻的负荷值对预测值影响的差异。输入向量按式θi=δ(1-δ)n-i加权,则加权后输入样本变为
式中,l为输入向量维数。
1.3 训练样本集的纵向加权
预测值不仅与输入向量中各元素的值相关,同时也与训练的样本组有一定的相关性。近期样本对预测值的影响相对较大,而远期的影响则相对较小,所以根据历史样本对当前负荷影响程度赋予不同的隶属度,减小早期样本对预测模型的影响,同时增大近期样本对预测模型的影响。应用线性隶属度μi予以赋值,μi=β+i1(-β)/N,且0≤μi≤1,则输入样本集变为
T={(x1,y1,μ1),(x2,y2,μ2),…,(xN,yN,μN)}
1.4 双向加权LS-SVM
将1.2节和1.3节加权理论相结合便构成LS-SVM的双向加权,此时目标函数(2)变为
约束条件同式(3),通过建立Lagrange方程求解该问题:
其中,ak为Lagrange乘子,根据KKT最优条件[6,7]可得
其中,k=1,2,…,N。消去ek与w,则得到如下线性方程组:
Ω是满足Mercer条件的对称函数。
本文选择高斯径向基RBF核。Ωij表示矩阵Ω第i行第j列对应的值。则最终的非线性回归函数可以表示为:
2 快速留一法
2.1 快速留一法策略
为了利用生成的新样本来不断更新双向加权LS-SVM的相关参数,实现预测模型相关参数的自适应选择,则需要快速有效的优化算法。传统的LOO[11]法计算量大,FLOO[15]则使得模型参数的在线选择成为可能。本文预测算法的横向加权参数δ取定值,则需要优化选择模型局部参数有γ,σ和β。
记Q=Ω+VC,将式(9)重新分块为
对式(12)的分块矩阵进行求逆并用FLOO处理后发现
由式(8)可知,改变各方程的顺序不影响各解,各个样本的误差可以表示为
接下来就是如何确定Cii-1的值,对式(12)求逆有
这里，对于正定矩阵Q,将其分解为三角矩阵。设R=[rij]li,j=1为Q的下三角矩阵,且Q=RRT,设S=[sij]li,j=1=R-1,则Q-1=STS,求解各样本的误差时只关心Q-1的对角阵元素
将上式求出的Cii-1代入式(14),则预测误差可以表示为
由于ζi与QL的计算量很小,所以计算训练样本预测总误差的复杂度仅约ο(N)。
2.2 负荷数据的选择与应用
采集数据生成最新样本,输入量x(k)=[Pd-L(k),…,Pd-2(k),Pd-1(k),Pd(k-m),…,Pd(k-2),Pd(k-1)]样本输出量为y(k)=Pd(k),Pd-L(k)指与预测当天相同类型日最近的前L天k时刻的负荷值,Pd(k-m)指预测时刻前m个步长点的负荷值,本文L取3,m取5。取与预测时刻最近的N组样本,并对样本按1.2、1.3节中的方法进行横向、纵向加权,利用加权后的样本进行训练,选择相应的最优参数来建立模型,利用建立的模型进行预测。每次预测前要实现训练样本的更新,建模过程见下节。
2.3 在线建模过程
本文对于横向加权参数δ取0.85,对于γ、σ以及纵向加权参数β采用实时优化处理,利用FLOO对预测模型的参数进行在线选择,具体步骤如下:
Step1.基于已有的训练样本离线选择最优参数P=[γopt,σopt,βopt]。
Step2.参考历史相应时刻的P,设定P的范围,基于FLOO对参数进行优化,选择使训练样本误差最小的一组最优参数[γs,opt,σs,opt,βs,opt],利用确定的模型预测下一时刻的负荷值y(k)。
Step3.当前预测结束后,保存当前的[γs,opt,σs,opt,βs,opt],将新生成的样本作为下次训练样本的最近样本,同时删除离预测点时间分布最远的样本,利用新训练样本离线选择最优参数[γopt,σopt,βopt]。为预测y(k+1)做准备,回到step 2。
3 预测结果分析对比
本文应用的平台是Matlab7.1,硬件基础为主频1.60 GH,内存256 MB的计算机上,在工具箱toolbox LS-SVM lab的基础上编制相应的程序完成预测。以15 min为步长,预测一天24 h的负荷值,每次预测一个时段,然后将该点加入历史序列,并将预测结果与其他方法预测结果进行对比。
在文献[14]的基础上引入横向加权是为了体现不同时刻输入数据对输出数据的影响程度不同,用图1对比文献[14]中的方法与引入双向加权方法的预测效果进行对比(模型相关参数都为定值),为直观,只对预测曲线的局部放大进行对比。
由图1可以看出在考虑双向加权后的预测结果比只考虑纵向加权的预测曲线更接近实际的负荷值,可见在考虑了横向“近大远小”的原则后,预测效果比单单考虑纵向加权的预测效果更佳。另外,由于横向加权后,参与预测的数据大大减小,所以在预测耗时由原来未进行横向加权的0.234 s减小为现在的0.141 s。
用BP神经网络法、双向加权固定系数支持向量法、本文所提出的变系数支持向量法和文献[2]中曲线外推法分别进行了预测。预测结果及相关处理见图2、图3与表1、表2。
方法1文献[2]中应用的方法;2表示一般线性自适应神经网络法;3表示双向加权固定系数支持向量机模型;4表示采用本文的变系数方法。
A表示:绝对百分比误差<1的个数;B表示:1≤绝对百分比误差<2的个数;C表示:2≤绝对百分比误差<3的个数;D表示:3≤绝对百分比误差<4的个数;E表示:绝对百分比误差≥4的个数
由图3可见变系数的预测效果明显比固定系数的效果要好。因为变系数预测模型根据训练样本的变化不断调整模型参数,充分体现近期数据对预测值影响的情况,并使训练样本误差在模型相关参数选择的范围内达到最小。
预测时间对比与分析。文献[2]中所述的方法简单,只由若干历史同一时刻的负荷值计算负荷增量而来,所以预测用时极少,神经网络耗时最多。固定加权最小二乘支持向量机将传统支持向量法中的不等式约束用等式约束代替,减小了运算复杂性,耗时较少。变系数预测法则由于对相关系数的自适应选择,所以CPU耗时比固定系数预测多。
预测精度比较。由表1可见,本文所提出的预测方法的平均绝对百分比误差和归一化方差比所对比的方法效果更满意。这是因为,文献[2]中的方法难以反映负荷预测非线性的特点,且过分依赖历史样本与当前预测值的相似性,而没有考虑到预测日当天负荷变化的特点;神经网络法则易陷入局部最优,难以保证解的最优性。本文所提出的方法则充分考虑了近期数据对预测值的影响,赋予近期数据较大的比重,同时,选择使训练样本误差最小的相关参数来确定预测模型,所以预测精度相对较高。另外由表2可见,本文提出方法的稳定性较好,预测值的绝对百分比误差未超过3%。
4 结论
考虑到负荷预测“近大远小”的原则,本文应用了时间隶属度分布的双向加权支持向量机的预测模型,即输入向量横向加权与训练样本纵向加权。为克服固定权重最小二乘支持向量机对预测精度的影响,同时考虑到在线建模时间问题,用FLOO法自适应优化模型参数,在解决固定权重方法预测的同时也保证了较小的计算复杂度。应用本文提出的方法,以15 min为步长,对一天24 h负荷进行了预测,结果表明,该方法与传统方法相比,提高了超短期负荷预测的精度。
摘要：应用模糊加权最小二乘支持向量机对超短期负荷进行预测,为了体现离预测点越远的历史负荷数据对预测点负荷值的影响越不明显的特点,即“近大远小”的原则,在双向,即横向(输入样本)与纵向(训练样本集)引入时间域的隶属分布。并用快速留一法在线优化模型的参数,实现了相关参数的自适应选择,克服了应用固定系数进行预测的缺点。应用某地区的负荷数据进行了仿真预测,并应用不同的方法进行了对比。结果表明,所提出的方法与传统方法相比提高了超短期负荷的预测精度。
超短期负荷预测 篇4
收稿日期：20131222
基金项目：国家自然科学基金资助项目（71271084）；国家电网公司2014年总部科技项目65
作者简介：陈宏义（1966-），男，湖南汉寿人，中国能源建设集团有限公司高级政工师，华北电力大学博士研究生
通讯联系人，Email:shlg87@163.com
（1．华北电力大学 经济与管理学院，北京 102206；2．中国能源建设集团有限公司，北京 100029）
摘 要：短期电力负荷预测作为电网企业的基本工作，其精度的提高对于电网企业运营管理和调度管理具有较大的意义，然而由于电力负荷受到诸多非线性因素的影响，因此得到高精度的电力负荷预测结果是比较困难的.本文首先利用数据挖掘中的kmeans聚类技术对训练集的气象数据进行聚类分析，分析提取相似日，在提取相似日的相关历史数据后，建立支持向量机模型进行短期电力负荷预测.经算例结果证明，由该方法得出的预测结果平均相对误差为0.88%，和同结构支持向量机预测的平均相对误差（1.66%）以及ARMA预测的平均相对误差（3.81%）相比，预测精度得到明显的提高，证明了该方法的有效性.
关键词：数据挖掘；负荷预测；聚类；支持向量机；kmeans
中图分类号：TM715 文献标识码：A
A New Forecasting Approach for Shortterm Load
Intelligence Based on Cluster Method
CHEN Hongyi1，2, LI Cunbin1, SHI Ligang1
（1．School of Economics and Management, North China Electric Power Univ, Beijing 102206, China；
2．China Energy Engineering Group Co Ltd, Beijing 100029,China）
Abstract:Load forecasting is one of the basic issues of the electric power industry. However, because load has a certain social attributes, the improvement of the accuracy of load forecasting result is a difficult issue. This paper first used kmeans cluster method to find similar data from historical date and weather data, and then used support vector machine (SVM) for forecasting. Seen from the result, the proposed method's MAPE is 0.88%, but BPANN and ARMA are 1.66% and 3.81% respectively. It is proved that this method has a high accuracy.
Key words: data mining; load forecasting; clustering; support vector machine(SVM);kmeans
随着电力工业市场化的进展，短期电力负荷预测精度的提高对电网企业的电力调度安排，电网调度自动控制，电网企业的营销行为具有十分重要的意义[1].20世纪80年代，国外学者Bunn和Farmer在研究负荷预测精度对电网企业的经济效益影响时就已经指出，负荷误差每增加1%将会增加10 000 000英镑的电力经营成本[2]，因此，负荷预测精度的提高对电网企业而言将会产生较大的社会经济效益.
很多研究负荷预测的学者已经对电力负荷预测的建模问题开展深入研究，其方法包括回归拟合预测模型、灰色预测方法、时间序列分析以及几种方法组合在一起的组合预测方法等.近二十年来，随着人工智能领域的发展，越来越多的研究人员将神经网络为代表的人工智能预测方法应用到负荷预测中，取得了一定的成果.其中人工神经网络由于具有无需先验经验便可以按照任意精度进行非线性拟合的优点，受到了众多学者的青睐，成为近些年来主要的研究方法之一.国内外学者对应用神经网络进行电力负荷预测的文献进行了综述，并指出，和非智能的预测方法相比，神经网络得到的负荷预测结果精度更高[3-6].但是也有学者指出利用神经网络进行预测的缺点是可能收敛于局部最优解，并且在训练时需要大量的样本[7].
支持向量机预测方法的出现极大地改善了神经网络的上述缺陷，具有要求确定的参数少、在理论上有全局最优唯一解的特点，在小样本的条件下被认为是可以替代神经网络的智能预测方法[8].很多学者针对支持向量机在不同领域内的运用展开研究，均取得了不俗的效果，证明了支持向量机的实用性[9-11].但是由于短期的负荷预测受到大量复杂影响因素的多重非线性干扰，如气象、电力的实时需求、经济影响、电力系统的影响、电力市场各参与方、政治活动等.因此，无论模型如何先进，如果不尽可能地考虑这些因素的影响，很难进一步提高负荷预测的精度.
近几年，很多学者意识到利用数据挖掘技术首先对数据进行处理，再利用模式识别技术提取出相应的负荷预测影响相关的知识，能够进一步提高预测的精度.在提取出的相关知识里，尤其是气象相关的知识，如分类[12]、寻找相似日特征[13]等对提高负荷预测的精度作用最大.这表明将数据挖掘技术引入到电力负荷预测中不但是可行的，而且可以提高预测的精度.受此思路启发，本文首先利用待预测日的气象因素，采用数据挖掘中的kmeans聚类算法进行聚类，得到相似日的结果，然后提取相似日的相关历史负荷数据，并利用支持向量机模型对负荷进行预测.由于该预测方法在建模前，首先通过聚类方法找出和待预测日相似的负荷数据样本进行短期负荷预测，因此和传统预测方法利用近期样本进行预测相比，能够有效地进一步提高负荷预测的精度.
1 利用kmeans聚类方法选取相似日数据
聚类分析是对样本或指标按照各自的特性进行分类的一种多元统计分析方法，一般基于距离的标准对样本数据分成不同的类或者簇.和分类相比，聚类不需要先验知识，即，可以在无监督、无指导的条件下进行机器学习.聚类目前应用于很多领域中，包括数学、计算机科学、统计学、生物学和经济学等.聚类算法主要以统计方法、机器学习、智能计算等方法为基础，其中较著名的聚类方法是kmeans划分算法，也是最具有代表性的聚类方法之一.该算法只需要一个参数，即聚类个数k，然后将样本n分为k个簇，分类原则是具有较高相似度的尽量划分为一个簇，而不同簇之间的相似度则尽可能的小.kmeans 算法过程如下[14]：
1）从n个样本中任选k个对象作为簇中心；
2）计算中心外样本和中心之间的相似度（一般采用距离函数）；
3）按照相似度进行分配，具有较高相似度的样本聚类为一簇；
4）计算聚类后所得簇的新的簇中心，并不断重复，直到标准测度函数开始收敛为止.
kmeans聚类的标准测度函数一般采用如式（1）所示的均方差予以计算：
E=∑ki=1∑p∈Cip－mi2(1)
其中E是所有样本的平方误差的总和；p是聚类空间中的样本点；mi是簇Ci的平均值.
由于短期电力负荷预测受到较多因素的影响，因此能否针对待预测日，利用和待预测日相近日的数据进行预测是进一步提高短期电力负荷预测精度的一个关键步骤.这是因为利用数据挖掘在预测前先选取相似日可以将具有高度相似特征的类似负荷点寻找出来，尤其在利用智能算法对负荷进行预测时，可以避免由于具有不同特征的预测点对智能预测方法训练时产生的收敛慢的问题.利用kmeans聚类方法提取相似日电力负荷数据，结合智能预测模型进行预测的流程如下：
1）针对待预测日/时点，收集相关预测影响因素的数据，如天气，日期类型等，组成一条数据记录；
2）对上述数据记录，针对历史负荷数据中的数据，设定聚类个数k，利用kmeans算法进行聚类寻找；
3）根据聚类结果，记录日期标识，按照预测的“近大远小”原则，选择距离待预测日最近日期的相关历史负荷数据，确定出待预测日的输入因素，建立智能预测模型进行预测.
2 支持向量机预测模型
本文的智能预测模型选取的是支持向量机 (support vector machine，SVM)，该模型是Vapnik于20世纪90年代中期提出的一种新的智能学习方法，起先用于非线性的模式识别问题，随着应用领域的不断扩展和对支持向量机研究的深入，支持向量机逐渐应用于非线性的拟合中，表现出了良好的性能，并且由于支持向量机利用结构风险最小化代替了神经网络的经验风险最小化对网络结构进行训练，因此具有较好的泛化能力，在理论上能够搜索到全局最优解，能够克服神经网络易陷入局部最小值的缺点.由于支持向量机在小样本的条件下学习速度快，因此可以认为支持向量机方法是可以在小样本条件下取代神经网络方法的较好的选择.
支持向量机进行非线性拟合预测方法的原理如下[1]．
假设有训练样本集G={(xi,di)},i=1，…，N,xi∈Rn，di∈R1.支持向量机回归的基本原理是通过映射将数据映射到一个高维特征空间中，并在该空间中寻找一个输入空间到输出空间的非线性映射
Symbol`@@
ψ(x)，其回归函数如下：
y = f(x)=wψ(x)+b （2）
其函数逼近问题等价于如下函数最小：
R(C)=(C/N)∑Ni=1Lε(di,yi)+‖w‖2/2 （3）
Lε(d,y)=0 d－y≤εd－y－εotherwise （4）
其中‖w‖2/2表示平滑程度，Lε(d,y)为ε敏感损失函数.
通过引入两个松弛变量ζ，ζ*，上述函数可以变成如下形式：
R(w,ζ,ζ*)=‖w‖2/2+C∑Ni=1(ζi+ζ*i)s.t.wψ(xi)+bi－di≤ε+ζ*i,i=1,2,…,Ndi－wψ(xi)－bi≤ε+ζi,i=1,2,…,Nζi,ζ*i≥0,i=1,2,…,N （5）
利用拉格朗日型和KarushKuhnTucker条
件，解其对偶问题，可以得到支持向量机回归函数：
f(x,β,β*)=∑Ni=1(βi－β*i)K(x,xi)+b （6）
式中K(x,xi)称为核函数，需要满足Mercer条件，一般选取最常用的高斯核函数K(x,
Symbol`@@
xi)
Symbol`@@
Symbol}@@
exp(
Symbolm@@
‖
Symbol`@@
x
Symbol`@@
Symbolm@@
Symbol`@@
xi
Symbol`@@
‖2/2
SymbolsA@
Symbol`@@
2).
3 实证分析
本文以我国南方电网某地市级电力局的日整点负荷数据为例进行实证分析.利用聚类分析的因素数据有日期类型数据、气象数据（包括气压相关数据、气温相关数据、湿度相关数据、降水量、人体舒适程度等）共12项属性相关数据,共组织形成54条记录形式，将最后1条数据作为测试记录使用.其具体数值如表1所示.
接下来对这些记录进行预处理，对于标识型的数据，利用数值予以替代.以星期为例，分别用0，1，…，6代替星期日，星期一，…，星期六，对于原本是数据类型的属性值，利用等距离方法将其离散化，从而得到初始分析记录集.
对于支持向量机模型的训练，按照相关文献，将输入层节点选取L(t－24i),L(t－j)，其中i=1,2,3;j=1,2，即，使用待预测时点的前三个时点和同一聚类中的日期待预测时间最近两天的同一时点的数据作为输入变量.此外，为方便对比分析，选取同结构的支持向量机，即，使用待预测时点的前三个时点和前两天的同一时点数据作为输入变量，同时，利用自回归滑动平均模型ARMA(1，1)对上述数据分别进行预测.实验计算环境选择matlab2011a，libsvm2.8.8软件包，误差对比分析采用平均相对误差eMAPE，计算结果如表2所示.
eMAPE=1n∑ni=1A(i)－F(i)A(i)×100% （7）
从图1和表2中可以明显发现，本文提出的方法具有较高的精度值，并且在大多数预测点上均表现良好，平均误差值达到了0.88%，而同结构未进行聚类寻找相似数据的支持向量机预测的平均误差为1.66%，根据ARMA（1，1）得到的预测平均误差为3.81%.从误差对比中可以直观地看出，本文的方法具有更高的拟合精度.
表1 处理后的待聚类数据集
Tab.1 Clusters data set to be processed
月
日
周
最低
温度
/℃
最高
温度
/℃
7：00
温度
/℃
16：00
温度
/℃
最大
湿度
/(%rh)
最小
湿度
/(%rh)
人体舒
适程度
5
8
1
26
33
26.5
32.6
0.85
0.5
8
5
9
2
26
34
26.3
32.4
0.85
0.5
9
5
10
3
27
34
28.2
32.2
0.85
0.5
9
5
11
4
25
34
25.6
33.1
超短期负荷预测 篇5
1 居民小区的燃气负荷规律
我们城市燃气使用负荷分为两大类:常年性负荷、季节性负荷。常年性负荷是指居民、公共、工业等使用的燃气负荷, 居民生活用气占有主要部分, 具有明显的小时不均匀性的特征, 与此同时随着季节的改变、居民生活方式的转变适应的日不均匀性及月不均匀性。例如某市在04年的元旦燃气负荷统计得出, 在1月1日的6:00—9:00是晚用气高峰, 中午的用气量要比平时的多, 燃气高峰系数分别达到2.98和4.56, 这说明了燃气负荷随着节假日、居民的生活方式的变化而变化, 具有不均匀性和周期性, 随着节假日的到来具有明显的增加。
季节性负荷是指有些地区随着季节的不同, 对燃气的使用量不同, 居民的供暖用气占有主要部分。供暖用气主要与室内外的温差、湿度及太阳辐射等外界条件有关系, 季节气候的温差变化就制约着燃气的使用, 温差大燃气使用负荷就越大。一个月或者一个星期的燃气负荷主要有居民的生活习惯及室内外的温差决定的, 但在一个星期内的日气温的变化不规律, 气温低的时候, 燃气负荷就大, 例如某市03年1月的日负荷及日不均匀系数达到1.205。这说明燃气量与季节有较大的关系。
通过研究分析燃气负荷资料, 得出燃气负荷变化的规律。首先, 时负荷具有趋势性、随机性并且以天为周期进行变化的规律。其次, 日负荷具有与时负荷类似的趋势性和随机性的变化规律。最后, 月负荷具有趋势性、并且以年为周期进行周期性的变化规律。因而对于时负荷、日负荷的短期负荷的变化规律是不同的, 时负荷具有明显的周期性。日负荷的趋势性就是指在一年内受到季节的温度的变化的影响, 使得其具有低温用气大, 高温用气少的确定性的负荷变化规律。通过图1可以看出, 日负荷燃气量随着季节的变化较明显, 类似二次曲线变化规律, 每月的日负荷随气温的变化而略有变化。图2是一年内日负荷在12个月的日负荷曲线图, 反映了燃气的负荷变化规律。
2 燃气短期负荷的预测
我国过去对燃气负荷预测的方法主要是基于统计学的回归分析模型和时间序列分析的两种方法。前者主要是通过对历史数据和数据模式进行序列分析进而找出变化规律, 但是要受到用气量不确定、变化激励及因素之间的关系三方面的限制, 不能较好的去分析预测负荷。后者主要是简化外部的影响因素的复杂作用, 分析历史数据及数据模式来概括整个燃气短期负荷的变化规律, 然而建立数学模型具有不确定性, 用这种方法很难精确地分析预测负荷。随着人工神经网络研究的新进展, 使用基于BP网络燃气短期负荷预测的方法具有明显的优势, 能够有效地预测居民燃气短期负荷。
基于BP网络燃气负荷预测的方法, 就要求已知前n天的燃气负荷X (t) (t=1、2、…、n) , 通过构造BP网络的结构形式, 确定输入输出模型, 进而预测到第n+1天的燃气负荷。通过以下几个步骤来警醒分析。
首先, 确定节点数和训练样本。通过实际问题的类型及解决方式的不同来确定输入输出的节点数目。例如预测某天的燃气负荷, 要选择最高温度、最低温度、天气及日期四个输入节点, 燃气负荷最为计算分析的输出接点。输入层把数据源加到网络上进行缓冲存储, 节点数目取决于数据源的维数, 进行设计时首先要分清正确的数据源是什么, 要剔除未经处理的或者不正确的信息数据, 确定数据源的合适的数目。设计者要根据自己的要求来确定输入输出层的维数, 缩小计算系统的规模减少系统的复杂性。筛选历史数据, 分成两部分即训练部分和检验部分。
其次, 确定隐含层及层内节点数目。隐含层在BP网络中进行筛选提取输入数据的特征。隐含层层数越多其处理数据能力就越强。有网络的用途来决定网络中的各层节点数目, 进而制约了BP网络的处理性能。下面是几点处理层数的经验, 隐含层的节点数目是2N+1, 通过估算得出N=logT, 进而得到训练模式数目T, 在进行高维数输入时, 第一层对第二层的最佳节点比例最好是3∶1。通过以上的具体方法确定了隐含层的层数木及层内的节点数目。
最后, 预测计算流程。人工神经网络系统的分析过程要经过初始化、输入参数及建立网络结构、训练网络等操作, 达到实现BP网络算法的流程及最后的数据预测分析功能。下面以实际的例子来说明整个网络的计算分析时显得具体步骤。已知某市的连续21天的日负荷, 要求通过前7天的数据, 来预测第8天的燃气日负荷, 并且由此推算以后的每天日负荷数据。首先确定四个参数即最高温度、最低温度、天气及日期和前7天的燃气负荷数据, 进行统一的归一化处理。通过前7天的四个参数进行辨识燃气负荷网络系统及训练网络模型。进而选出训练好的人工神经网络模型, 然后把第8天的四个参数输入进去, 进而得出第8天的燃气负荷预测值。通过分析每个的预测值误差均小于2%, 满足分析误差的要求。进而表明这种预测分析方法能够有效的预测居民燃气短期负荷。
3 小结
本文系统的阐述了时负荷、日负荷、月负荷、季节性负荷的特征及随外界的变化规律。通过BP网络系统的预测分析居民燃气短期负荷具有一定精确性可靠性, 能够利用历史数据, 建立准确的模型, 这种模型具有通用性和实效性, 进而预测工作日、一般日、节假日的燃气短期负荷。便于有效地对城市燃气管网规划、运行管理及调控, 保证城市的燃气优化运行和可持续发展。
参考文献
[1]焦文玲, 朱宝成, 冯玉刚.基于BP神经网络城市燃气短期负荷预测.煤气与热力.2006.
[2]潘新新, 周伟国, 严铭卿.居民小区燃气负荷规律与短期负荷预测.煤气与热力.2006.
[3]谭羽非, 李持佳, 陈家新等.基于人工神经网络的城市煤气短期负荷预测.煤气与热力.2001.
有关电力负荷的短期预测初探 篇6
按照各用电部门的属性可以将电力负荷划分为工业负荷、农业负荷、市政民用负荷、交通运输负荷以及其它负荷等等。由于各个部门的行业性质不同, 其电力负荷的特点也各不相同。其中工业电力负荷的显著特点就是用电量大, 但是比较稳定, 工业用电占全社会用电量的六成以上。工业用户的生产工艺、生产班次不同, 相应的电力负荷也有差异, 通常全日制流水线连续生产企业的用电量最大, 且有较高的负荷率, 三班制企业次之, 两班制企业次次之, 用电量最小且负荷率最低的要数一班制企业。农村用电负荷相对来说用电量最小, 比重只占全社会的百分之五, 农村用电表现出明显的季节性特点, 即月度、季度变化比较大, 单日内则无太大变化, 通常农村用电夏季的负荷率最大, 这是受到农业排灌的影响。市政民用用电负荷的显著特点就是用电量每年都不断升高, 比重大概占全社会用电量的百分之十五。在夏天日间的负荷率有较大起伏, 而冬天则相对较小。造成市政用电日间负荷变化大的主要原因是居民照明、空调、电视机以及电饮具等, 且功率也比较高;各商业负荷集中出现在营业时间, 主要是照明、空调、动力用电以及霓虹灯等用电负荷;市政排水用电量比较稳定, 不过负荷率比较高。交通运输的用电负荷相对最小, 只占全社会用量总量的百分之二, 电车、地铁的负荷比较平稳, 不过在上下班时间会出现一个较大的峰值。其它用电负荷主要是电厂用电以及电网自身的损耗。用户的用电量与电网的损耗功率及损耗电量是成正比关系的。要做出准确的用电负荷, 就要经过多方面的调查, 收集更全面的内部资料与外部资料, 主要包括预测地区历年的国民经济与社会发展情况;电力系统的运行状态、用电结构以及用电量;预测地区的经济增长情况;大型用户的用电计划以及动力资源与自然资源情况;各主要变电站日常运行记录;无功设备安装容量、电压以及频率等参数的统计分析等。
二、导致电力负荷发生变化的主要原因
造成电力负荷发生变化的主要原因包括以下几个方面:第一, 工业生产, 通常连续性生产的企业有着稳定的电力负荷, 而二、三班制企业在交接班时的电力负荷比较小, 其它的时间相对稳定, 而一班制的企业用电负荷白天比较大, 而晚上比较小, 所以日负荷起伏较大。第二, 作息时间的影响, 通常白天上班时间有较高的用电负荷, 从傍晚到凌晨的负荷是最大的, 深夜为最低点, 白天中午休息时间的负荷也比较低。第三, 季节因素的影响, 通常由于居民用电的习惯、用电设备的增长与大修、农业排灌等因素会造成一年中每个季度的用电负荷存在明显差异, 且在年内呈现出一定的规律性。第四, 气候的原因, 电力负荷受气候因素的影响十分明显, 比如日间光线不足会增大照明负荷, 而高温天气则会提高空调设备的负荷。第五, 节假日的影响, 一些法定节假日、学校的寒暑假、重大的政治事件等等均会明显的影响到某一地区的电力负荷变化规律。由此可见, 对电网负荷进行短期预测最显著的特点即为周期性、非平稳性, 大周期包含了小周期, 而且负荷序列取值不同会直接影响到负荷的波动幅度。
三、短期负荷预测的预处理
电力短期负荷尽管呈现出一定的规律性, 但是其随机性也很明显。分析预处理所收集的资料, 就是对历史资料中的突变值的平稳化与缺失数据进行补遗, 如果出现异常数据, 可以采取水平处理与垂直处理的方法。所谓的数据水平处理就是在数据分析过程中, 以前后两个时间的负荷数据为基础, 将待处理数据的最大变动范围设定出来, 如果待处理数据超出了设定范围则为不良数据, 利用平均值将其变化进行平稳。而数据的垂直处理则是指在预处理负荷数据时, 将二十四小时内的小周期, 即在不同日期的同一时刻的负荷具有相似性, 则该时刻的负荷值要保持在相应的范围内, 如果超出该范围则要进行修政, 使其为待处理数据近几天该时刻的负荷平均值。
四、负荷预测的方法
负荷预测模型概括了统计资料的所有轨迹, 模型的种类也各不相同, 所以资料不同所选择的预测模型也应该有所不同。在建立预测模型时的注意事项包括以下几点:第一, 要能够将电力负荷在季度、周、日等小周期内的波动特点反映出来;第二, 可以将负荷的自然增长规律反映出来;第三, 可以将气象因素, 比如气温或者日照等反映出来;第四, 节假日的负荷变化不同于正常日期, 所以要另外建立针对性强的负荷模性, 提前对节假日的用电负荷做出预测。
(一) 神经网络预测方法
随着人工智能的不断发展, 短期负荷预测中也开始应用人工神经网络, 其优势主要体现在其具有模拟多变量, 对于输入的变量无需做过多、复杂的相关假定。仅仅利用所观察的数据就能够从训练过程中通过学习来抽取与逼近隐含的输入与输出非线性关系, 而无需凭借专家经验。神经网络的代表模型为误差反传网络, 即BP网络, 其属于带有隐层的前馈型神经网络, 具备结构简单、算法完整且清晰的特点, 所以电力负荷的短期预测大多数应用这种模型。在进行短期负荷预测时采用人工神经网络的方法, 可以使得短期、平稳、随机过程的预测问题得到有效的解决, 而且一些针对样本数据与参数以及神经网络级联的改进方法, 使得神经网络预测法的精度在一定程度上得到了明显的提高。不过神经网络预测法也有一定的不足, 比如较慢的收敛速度, 可能收敛到局部最小点;且对训练样本要求比较高, 要求训练样本数据的数量比较多, 训练时间也相对较长, 如果样本中存在不良数据或者坏数据, 则神经网络对这些数据无法适应, 造成其学习产生偏差, 最终对预测的精确性产生影响;此外神经网络表达知识比较困难, 无法将调度人员经验中的模糊知识充分的调用起来。
(二) 模糊预测模型
该方法是利用规则的形式表达已有的工作经验、历史数据记录或者二者的综合, 然后将其转化为计算机能够识别的算法, 最终顺利完成各种任务。以模糊理论为基础建立的预测模型在近几年在电力负荷短期预测领域比较热门, 该模型主要的研究方向为系统建模、选择预测算法以及改进算法。通常要想取得更为理想的预测结果, 往往要将模糊理论与其它方法结合起来, 比如模糊指数平滑法与模糊线性顺归法相结合。通常在中长期的电力负荷预测中会采取模糊理论结合其它理论的预测方法。与其它预测方法相比, 模糊系统结合神经网络的预测模型效果相对更好, 该方法使得神经网络与模糊系统的优点充分发挥出来, 将二者结合提出了模糊神经网络的概念。虽然二者的表述与处理方法各不相同, 但是他们的互补性却比较强。
(三) 小波预测模型
小波分析是一种用于信号时频局部化分析的方法, 其具有自适应变化的时频窗口。现阶段在电力负荷短期预测领域, 小波分析法的研究还处于一个初步阶段。该方法是通过伸缩与平移基小波, 多尺度细化分析函数或者信号序列, 所以其具有良好的时频局部化特点。小波变换是把时频信号表示为若干描述子频带的时域分量之和, 因此可以在多时间尺度意义下利用小波分析法对系统进行研究。在短期电力负荷预测中应用小波分析, 以变化频率将负荷做出分类, 而电力系统自身呈现出以年、季、月、周以及天为周期产生波动的特点, 因此可以利用周期自回归模型对分解序列进行有选择的预测。
(四) 灰色预测模型
灰色系统理论是把所有随机变化量视为在固定范围内变化的灰色量, 灰色预测模型常用的方法有两种, 即累加生成与累减生产, 无序的原始数据经过处理变成有序的数据列, 如果某预测系统利用灰色模型进行预测, 对其微分方程的时间响应函数进行求解, 即可得出所求的灰色预测模型, 经过相应的校验与修正, 就可利用该模型对未来的数据做出预测。不过灰色模型也存在一定的不足, 灰色系统是呈指数变化的模型, 其预测精度受对象变化规律的影响比较大, 如果原始数据有较大变化则预测精度也就相应的降低。
摘要：所谓的电力负荷短期预测指对一年以内用户需求用电量的预测, 其包括小时预测、日预测、周预测以及月预测。通常短期预测是预测电功率。在短期内用户需求电量呈现一种随机起伏的状态, 其以过去负荷为基础, 用户负荷变动、系统内部设备检修以及重大事件与气候变化等因素均会对其产生影响。所以对电力负荷进行短期预测可以为经济调度、发电机组的停启、错峰避峰用电等有着重要的现实意义。
关键词：电力负荷,短期预测
参考文献
[1]高庆敏, 孟繁为, 王利平.智能电网中电力负荷短期预测数据挖掘模型[J].华北水利水电学院学报, 2011 (3) .
[2]刘文博.合肥市电力负荷短期预测模型探讨[J].安徽电子信息职业技术学院学报, 2012 (1) .
[3]康重庆, 夏清, 刘梅.电力系统负荷预测[M].北京:中国电力出版社, 2007.
电力系统短期负荷预测方法综述 篇7
1 基于短期负荷的预测特点
对于短期电力负荷来讲其预测便是基于在电力负荷以及相关的历史数据对模型进行全面的建立，从而使得新世纪型的电力负荷更具备科学性和全面性。对于短期负荷所面临的事件不确定性以及其随机性，包含了各种特点： (1) 在预测的结果上其短期的负荷存在着一定的不确定性。 (2) 不同的负荷预测方法存在相应的条件性。 (3) 短期负荷预测在时间上各有不同。 (4) 预测的结果包含多方案性。
短期负荷预测精度的影响因素： (1) 以往历史数据。 (2) 自然天气情况。 (3) 其日期类型。 (4) 负荷预测模型。 (5) 相关社会事件等。
2 简述短期负荷预测方法
短期负荷由于受到来自不同方向的因素影响，面临时间序列问题上其随机的过程表现的很不平稳，就算面临的影响因素包罗万象，不过在这些因素中都存在一个特点那就是有规律性。能够为实际预测打下基础，其短期负荷预测的方法大致分为四类。
2.1 经典性负荷预测法
2.1.1 回归类分析法。
将相关的历史数据在变化上的规律同负荷在影响上的相关变化因素，来对自变量还有因变量在二者之间所出现的共同的关系作一个寻找还有它回归的方式。从而对其模型参数作一个确定，能够推测出在未来时刻的相关负荷值。对于该方法存在着计算原理和结构形式简单其预测的速度较快的优点，在缺点上存在着针对历史数据要求高，其复杂的问题是通过线性的方法来进行描述，所以其精度低结构简单。就这些缺点来看，对于在负荷在预测中的影响是做不了详细的描述的，而且在描述的过程中，只有基于丰富的经验以及技巧下其难度才不会很高。
2.1.2 时间序列法。
利用不同时间段之间的间隔来对电力负荷进行历史数据的采集上，对于这个方法将其叫做时间序列。在现代电力系统的短期负荷预测来讲，其时间序列法在算法中与其它方法相比较要成熟的多。在这个方法下可以对电力负荷的历史数据来进行电力负荷数学模型建立，其特点是可以随时间变化。这个模型主要是预测未来负荷的。这个方法的优点在于在历史数据的需求量上较少，其工作量比较小而且在计算的速度是比较快的，能够将在近期里负荷的变化连续性反映出来。不过对于建模的过程中其程序的建设是极为复杂的，在过程中需要高的知识理论进行模型的建设。而且就原始时间序列来说，在其平衡性上必须具备高性能。综上所述，针对时间序列法就只能在那种各方面来讲都比较均匀的短期负荷中进行预测。可是在对负荷的考虑因素中没有考虑的很合理的以及自然天气变化等不确定的因素下，就会导致其预测的误差会很大。
2.2 传统方法
2.2.1 负荷求导法。其负荷序列为P (i） (i=1, 2, 3…），其负荷求导法的预测公式为：
其中Δp (i) fore里i点对于负荷变化率的预测值是：
就这个方法的优点来讲，在对原理的表达上清楚且又方便。在电力的负荷变化率上必须达到规律及稳定性的高要求，在预测的误差上具有累计的效应。
2.2.2 类似日法。
对于类似日法而言，是把即将预测的日类似的负荷进行一个修改，然后得到预测日的负荷。这个方法用的是某种差异的评价函数，也就是在进行与预测日负荷最为类似的类似日的寻找时，则即将预测的负荷日的参数所进行的修正。
2.2.3 卡尔曼滤法。
在电力负荷中又把它叫作状态空间法，是一个把负荷分解成能够确定的分量以及随机分量的原理。在反映未来系统的状态上可以利用对于预报的方法来获得新的相关数据，在组合的过程中就会得到新的预测模型信息，提升预测值的准确性。
2.2.4 指数平滑法。
指数平滑法是利用电力系统负荷趋势外推测技术。为了达到平均的效果可以对其利用加权的形式，再加计算过程里的新数据其相关的权系数进行加大，也可以将陈旧的数据的权系数进行减小。在时变性的体现过程上，能够将近期的数据反映到影响未来负荷的程度值上，这个方法的作用主要是采用其平滑来对存在序列里的随机波动进行消除。
2.2.5 灰色预测方法。
灰色预测这个方法主要是对系统中存在着不确定的因素进行的一个专门预测，是利用灰色模型里的微分方程中的单一指标来对电力系统进行预测。可以根据模型预测未来的负荷，这种方法适合在贫信息的条件下进行分析与预测。
2.3 智能型预测法
2.3.1 专家型系统法。
基于对知识程序的设计来建立计算机系统，而且还拥有了相关领域里的专家知识以及经验，通过推理来对未来进行预测。
2.3.2 人工神经网络法。
神经网络能够处理大量随机性以及非线性关系因素的问题，是建立在过去某时间的负荷上作为训练的样本，进行网络结构的构建。
2.3.3 模糊类预测法。
主要用到了模糊预测法中的模糊数学理论所包含的负荷预测这一现代新技术来进行的建立，对于电力系统中发生的模糊现象可以通过对其概念来进行描述。
2.3.4 综合模型预测法。
在实际运作里，就历史负荷数据所具有的复杂性与随机性，来对单一模型进行预测，是难以达到一个准确可靠的效果的，需要联系实际中各种算法的优缺点，将它们进行有效的结合，才能够提高其预测的精度。
2.3.5 小波分析法。
因为电力负荷具有特殊的周期性，它能够将各类组合为一体频率再由对组合的发展形式演化成一种全新的所谓的混合型信号，这个信号能够把不同的频带块信号进行有序的分解，将其产生的负荷序列来进行小波变换的过程，把小波分析方法运用到电力系统短期负荷预测中。
2.4 短期负荷预测新方法
2.4.1 混沌理论。
混沌时间的序列预测方法是才兴起的负荷预测计算方法。对于系统状态下的变量，将所需要的相关动力学的信息涵盖到系统里的任何一个变量在时间的序列上去。然后对于单变量进行时间序列重组到重构相的空间中去，但是其空间状态的轨迹所进行的是数据保留更改。
2.4.2 支持向量机。
它是一种在统计学习的相关理论上所进行的一种预测的方法，是一个将经典进行二次规划的一个问题所在，这样的方法可以快速的避免局部进行最优解同时也是唯一一个全局最优解。
2.4.3 数据挖掘。
对于数据隐含或未知的含义，我们可以采取挖掘的形式来处理，同时在其具体的决策中我们能根据知识的一定规则来进行知识的提取，而这种挖掘主要以概念及规则等形式来表现知识的提取。
3 结语
通过对短期负荷预测方法所进行的综合性的比较与分析，能够更好的将各种短期负荷预模型上所存在的优缺点指出来。在实际的操作中，可以把短期负荷所具有的特征和影响因素进行一个灵活地选用预测模型。
摘要：本文主要是针对电力系统的短期负荷预测的概念和意义进行综述, 就短期负荷预测的一些特点及其影响预测精度的各方面原因进行总体的分析。在目前的预测方法里, 主要有经典的预测方法和传统的预测方法以及智能预测方法和预测新方法。从这些预测方法入手进行综合的应用原理分析, 比较其不同预测方法的优点及不足的地方。并且提出了短期负荷预测的精度提升了, 不仅在历史的数据上重视了其积累, 还应重视在预测的模型选择上要合适, 综合型预测模型在未来电力负荷预测方法的必然性。
关键词：电力系统,短期负荷预测
参考文献
[1]廖旎焕, 胡智宏, 马莹莹等.电力系统短期负荷预测方法综述[J].电力系统保护与控制, 2011, 39 (1) :147-152.
[2]路轶, 王民昆.基于短期负荷预测的超短期负荷预测曲线外推法[J].电力系统自动化, 2006, 30 (16) :102-104.
[3]马瑞, 姜飞, Garng M huang等.基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测[J].电力自动化设备, 2012, 32 (2) :81-84.
基于随机波动模型的短期负荷预测 篇8
长期以来,国内外学者对负荷预测的理论方法研究做了大量工作,如人工神经网络[1]、支持向量机[2]、灰色理论[3]、经典时间序列分析法[4]等。以自回归移动平均ARMA(Auto Regressive Moving Average)模型为代表的一阶矩经典时间序列分析法虽实用易行,但其潜在的方差时不变性假设,导致不能对波动性(二阶矩及以上)建模,从而无法对负荷时间序列波动性做深入研究。
波动性研究是现代时间序列分析领域研究中的重镇,从时间序列的高阶矩中可以发掘出很多可利用的信息。就负荷时间序列而言,其方差存在着时变特征[5,6],因此,波动性模型能够给出比经典一阶矩模型更为精细的研究框架。随机波动SV(Stochastic Volatility)族模型与广义自回归条件异方差(GARCH)族模型同为现代波动性建模的两大主流模型[7,8,9]。文献[5-6]讨论了负荷时序的波动时变性并给出了基于GARCH模型的负荷预测方案。对于SV模型,由于其似然函数表达式非解析,难以采用常规方法估计参数,故在负荷预测领域的应用和推广受到了限制。现着眼于时变方差的视角,提出了基于SV模型的短期负荷预测方法。引入伪极大似然估计(QMLE)方法,借助卡尔曼滤波实现了标准SV模型的参数估计。同时,对标准SV模型的条件分布进行了拓展,提出了基于t分布的SV-t负荷预测模型。最后利用算例验证了SV族模型对短期负荷预测的有效性。
1 SV模型
1.1 SV模型的标准形式
SV模型[7]长于刻画时间序列的波动性,其标准形式如下:
其中,E(yt|ψt-1)是利用t-1时刻信息集得到的yt条件均值;为持续性参数,当|φ|<1时,模型是协方差平稳的;α为反映波动平均水平的常数;ση为波动扰动的标准差。
为和下文的非高斯SV模型相区别,在此将形如式(1)(2)的模型称为标准SV模型。标准SV模型的εt服从标准正态分布。
1.2 非高斯SV模型
标准SV模型采取了一种固定的设定———标准正态分布,现实负荷时间序列的波动性特征是多样的,如可能存在着厚尾(fat tail)特征[10,11],因此将标准SV模型的εt由服从正态分布扩展为服从非高斯分布[12](如t分布),进而使模型的条件分布和无条件分布同时具备厚尾特征,有利于增加刻画负荷时间序列的波动特征的灵活性。
t分布的概率密度函数如下:
其中,Γ(·)为伽马函数;n为自由度。
在此将εt服从t分布的非高斯SV模型称为SV-t模型。
本文使用以上2种SV模型分析负荷时间序列的波动特性。
1.3 SV模型的参数估计[13,14]
SV族模型的似然函数表达式是一个T重积分(T为观测样本容量)。
可验证,式(4)的积分不具有解析表达式,故难以采用常规的极大似然估计。这正是SV族模型参数估计的难点所在。
1.3.1 标准SV模型的QMLE
利用QMLE方法[15]对SV模型进行参数估计,分为3步。
步骤1状态空间转换。将形如式(1)(2)的标准SV模型转换为状态空间形式:
步骤2 vt矩计算。由于εt服从标准正态分布,则有vt服从自由度为1的对数χ2分布。可验证,vt均值为方差为为双伽马函数,形如:
至此,获得了vt的一阶矩和二阶矩。
步骤3极大化伪似然函数。对式(5)(6)使用卡尔曼滤波,可获得SV模型参数Θ=(α,φ,ση2)的伪似然函数:
其中,et表示的一步预测误差,Ft为其相应的方差。
使用Marquardt算法对估计过程进行迭代控制,实现式(9)的极大化,可以得到标准SV模型的参数估计。此时得到的估计是最小线性均方估计(MMLSE)。
1.3.2 SV-t模型的QMLE
因SV-t模型设定中εt不再服从正态分布,其参数估计具有一定特殊性。在完成状态空间方程的转换后,原来标准SV模型中vt的矩计算方法不再适用,需要采取附加变换,以重新获取vt=lnεt2的一阶矩和二阶矩。
考虑εt服从自由度为n的t分布,首先将εt转换为式(10)。
其中,ζt为标准正态变量,nκt服从自由度为n的χ2分布。
对式(10)平方后取对数,可得:
进而获取SV-t模型参数集Θ的伪似然函数,再次使用Marquardt算法使ln L(θ)极大化,可得到SV-t模型的参数估计。
2 算例分析
2.1 数据说明
选用南京地区日用电量实际数据进行短期电力负荷预测时序建模。样本空间为1998年1月至2004年6月,共包含2 373个样本点。利用SV模型预测2004年第3季度的日用电量(92个样本点),并与实际日用电量进行比较,检验模型的预测能力。
2.2 SV模型条件均值的结构
从原始负荷时间序列Pload中移除指数趋势ξtrend获取调整后的负荷时间序列Pad。式(1)中SV模型的条件均值方程采用ARMA(p,q)结构。其定阶策略如下:
a.分析自相关函数ACF、偏自相关函数PACF,获取可能的阶数组合,估计所有可能阶数组合的ARMA模型,形成备择模型集Ⅰ;
b.对集Ⅰ中所有模型进行模型诊断,筛选后形成备择模型集Ⅱ;
c.计算集Ⅱ中所有模型的许瓦兹信息准则(SIC),决定ARMA模型的最终阶数p、q。
按上述方法,SV模型的条件均值结构最终确定为ARMA(8,6)。
2.3 SV、SV-t建模及参数估计
将标准SV模型(式(1)(2))转化为状态空间方程(式(5)(6))的形式,极大化其伪似然函数,获得标准SV模型的参数估计,见表1。同时考虑到厚尾特征,建立SV-t模型,参数估计亦见表1。
注:*表示参数在95%水平上显著。
从表1中可以看出:标准SV模型的持续性参数是显著的,为0.968 723,接近于1,可知负荷波动具有较高的持续性,即当前的波动可能对未来的波动在长时间内有着重要影响。同时可见,尽管在模型设定上和标准SV模型有所不同,但SV-t模型参数的估计值与SV模型很接近。负荷波动具有较高的持续性的结论具有稳健性。
2.4 负荷时序波动性的表征
经典的ARMA模型中,常方差的假设将条件方差限制为直线,不能表征波动的时变特征。而基于SV模型构建的动态波动曲线,可以动态刻画出负荷时间序列的波动性时变特征。
使用QMLE方法估计SV模型,隐含波动ht=lnσt2恰为状态空间方程的状态变量。因此可在使用QMLE完成参数估计的同时,获取ht的平滑估计。分别据标准SV模型及SV-t模型构建的动态波动曲线如图1所示。
图1刻画了负荷时间序列波动的时变特征。由图可见:SV族模型刻画的ht在某些时段表现出高波动的特征,而在另一些时段波动则维持在一个相对低的水平,体现了典型的波动集聚效应。
2.5 预测结果比较
基于SV的预测模型形如:
鉴于GARCH模型是目前最常用的波动性负荷预测模型,本算例中采用ARMA-GARCH模型(GARCH模型的条件均值采用ARMA结构)作为标准参照模型。运用SV模型和ARMA-GARCH模型对2004年7、8、9月的日电力负荷进行动态预测,将预测结果与实际的日负荷数据进行比较,用以验证模型的预测效果。
使用以下3种指标度量预测精度:
平均绝对百分误差MAPE(Mean Absolute Percentage Error)
均方误差RMSE(Root Mean Squared Error)
Theil不等系数TIC(Theil Inequality Coefficient)
2种模型预测结果如表2所示。
通过表2可见,本算例中SV模型的预测结果稍优于标准参照模型———ARMA-GARCH模型,即SV模型的MAPE、RMSE均小于GARCH模型;从TIC指标来看,SV模型的TIC更接近于零。可见,SV模型的预测效果较为满意,能较好地刻画电力负荷时间序列的实际特征。
3 结语
本文分析了负荷时间序列波动性,提出了SV模型的短期负荷预测方法。
a.实际算例表明,负荷时间序列存在显著的波动时变性,本文提出了具有工程应用意义的SV族负荷预测模型,并基于此对负荷时间序列的波动特征进行了微观层面的刻画。
b.负荷波动性的研究对提高负荷预测能力具有重要的意义。选用SV模型的预测方法是适当的且预测效果满意。其刻画电力负荷波动性的能力是经典时间序列模型(非波动性模型)不能完成的。
c.QMLE是一种有效的估计方法,可通过变换技巧获得标准SV及SV-t模型的参数估计,在工程领域有着更广阔的应用前景。
d.虽然SV模型与GARCH模型同为波动性模型的重要代表,但限于计算复杂度,目前SV族模型在电力系统领域应用的深度和广度与GARCH族模型相比还有相当的差距。本文在此背景下对2种波动性模型比较研究的尝试有一定理论意义,对运用SV族模型进行短期负荷预测的深入研究提供了基础。
SV族模型为刻画负荷时间序列波动性提供了新的可行方案。在波动性建模框架下,基于SV及其拓展形式的负荷预测方法还有待进一步探讨。
摘要：研究了负荷时间序列波动性,考虑方差时变特征,提出了基于随机波动(SV)模型的短期负荷预测方法。引入伪极大似然估计解决SV参数估计问题,进而将模型转换为状态空间方程,利用卡尔曼滤波获取标准SV模型参数。另外,还将模型推广为非高斯假设SV模型。利用动态波动曲线的构建,讨论了负荷时间序列条件方差的时变性特征。基于日用电量数据建立了SV族日负荷预测模型,并利用平均绝对百分误差、均方误差、TIC 3种指标将SV族模型预测结果与广义自回归条件异方差(GARCH)模型做了比较,得到SV族模型的前2种指标均小于GARCH模型,而且SV模型的TIC指标更接近于零。算例分析表明了SV族负荷预测模型的可行性和有效性。
电力系统短期负荷预测精度研究 篇9
短期负荷预测精度的不断提高, 不但为电力系统的安全、经济运行提供可靠保障, 而且为市场环境下合理安排调度计划、供电计划、交易计划提供了依据[2]。因此, 短期负荷预测已经成为现代电力系统运行和管理中的一个重要研究课题。本文正是基于这一目的, 紧紧围绕提高短期负荷预测精度[3]这一目标, 对短期负荷预测的特点和影响电力系统短期负荷预测精度的因素进行了全面的分析和总结, 接着提出了提高负荷预测精度的措施, 最后对未来负荷预测的工作进行了展望。
1 短期负荷预测的特点和影响负荷预测精度的因素
1.1 短期负荷预测的特点
短期负荷预测是对未来的负荷曲线提出预告, 以便根据预测的结果对电力系统的检修计划、发电计划以及机组起停计划等做出安全、经济、全面、高效的安排。但是, 电力系统工作人员在预测过程中, 由于受经济, 政治, 气象, 时间等多种随机性因素的影响, 使短期负荷呈现随机性和不确定性。总的来说, 短期负荷预测具有以下明显特点。
(1) 条件性。
未来负荷发展的不确定性, 导致条件无法确定, 因此就需要一些假定条件对负荷进行预测。
(2) 周期性。
由于人们在长期的社会活动过程中形成了特定的生产和生活方式, 使负荷变化具有了一定的规律性, 其中最典型的是年周期性、周周期性、日周期性, 其中日周期性是日短期负荷预测和超短期负荷预测的依据和基础。
(3) 时间性。
精确的负荷预测, 要求有比较确切的数量关系和概念, 在预测过程中, 工作人员要指明预测和历史样本的起止时间。
(4) 不确定性。
电力负荷受多种复杂因素的影响, 且这些影响因素有时难以准确确定, 这就会导致负荷预测结果的不准确。
(5) 多方案性[4]。
不同地区的负荷情况所采用的预测方案是不一样的, 我们需要对各种情况下可能的负荷发展状况进行预测, 这样短期负荷预测就具有多方案性。
(6) 连续性。
短期电力负荷是连续的, 在负荷变化过程中, 无论是负荷增加还是减少都要求负荷变化量在一定的范围之内, 其外在表现就是负荷的连续性。
(7) 相似性。
在实际的负荷预测过程中, 负荷预测结果在相对应的阶段呈现相近的情况, 事实上, 我们在负荷预测过程中使用类推法和历史类比法, 就是基于这个特点。
(8) 非线性。
短期负荷的变化与其影响因素基本上不存在正比关系, 这样在短期负荷预测中应用线性模型进行预测效果就会比较差。
1.2 影响负荷预测精度的因素
精度是负荷预测最重要的指标。在电力系统短期负荷预测中, 影响短期负荷预测精度的因素是多方面的, 但主要是以下几方面。
(1) 历史数据。
历史负荷数据在很大程度上决定了未来预测负荷的水平, 然而负荷预测所需的大量历史资料并不能保证其绝对准确可靠, 在一定程度上必然会带来一些预测误差。
(2) 经济因素。
经济环境的好坏和经济发展状况对负荷预测是有重要影响的。一般来说, 经济发展比较好的情况下, 负荷水平就提升的比较快;反之, 负荷水平就会下降。
(3) 政治因素。
例如军事冲突等, 此类事件出现的概率很小, 但是一旦出现就会对负荷造成重大影响。
(4) 气象因素。
影响负荷的天气因素很多, 在进行负荷预测时, 往往预测模型只考虑研究对象的主要因素, 而忽略了许多次要的因素, 另外, 再加上气象预报本身的不准确, 会造成双重误差。
(5) 时间因素。
时间的周期性和季节性变化、节假日等时间因素使负荷曲线在不同的时间范围内呈现出不同的特征。
(6) 样本因素。
影响短期电力负荷预测的样本因素包括样本数量、样本质量和样本范围。在进行短期电力负荷预测时, 不能仅仅考虑时间、历史数据因素, 应该综合考虑影响负荷的各种因素, 同时对各个因素进行定量和定性的分析, 进而选择最佳样本, 使预测更加准确。
(7) 预测模型。
不同负荷预测模型所得出来的预测结果有时是有较大差别的, 我们应根据地区实际和特点, 选择精确的负荷预测模型。
(8) 其他因素。
在确保电力市场经济性的的情况下, 执行峰谷分时电价, 在一定程度上对负荷曲线产生了影响;难以确定反映负荷周期性、趋势性以及与影响因素之间关系的样本数;有些突发事件, 如拉闸限电、冲击负荷、停电检修和重大活动等都可能会对系统负荷产生很大的影响;大电网 (网、省级) 负荷变化一般都有较强的统计规律性, 预测结果比较准确, 而地区级电网的统计规律则不是很明显, 不能有效地指导负荷预测等, 上述情况都会对进行精确的负荷预测产生不同程度的干扰。
2 提高电力系统短期负荷预测精度的措施
2.1 电力系统短期负荷预测基本流程图
负荷预测所有工作的中心是围绕如何提高负荷预测准确率展开的, 图1为短期负荷预测的基本流程图。
2.2 提高短期负荷预测[5,6,7,8,9,10,11,12,13]精度的几条措施
根据短期负荷预测的特点以及影响负荷预测精度的因素, 结合短期负荷预测的基本流程图, 我们应在以下几个方面来提高短期负荷预测的精度。
(1) 历史数据的正确与否在一定程度上决定了预测结果的精确度, 有效的利用高质量的样本数据既是非常基础也是非常重要的工作。
(2) 加强对运行人员的培训力度, 增强运行人员的理论修养和经验知识的积累。
(3) 预测部门工作人员要加强与非统调之外电厂 (站) 的沟通与协调, 掌握准确的负荷信息, 对提高负荷预测精度将产生重要意义。
(4) 加强与气象预报部门的沟通, 提高天气预测的准确率, 它是提高负荷预测准确率的前提和基础。
(5) 建立电力负荷的大用户中心, 实时掌握大客户的负荷调整信息, 这样就能缓解在特殊情况下对负荷预测造成的不利影响, 提高预测精度。
(6) 加大对负荷预测研究工作的资金投入力度, 不断尝试用新理论和新技术对负荷进行预测, 建立完整的负荷预测体系。
(7) 针对预测地区的负荷特性分析和负荷特点, 选择精确的预测模型。
(8) 加强各地区电网的管理和协调, 实现信息共享, 建立特殊情况下的应急体系, 及时调整负荷预测的工作进度和工作方法。
3 结语
短期负荷预测是电力系统调度运营部门一项重要的基础工作, 预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量。作者认为未来的负荷预测工作, 在加强对基础数据进行处理的同时, 要运用科学的技术手段不断完善负荷预测模型, 并积极探索负荷预测的新思路和新方法, 在实际中, 有针对性的对特定地区和特定情况选用特定的负荷预测模型, 建立全面的和不断更新的负荷预测数据库, 不断提高负荷预测精度和负荷预测工作水平。
摘要：电力系统短期负荷预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量, 特别是随着我国电力市场的建立和不断完善, 短期负荷预测在电力系统调度运营部门中的作用越来越重要。本文首先对影响电力系统负荷预测精度的因素进行了深入的分析, 然后提出了提高负荷预测精度的几项措施, 并对未来需要进行的工作进行了展望。