短期负荷（精选九篇）
短期负荷 篇1
电力负荷预测对于电力系统控制、运行和规划具有非常重要的意义[1,2]。电力负荷预测是电力生产部门的重要工作之一,准确的负荷预测有利于提高电力系统运行的经济性和可靠性。电力系统负荷的大小受到多种因素的影响[3,4],具有很大的随机性,无论从宏观的角度,还是从微观的角度都难以对其进行分析。长期以来,国内外学者对短期负荷预测的理论和方法作了大量的研究工作,提出了许多预测方法,如时间序列法、支持向量机算法、人工神经网络算法、极限学习机算法等。神经网络是描述非线性关系很好的工具[5],目前,基于神经网络[6]的智能负荷预测算法得到了较广泛的发展和应用[7,8]。支持向量机作为一种新的机器学习算法能够较好地解决小样本、非线性、高维数和局部极小点等实际问题,因而其在电力负荷预测中的应用研究也逐渐兴起[9,10]。
本文从短期负荷信号模型的角度出发,结合小波理论的多尺度分析特性,将电力系统历史负荷信号分解为不同尺度上的信号序列,然后用分解后的信号序列作为BP神经网络的输入训练样本对BP神经网络进行训练,建立起神经网路内部结构,用训练好的BP神经网络模型预测未来短期负荷不同尺度上的子序列,再通过小波重构还原得到未来短期负荷的预测值。
1 理论分析基础
1.1 负荷变化的连续频谱
电力负荷有逐渐增长和周期性2种基本变化趋势。在此基础上,影响负荷变化的主要因素包括:负荷构成、负荷随时间的变化规律、天气和气候的影响以及负荷的随机波动。根据负荷预测的性质可知,其基本变化规律可由线性变化模型和周期变化模型来描述。由于影响负荷变化的随机因素太多,因而难以精确描述负荷变化的数学模型。
在工程中,通常需要将其进行简化。单独的线性变化模型可以表示为:
式中:A0和B0分别为线性方程的截距和斜率;ε为误差。反映到“时频”特性上,该部分负荷可以用非周期分量来描述。
对每天同一时刻的负荷分量进行分析,发现负荷表现出24 h的循环变化特性。对负荷的日、周、年数据进行分析,均表现出了不同的周期变化规律,即各个分量均有不同的频率特性。相对负荷的整体周期变化而言,各个时刻的随机负荷分量则可以看成随机时间序列分量,反映到周期性上,可以用各种不同的频率信号来表示。在实际应用中,可以根据工程实际需求,进行以下假设:
(1)输入信号由衰减线性分量、衰减基波分量和有限个衰减谐波分量(包括整数次和非整数次)构成,即:
(2)输入信号由衰减线性分量加上稳恒基波分量和有限个稳恒谐波分量组成,即:
(3)输入信号由线性分量加上稳恒基波分量和稳恒整数次谐波分量组成,即:
在电力系统中一般将日变化频率定义为基波频率w1。
1.2 负荷变化的离散频谱
负荷变化的离散频谱只是工程上的一种近似,考虑到输入信号是高频带限的,可根据工程需求做以下假设:
(1)输入信号由稳恒线性、基波和有限个谐波分量组成,即:
(2)输入信号由稳恒线性、基波和整数次谐波分量构成,即:
上述分析表明,按照具体的负荷特性和指标要求,选择合适的输入信号分析模型,是设计负荷预测的第一步。因此,对电力负荷原始数据进行序列处理是负荷预测的重要基础。在预测前,用一定的数学手段将电力负荷分解为趋势项、周期变量项和随机模型,然后根据各种变量的特性,选择恰当的预测模型分别进行时序外推,将外推结果叠加,从而得到预测结果。
1.3 小波理论
1.3.1 连续小波变换
设函数Ψ(t)∈L2R,其傅里叶变换为Ψ(w)。当Ψ(w)满足容许性条件(7)时,称ψ(w)为一个基本小波或母小波。
将母小波Ψ(w)进行伸缩和平移,设其伸缩因子为a,平移因子为b,可以形成一组小波基Ψa,b(t),可对任意函数f(t)∈L2R进行连续小波变换:
式中:a,b∈R;a≠0;Wf(a,b)为连续小波变换系数;为的共轭运算。
可以证明,Ψa,b(t)的时频域窗口中心及半径均随尺度a的变化而伸缩。从式(8)中可以看出,原来的一维信号a、b经过连续小波变换之后,得到的是一个二维信号,这样对于分析信号的时频特性就更加方便了。
通过式(8)得到小波变化系数之后,又可以通过小波逆变换重构原始信号f(t),其重构表达式为:
1.3.2 离散小波变换
连续的小波变换一般只用作理论研究,在实际工程应用时,由于离散形式的数值计算更符合实际,因而离散小波变换(DWT)用的更广泛。通过将连续小波变换中的伸缩因子与平抑因子进行离散化,继而得到了离散小波。
取,b=nb0a0,m,n∈Z,将a,b代入式(8)中,得到表示形式如下:
由式(10)可推导出离散小波变换公式:
由此理论上已经证明了离散小波和连续小波一样能够无损地还原原始信号。
2 小波神经网络建模与实现
2.1 小波神经网络建模
由于电力系统负荷时间序列是典型的非线性非稳态序列,可以看做是多个频率成分的稳态序列的叠加,而小波分析具有多尺度分辨能力,能够有效地提取电力系统负荷时间序列不同尺度下的特征信息。根据Kolmogorov连续性定理,具有一个隐含层的前向神经网络能够对任意周期、非周期和线性、非线性函数做任意精度的逼近。基于以上特点,本文将小波分析与神经网络相结合,以实现对电力负荷的短期预测。
小波神经网络是一种典型的前馈神经网络,具有非平稳信号的全局学习能力和局部突变细节捕捉能力。由输入层、隐含层和输出层组成,其中隐含层可以有1层或者多层,如图1所示为本文采用的小波神经网络模型结构框图。
在给定了小波神经网络的层次结构后,需要对输入和输出样本进行网络训练,不断对网络权值及阈值进行学习与修正,使得网络的输入和输出满足给定的映射关系。整个学习过程分为2个步骤:第一步向神经网络输入学习样本,根据网络结构与前一个节点的阈值和权值,计算出所有神经元的输出;第二步是从网络的最后一层开始,向前修改各个阈值和权值,其修改值由计算得到的各个阈值和权值对总误差的影响确定。这2个步骤交替进行,直到网络收敛为止。
基于小波分析的负荷序列特征提取能力和神经网络学习能力,本文采用小波分析将负荷序列分解成多个子序列,用子序列作为输入训练样本来训练神经网络,再用训练好的神经网络预测各个子序列,通过小波重构实现对短期负荷预测。在训练神经网络时,将输入层、隐含层和输出层按子序列进行分类训练,使得整个神经网络对各个频率分量都能进行准确的学习和预测。
2.2 小波神经网络实现
利用小波变换对电力系统的负荷数据进行分解时,涉及到尺度选择的问题,即分解到多少层合适。如果分解到n层,则有2n个子序列。如果分解层数太小,得到的子序列比较粗糙,不能很好地将随机分量和周期分量分开,从而不能体现小波变换的优势。如果分解层数太多,得到的子序列数量很大,影响预测速度,本文对短期负荷预测进行4层小波分解。确定小波分解的层数之后,为每个尺度的小波子序列配置3个输入共12个输入节点,在隐含层为每个尺度设置5个隐含节点共20个隐含节点,输出对应4个尺度序列为4个节点。本文选择某市2012年6月10～15日负荷数据作为小波分析样本,每小时采样点数为3,将样本数据通过小波4层分解之后得到的子序列作为神经网络训练样本集。在训练好的神经网络算法中,将6月16日作为预测样本集对6月17日进行负荷预测。将6月16日样本数据经过4层分解后的各层次细节效果和逼近效果如图2和图3所示。
图2中,a0是负荷原始序列,a4是a0经过小波4层分解后的近似信号(低频部分),d1,d2,d3和d4分别为a0从尺度1到尺度4分解的细节信号(高频部分)。从4个尺度上可以看到,负荷序列经过小波分析之后,不同尺度对应着负荷序列不同的负荷变化频率,对负荷数据进行分解的尺度越小,得到的细节数据波动变化越剧烈,说明电力系统中的小负荷变化频繁,随机性强。同时可以看出,电力系统的基础负荷变动很平缓。从各分解子图上未能看到周期序列,是因为原始负荷是1个工作日内的负荷数据,没有周期性。从图3中可以看出,经过分解之后的逼近系数序列分量紧紧跟随着负荷曲线的变化趋势,可以认为这是负荷的平均趋势,细节序列分量d1～d4是负荷的不同频率的变化趋势。从细节序列中可以看出,较大负荷波动的情况并不频繁,相反,小负荷的波动却非常频繁。负荷的平均趋势与不同频率的变化趋势叠加之后,便得到实际的负荷变化曲线。
2.3 小波神经网络实现流程
(1)首先确定小波分解层数,根据小波分解层数确定每一层神经元个数。
(2)神经网络的训练就是不断地调整层间链接权值和各层节点阈值,因此在确定神经元层次和个数后,需要选择合适的学习速率和阈值处理函数。本文选用Sigmoid函数作为阈值处理函数,经过多次测试,最终选择学习速率为0.1,训练次数为200次,训练目标为0.001。
(3)选择一个具有正交性、良好紧支撑性、有高阶消失矩、良好正则性的小波函数,本文选择Daubechies小波系中的db2来对负荷数据信号进行小波分解。
(4)对电力负荷数据样本进行小波分解,然后对其进行归一化处理,以消除数据间数量级差异导致的误差,按照式(12)进行处理:
式中:xmin为样本数据中的最小数;xmax为样本数据中的最大数;xk为需要进行归一化的数据,为最终归一化得到的数据。
(5)将归一化后的子序列作为小波神经网络的训练输入样本对小波神经网络进行训练,构建小波神经网络模型。
(6)将需要预测的负荷数据进行小波分解,得到的子序列作为预测样本,将预测样本输入已经训练过的BP神经网络进行预测,得到预测子序列。
(7)将预测得到的子序列进行反归一化处理,然后通过小波重构预测负荷数据。
通过上面7个步骤可以实现短期负荷预测。如图4所示为小波神经网络对电力系统短期负荷进行预测的结果,图5为预测误差。
从图4中可以看出,采用基于信息分解模型的小波神经网络负荷预测算法能有效地进行短期负荷预测,并取得良好的效果。从图5中可以看出,利用小波神经网络对短期负荷进行预测,由于小波分解尺度受限,未能抓住负荷突变剧烈时刻的高频变化信息,导致这些时刻点的预测结果误差较大,达到了1 0%左右。大部分情况下的预测误差在10%以内,平均预测误差约为3.53%,其预测结果能够满足工程应用需求。
3结论
本文从信号频谱角度对电力系统日负荷信号特性进行了模型分析,根据负荷频谱特性,通过将电力系统短期负荷序列信息进行小波分解,得到含有不同频率特性的样本小波子序列。将分解得到的样本小波子序列作为小波神经网络的训练输入样本,构建小波神经网络模型对电力系统的短期负荷子序列进行预测,然后将预测得到的负荷子序列通过小波重构,最终得到预测的负荷数据。通过对实际预测结果进行分析,表明基于信息分解模型的小波神经网络预测电力系统短期负荷具有较好的预测性能。
参考文献
[1]张大海,比研秋,邹贵彬,等.小波神经网络及其在电力负荷预测中的应用概述[J].电力系统及其自动化学报,2004,16(4):11-15.
[2]SONG K B,BAEK Y S,HONG D H,et al.Short-term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method[J].IEEE Transactions on Power Systems,2005,20(1):96-101.
[3]纪晓军,杨娟.基于小波变换的混沌神经网络在陕西电网短期负荷预测中的应用[J].陕西电力,2013,41(10):66-70.
[4]许涛,贺仁睦,王鹏,等.基于输入空间压缩的短期负荷预测[J].电力系统自动化,2004,28(6):51-54.
[15]刘梦良,刘晓华,高荣.基于相似日小波支持向量机的短期电力负荷预测[J].电工技术学报,2006.21(11):59-64.
[6]HSU H H,HO K L.Fuzzy Expert System:an Application to Short Term Load Forecasting[J].IEE Proceedings C,Generation,Transmission and Distribution,1992,139(6):471-477.
[7]QING L P,MIN Z.Very Short-term Load Forecasting Based on Neural Network and Rough set[C].Changsha;2010International Conference on Intelligent Computation Technology and Automation(ICICTA),2010.
[8]马小慧,阳育德,龚利武.基于Kohonen聚类和SVM组合算法的电网日最大负荷预测[J].电网与清洁能源,2014.30(2):7-11.
[9]吴宏晓,侯志俭.基于免疫支持向量机方法的电力系统短期负荷预测[J].电网技术,2004,28(23):47-51.
短期负荷 篇2
【关键词】节假日；降幅；时段
短期电力负荷预测是电力系统调度运行部门不可缺少的重要组成部分。由于影响负荷预测的因素众多、各种用电负荷变化规律各异、变化趋势随机性强，难以用确定统一的数学模型来描述，各类负荷预测软件都很难达到较高的预测精度。
多年来应用于负荷预测各种各样的算法，各有优势，又各自含有不可克服的缺陷。对于地区一级电网而言，预测的难度在于负荷绝对值小，规律性差，随机事件影响权重大，完全依靠某种或某几种算法来预测很难达到理想的预测精度，要达到理想的预测精度，必须采取以软件预测为辅，人工修正为主的思路。
随着人民生活水平的提高，对节假日的生活，工作观念发生了较大变化，节假日负荷与正常日相比呈现出独特的变化规律，节假日负荷一般有以下共同特点：
（1）与正常日相比，节假日部分用户停产放假，生产负荷比正常日大幅下降，所以节假日负荷会明显降低。
（2）与正常日相比，人民生活规律有所变化，出行、聚会、娱乐等活动增多，照明负荷明显增高（比如元宵节），不考虑生产用电负荷变化，生活用电负荷有所增长。
（3）对于同一节假日而言，纵向比较可知，各年同一假日负荷曲线形状具有很强的相似性，剔除偶然事件干扰，只是负荷水平有所不同。
节假日总体负荷水平下降是肯定的，主要预测难度在于把握负荷在不同时段的下降幅度。
1.部分节假日的负荷特点研究
1.1除夕-春节
负荷特点：相比其他节假日停产或减产的用户最多，生产负荷下降最明显，由于我国有除夕“熬夜”的传统习俗，还有合家观看春晚至新年钟声敲响以后等特点，所以除夕夜晚高峰用电负荷持续时间很长，直至凌晨点2以后才能逐渐下降至低谷负荷水平，2009年开始把除夕定为位法定节假日，除夕当天生产负荷有了明显下降，并且下降幅度越来越大，2013年除夕负荷下降幅度已接近春节下降幅度，最低负荷一般出现在14：00至17：00之间，在此时段负荷下降最为明显，春节晚高峰负荷将大大低于除夕夜负荷水平，持续时间也将恢复正常。
长治地区电网2009年以来除夕及春节负荷下降情况：
除夕：2009年下降40MW；2010年下降35MW；2011年下降100MW；2012年下降90MW； 2013年下降200MW。
春节：2009年下降120MW；2010年下降130MW；2011年下降150MW；2012年下降250MW；2013年下降210MW。
1.2元宵节
（虽然不是法定节假日，但负荷仍具有节日特征）负荷特点：春节过后，停产或减产用户逐步恢复生产，生产负荷相比春节明显升高，但比正常日有所降低；各类庆祝活动，大型灯展活动达到高潮，会导致晚高峰负荷有一定升高。
1.3清明节
负荷特点：清明节最重要的习俗是扫墓、祭祖等活动，随着人民生活水平的大幅提高，人们对清明节祭奠先辈活动越来越重视，自从2009年清明节列入法定节假日以来，负荷特征越来越表现出明显的节日特性，经过调查历年清明节负荷情况，生产负荷下降幅度呈逐年增大趋势，这说明在清明节停产或减产的用户呈逐年增多趋势，负荷明显下降位于8：00～18：00时段。
长治地区电网2009年以来清明节负荷下降情况：
2009年下降75MW；2010年下降72MW；2011年下降85MW； 2012年下降120MW；2013年下降125MW。
1.4中秋节
负荷特点：中秋节主要的习俗是庆祝团圆，赏月等活动，生活用电少量增长，生产用电负荷明显下降，但下降幅度相对较小，不及清明节负荷下降幅度，近几年来降幅没有明显的增大，一直稳定在80MW左右，负荷明显下降一般位于12：00～19：00时段。
长治地区电网2009年以来中秋节负荷下降情况：
2009年下降85MW；2010年下降72MW；2011年下降80MW； 2012年下降80MW；2013年下降120MW。
1.5国庆节
负荷特点：国庆节期间一般会有大型的庆典活动，也是旅游黄金周时间，生活用电少量增长，生产用电负荷明显下降，但下降幅度不及中秋节，有逐年增大趋势，长假前三天负荷水平相当，后几天会逐渐恢复至正常水平。
长治地区电网2009年以来国庆节负荷下降情况：
2009年下降40MW；2010年下降50MW；2011年下降55MW； 2012年下降90MW；2013年下降70MW。
关于国庆、中秋两节叠加出现情况分析：2001年国庆中秋两节为同一天，一般每隔19年才会出现一次，下一次将会出现在2020年，但2009与2012年的国庆与中秋比较临近（不超过三天），假期重叠在一起，2009年中秋节为10月3日，10月1日负荷下降40MW，到10月3日中秋节负荷再下降45MW，累计达到近几年中秋节负荷平均降幅80MW。而2012年9月30日为中秋节，负荷下降80MW，第二天为国庆节，负荷没有出现较大变化，可见2012年国庆节负荷大幅下降90MW，与前一天是中秋节有很大关系，我们暂且认为，先国庆节后中秋节情形时，国庆节负荷下降一档，到中秋再下降一档；而先中秋节后国庆节情形时，中秋节负荷一步下降到位，到国庆节时负荷不出现大的变化，下一次两节相距最近的是2017年，中秋节是10月4日，先国庆节后中秋节，相差4天，预测时可参考2009年国庆节中秋节负荷变化情况。
元旦，劳动节、端午节等节假日负荷，经调查历年元旦负荷下降幅度不超过50MW；而劳动节与端午节负荷没有明显下降，节日特征不是很明显，预测时按正常日对待，适当修正即可。
实际预测时还必须综合考虑电网运行方式、地方电厂、天气变化等因素带来的影响，并且每日参照实际负荷变化情况，对未来几日预测曲线进行调整、修改。如果预测出现较大的偏差后，及时修改随后几天的预测值，能有效控制预测误差的增大。
2.节日负荷预测建议
（1）充分查看、分析近几年同类节假日期间用电负荷曲线，确定预测曲线基本形状。
（2）调查了解各用电大户节日期间生产计划用电情况，评估生产负荷下降情况。
（3）参考节前实际负荷曲线，评估不同时段负荷下降幅度。
（4）综合考虑电网实际运行情况，对预测曲线进行修正，最终形成预测曲线。
3.预测实例
2013年春节预测，参考曲线调取2月3日（代表节前正常负荷水平），经调查往年春节历史数据，问询大用户春节期间生产计划用电情况，估计负荷最大降幅将达到200MW，预测曲线在相应时段最大下调幅度大约200MW（14：00至16：00时段下调200MW，其他时段下调低于均200MW），00：00时刻参考前一日实际负荷水平然后缓慢下降至低谷水平，曲线大体形状参照往年春节。
预测效果：在01：00至6：00时段与21：00至24：00时段误差较大，预测负荷偏高约40MW，全天准确率为97.14%，日平均负荷仅1060MW，负荷变化幅度巨大，能达到这样的准确率已属不易，预测基本成功。
以上研究依据长治地区电网实际，可能不适用于其他地区。对于节日负荷特性仍有大量细致的工作需要进一步深入研究。我们将继续努力提高预测的精度，为电网的安全、稳定、经济、高效运行提供坚实的基础。 [科]
【参考文献】
[1]牛东晓，曾树华等.电力负荷预测技术及其应用中国电力出版社，1998.
电力系统负荷短期预测 篇3
关键词：电力系统,符合短期,变化
我们可以运用现金的科学手段和方法对以后的电力系统负荷的发展方向给出合理的科学解释, 通过我们对电力系统负荷短期预算所理解的理论和知识。我们国家的国民经济也是在突飞猛进的增长中, 同样电力需求也在迅速的增长, 电力系统的缺少现象越来越显得比较严重, 很多地区的电力都显得十分紧张, 尤其是我国的经济发达地区, 在最高峰用电的时候甚至都出现拉闸限电的现象发展, 并且电网的使用电的超载负荷情况也是越来越高, 这种现象使得电力系统的短期负荷预测技术更加的重要和突出。尤其是这几年以来我国在国际上的能力比较紧缺, 国内实施的节能降耗的政策方针, 所以目前电力系统负荷预测越来越受到党和政府的高度重视。此外, 更加深入的研发电力系统的负荷预测是对我国电力市场化、分时电价、实时动态、竞价上网等的实施, 所以电力市场对未来的电力系统负荷预测有了比较高的要求, 作为电力系统负荷预测的重要依据, 电力市场是很重要的一部分。
1 电力系统负荷预测的发展现状
随着电力系统EMS的发展, 电力系统负荷短期预测技术也逐渐发展起来, 电力系统的负荷短期预测也有了很长时间的历史了, 随着我国电力市场的高速发展, 电力系统负荷的短期预测技术已经成为我国的一项非常重要的项目, 受到我国很多的专家学者和政府的高度重视。
2 电力系统用户用电特点分析
2.1 工业用电
工业用电最大的特点就是所用的电量很大并且非常的平稳, 我国现在的工业用电比例占全国用总用电量的百分之七十五左右。即便工业用电的电量非常大, 但是工业之间的负荷是不一样的, 轻工业用电量就比较小, 大型冶炼工业相对用电较大, 用电大小的主要差别取决于生产工艺的特点和生产时间不一样所造成的, 一样的生产设备下, 连续使用的企业要比倒班制生产的企业用电量大, 倒班制企业中又分三班制、两班制、相对两班制来说三班制又要使用的电量高。但是不管是什么企业。电力系统在单个的企业生产的过程中以日、月计算, 发生的变化是不会太大的, 相对稳定的, 除非极少数季节性质的企业以外, 这就很好的为电力系统的负荷预测技术提供了便利。
2.2 农业用电
农业用电在我国总用电总约占百分之四点二左右的比率, 总的来看消耗不算是很大, 农业用电的特点就是季节性比较强, 一年之中的用电情况变化不是非常明显, 特点就是非常不均衡, 主要冬季用电少, 灌溉的季节用电比较多。
2.3 交通运输业用电
交通运输行业用电量占全国总用电量的百分之一点五左右, 用电量比较小, 电气化铁路方面负荷很稳定。即使我国的电气化铁路建设比较迅速, 高速铁路运营比较多会增加用电量, 但是比重不会有很明显的变化。
2.4 城乡居民生活用电
目前我国的城乡居民生活水平有较大的提高, 但用电比重不大, 远小于工业化国家和发达国家。随着我国国民经济的快速发展, 人们生活水平的提高, 生活用电的比重将会增大。居民生活用电的特点就是日变化较大, 这和人的作息时间有关, 同时也与人随机性开启用点设备有关。随着家电的普及, 家电下乡政策的推广, 我国具民用电将保持较快的增长势头, 其增长速度要高于其它用电部门。
3 影响电力系统负荷变化的主要因素
3.1 基本因素
从上文我们可以看出, 交通、农业、工业的用电情况相对比较平稳, 原因就是它们对负荷的影响不算很大, 主要就是因为大多是居民用电。居民用电的自由是影响电力系统负荷变化的主要原因, 居民有自主的权利随机选择开启或者关闭用电的设施, 这就导致了电力系统负荷变化出现的随机性较强。
3.2 气候因素
影响电力系统负荷产生变化的另一个原因就是天气情况, 寒潮、高温、取暖等都会使电力系统负荷增大, 随着我国经济的发展, 空调的普及程度越来越高, 气温也将成为今后电力系统负荷比较大的因素之一。
3.3 市场因素
市场环境中随着电力工业的快速发展, 申。力市场对电力工业的推进, 分时电价、竞价上网、动态电价等的实施, 将成为影响电力系统负荷变化的很重要因素。
4 电力系统负荷短期常用预测方法
4.1 专家系统
专家系统是基于知识的计算机系统它有一个领域专家的经验, 知识, 并可以使用这方面的知识的专家, 通过推理运用知识和经验, 作出明智的决定。利用专家系统模型的短期负荷预测的文献, 结果表明, 温度是一个很好的交易因素;文学知识的专家系统模型预测结果表明该方法提高了预测的稳定性和可靠性。专家系统专家的知识和经验, 可以解决天气, 特殊事件, 如负载的影响, 以获得更准确的预测。然而, 专家的知识和经验为工作量非常大, 需要很多的参考资料和学习能力。
4.2 模糊预测方法
模糊推理和模糊集合是对不确定问题进行处理的理论, 模糊集合的作用可以刻画出影响负荷的不确定原因, 这也正是模糊预测这几年以来在电力系统负荷预测里流通的重要原因, 把粗糙集和模糊放在一起进行负荷的预测, 预测的结果有很高的精准度, 这说明气温模糊化以后预测的精度比较高。模糊法的缺点是学习能力不强, 受到人们的主观因素较多。
4.3 组合模型
组合模型预测的方法大体可以分为两类, 一类是把几种预测的方法的结果选择适中的进行加权平均, 进行比较, 选择最好的预测模型进行预测。支持向量机和混沌理论结合, 提高了预测的稳定性和精准性, 组合预测是相对比较好的方法, 很多情况下都能够达到预测的目的和要求, 但是组合预测法也有它的不足, 就预测机理来说, 组合预测依然不能够解决根本问题。
5 结语
电力系统的负荷是经过电网、发电厂、电器设备的使用交织在一起融通的形式结合的非常复杂的一个系统, 电力系统的负荷是随机性和确定性相互统一, 无序和有序统一, 影响这电力系统负荷的因素非常多并且随机出现的。所以, 建议一套完善的电力系统负荷预测体系目前还很困难。直至今日电力系统的负荷短期预测技术依然不是十分完善, 特别是随着电力市场的深入发展, 很多项目的实施, 对电力系统负荷预测的要求提高的更大, 对预测方法考虑的要更多。
参考文献
[1]肖国泉, 王春, 张福伟.电力负荷预测[M].北京:中国电力出版社, 2011.
[2]刘晨晖.电力系统负荷预报理论与方法[M].哈尔滨:哈尔滨工业大学出版, 2009.
短期负荷 篇4
［关键词］电力系统负荷预测相似日法外推法
引言
负荷预测是电力系统规划、计划、用电、调度等部门的基础工作，对电力系统控制、运行起着十分重要的作用，准确可靠的负荷预报对电力系统安全经济运行有着重大意义。短期负荷预测是负荷预测的重要组成部分，它主要用来预报未来几个小时、一天至几天的电力负荷，对于电力调度部门的经济调度、最优潮流，尤其对目前与将来的电力市场有着重要的意义。
负荷预测的研究从20世纪五六十年代就开始了，随着计算机技术的发展和新算法的不断提出，负荷预测的速度和精度逐步提高。目前应用于短期负荷预测的方法有很多，常用的有时间序列法、人工神经网络法、灰色模型法等等。总括体起来可分为以下几种类型：(1)仅利用负荷自身发展规律的方法，如ARMA模型等：(2)负荷发展规律与气象因素结合的方法，如ANN法，相似日法；(3)其他方法。
负荷的历史记录总是构成一个时间序列，时间序列法是目前负荷预测中应用最广的和较为成功的方法之一，但是其缺点在于不能方便的考虑天气情况等对负荷有重要影响的相关因素。在实际运行中，有经验的负荷预测人员往往能找出与预测日相似的某些天的负荷进行修正，从而预测，这种方法称之为相似日法，其通常由以下2个步骤组成：(1)采用某种差异评价函数，寻找最有可能与预测日负荷相似的某些天(相似日)；(2)根据待测负荷日的参数进行修正。
短期电力负荷预测分析研究 篇5
1 关于短期电力负荷预测的基本原理分析
所谓短期电力负荷预测, 指的就是基于电力系统的增容抉择、运行特性、社会及自然影响等多个因素, 在能达到一定精度要求的前提之下, 来把未来较近的某个特定时刻负荷数值进行确定。在当前电力系统经济调度过程中, 短期电力负荷预测是一种极为重要的内容, 同时也是进行能量系统管理的一个重要模块。其基本原理主要有以下这几项:1) 可知性原理:这种原理指的就是, 人们可以比较明确了解到带预测对象的发生发展规则及其未来的发展状况和发展趋势。2) 可能性原理:任何事物, 其发展变化, 都是在内外因一起作用下所发展变化的, 只要内因出现改变, 或者外因作用力大小各不一样, 那么就会有多种可能性存在于事物的发展变化之中。3) 连续性原理:这种原理指的就是, 待预测对象, 其发展过程, 不仅连续, 而且统一, 此过程即为其未来发展的延续。4) 相似性原理:在客观世界中, 虽然各个事物具有不同的发展过程, 但就某些事物发展来看, 它们之间的发展还是存在着一定的相似之处, 人们正是基于这种相似性来进行有效预测。5) 反馈性原理:所谓反馈, 指的就是应用输出能够向熟人端进行返回, 再对输出结果进行调节;短期电力负荷预测的反馈性原理, 实质就是通过不断的反馈调节来把预测准确性进行持续提高。6) 系统性原理:把待预测对象看作一个完整系统, 其自身就有其内在的系统, 所有这些系统, 通过相互作用相互渗透就构成了一个完整的系统, 这就是短期电力负荷预测的系统性原理。
2 关于短期电力负荷预测的方法分析
2.1 传统预测方法
用于短期电力负荷预测的主要有以下这些传统预测方法:1) 回归分析法:基于负荷原始资料的收集, 来完成可用于数学分析的模型建立, 从而来对未来负荷值进行有效预测;这种数学方法主要是对变量与变量之间的相互依存关系进行研究。2) 时间序列法:这种预测方法就是通过整理归类历史负荷资料, 来完成可描述负荷变化规律的数学模型建立, 在此基础上再应用已知的负荷数据来分析预测未来的电力负荷。3) 小波分析理论:这种预测方法, 就是通过分解各不相同的交杂在一起的不同频率信号, 直至把它们分解为各不一样的块信号为止。在完成小波变换, 主要是基于正交二进小波变换来进行操作, 这就可把负荷序列向不同尺度这个要求分别进行投影, 此时, 原序列中的那些各不相同的频域分量将分别由每个尺度上的子序列来代表;基于这个原则, 就能够分别预测各个不同的负荷序列。4) 灰色预测法:这种预测方法, 最大的特点在于, 其预测模型的建立, 主要是基于较少的数据做微分方程来完成的;再把一定范围内变化的历史数据列实施有效累加, 促使其能够呈现出具有上升形状且表现为指数增长规律的数列, 从而把此形状的数列转化为GM模型。
2.2 人工智能方法
当前, 人工智能方法主要有以下这三种:1) 人工神经网络法:这种预测方法, 主要是应用ANN, 即人工神经网络, 来把以往某段时间的负荷选取出来, 并当作训练样本, 接着再把一个较为合适的网络结构构造出来, 基于某一种训练算法来训练网络, 在保证能达到一定精度要求之后, 再以ANN来预测电力负荷。2) 专家系统方法:所谓专家系统, 实质就是某种知识推理系统, 它把各个领域不同专家的知识进行有效获取, 接着再实施推理, 最终就可获得相关问题的求解。3) 模糊控制法:这种预测就是基于模糊数学理论, 并以其为基础来描述电力系统中的某些模糊现象。不管是传统预测方法、还是人工智能方法, 均具有其优点和确定, 为把不同预测方法的优点进行充分发挥, 且有效避开各个方法所存在的不足, 就要结合负荷预测具体过程, 来把各不相同的预测方法进行有机组合, 以生成多种组合方法, 这在某种条件下可对模型的拟合能力进行有效改善, 并促使预测精度得到大幅度提高。
3 关于短期电力负荷预测的步骤分析
当前进行短期电力负荷预测, 主要采用定性预测, 不管应用哪一种预测方法, 都必须按照以下这些基本步骤及原则来进行操作:1) 对历史负荷数据资料进行有效选择和收集。结合负荷预测具体的要求和主要内容, 把进行预测过程中所要用到的各种资料收集起来, 此外, 再对所收集资料进行真假判断, 以便有效提高资料的可信度。2) 分析和处理历史资料。通常情况下, 因为负荷预测的质量不可能把所用资料的质量水平超过, 故在完成初步整理数据之后, 还需分析并处理所用的历史资料。3) 进行预测模型的建立。基于所制定的具体预测内容, 在详细分析所预测对象的基础上, 结合历史资料的具体发展状况, 来把一个最为科学合理的数学模型建立起来。4) 评价预测结果。在完成比较和综合分析预测结果的可信度之后, 基于预测预测人员的经验来对预测结果是否科学合理进行判断, 在此基础上再进行适当修正此预测结果, 从而把所需要的最终检查结果求得出来。5) 管理负荷预测。在完成提交负荷预测形成报告以后, 此时还没有把全部预测工作完成, 还应结合周围环境的变化来检验所预测应用的反馈信息, 若有需要, 还要进行相关的调整和进一步的修正。
4 结束语
总之, 短期电力负荷预测不仅是电力系统进行实时控制的前提, 同时也是电网调度部门所必须具备的一项重要信息;因此, 在生产过程中, 对短期电力负荷预测进行较为深入的分析和研究, 这不仅可有效提高电力系统运行的经济效益, 而且还可有效提高电力系统运行的社会效益。
参考文献
[1]张小平.短期电力负荷预报的自适应模糊神经网络方法[J].电力系统自动化, 2011.
电力系统短期负荷预测方法综述 篇6
短期负荷预测作用的大小主要取决于预测精度, 针对目前的短期预测方法进行了综合比较分析, 分析了各种预测方法的原理, 及其优点和不足之处, 并指出了未来短期负荷预测理论的研究方向, 为实际短期负荷的预测提供借鉴作用。
目前用于短期负荷预测的方法很多, 可以分为经典预测方法、传统预测方法和智能预测方法等, 然而, 目前尚无一个固定的方法和模型可以适用于一切短期负荷预测, 以下内容对各种预测方法进行了分析和比较。
1 经典方法。1.1回归分析法。回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素, 寻找自变量与因变量之间的相关关系及其回归方程式, 确定模型参数, 据此推断将来时刻的负荷值。回归分析法的优点是计算原理和结构形式简单, 预测速度快, 外推性能好, 对于历史上没有出现的情况有较好的预测。存在的不足在于对历史数据要求较高, 采用线性方法描述比较复杂的问题, 结构形式过于简单, 精度较低;该模型无法详细描述各种影响负荷的因素, 模型初始化难度较大, 需要丰富的经验和较高的技巧。1.2时间序列法。时间序列方法是目前电力系统短期负荷预测中发展较为成熟的算法, 根据负荷的历史数据, 建立描述电力负荷随时间变化的数学模型, 在该模型的基础上确立负荷预测的表达式, 并对未来负荷进行预测。时间序列方法优点是所需数据少, 工作量小;计算速度较快;反映了负荷近期变化的连续性。时间序列方法存在的不足在于建模过程比较复杂, 需要较高的理论知识;该模型对原始时间序列的平稳性要求较高, 只适用于负荷变化比较均匀的短期预测;没有考虑影响负荷变化的因素, 对不确定性因素 (如天气、节假日等) 等考虑不足[1]。
2 传统方法。2.1卡尔曼滤波法。卡尔曼滤波法又称为状态空间法, 如考虑非线性, 则应采用广义卡尔曼滤波法, 在这种方法中, 负荷是通过状态方程和输出方程来建模的。由于对历史数据进行滤波估计, 得到的是对系统下一个时刻状态的最佳估计, 而通过预报获得的新数据则反映了系统的未来状态, 因此, 它们的组合能够让预测模型获得更多的信息, 从而得到更加准确的预测值[2]。卡尔曼滤波法不足在于实际应用中难以估计出噪音的统计特性, 例如, 量测噪音和系统噪音方差等。2.2指数平滑法。指数平滑法采用电力系统负荷趋势外推预测技术, 是用过去数周的同类型日的相同时间负荷组成一组时间上有序的数组, 对该数组加权平均, 最后得出待预测时段的负荷值。指数平滑法的优点是将电力需求作为一个整体, 根据某个单一的指标进行预测, 方法虽然简单, 但比较笼统, 且很难反映当今经济、政治和天气等条件的影响。2.3灰色预测法。灰色系统理论在电力系统负荷预测中的应用受到了广泛的关注, 灰色预测是一种对含有不确定因素的系统进行预测的方法。灰色系统理论的优点是在建模时不需要计算统计特征量, 从理论上讲, 可以使用于任何非线性变化的负荷指标预测, 要求负荷数据少, 不考虑分布规律, 不考虑变化趋势, 运算方便, 短期预测精度高, 易于检验, 实用性能较好。不足之处在于要求负荷变化规律具有指数变化趋势, 对于短期负荷而言根本不能满足以上条件, 精度难以提高, 当数据离散程度越大, 即数据灰度越大, 预测精度越差。2.4小波分析法。小波分析理论是一种时域-频域分析方法, 对负荷序列进行小波变换, 可以将负荷序列分别投影到不同的尺度上, 各个尺度上的子序列分别代表了原序列中不同频域的分量, 可以清楚地表现出负荷序列的周期性。因此, 可以将小波分析方法用于电力系统短期负荷预测。Granger第一次将小波分析应用于短期负荷预测, 并证明了该方法的预测精度较高[3];小波分析不足之处是未能考虑天气、温度和湿度等诸多因素对负荷的影响, 而且预测结果与小波基的选择有很大关系。
3 智能预测法。3.1专家系统法。专家系统法是一个用基于知识的程序设计方法建立起来的计算机系统, 它拥有某一领域内的专家知识和经验, 并能像专家那样运用这些知识和经验, 通过推理对未来进行预测。专家系统的优点可以克服单一算法的片面性, 同时能够综合考虑多个影响因素, 该方法全过程程序化, 具有建模简单和快速决断的优点;专家系统具有丰富的经验、知识和高水平的技术, 而且经验可以不断丰富和积累, 不受时间和空间的限制而广泛使用, 永久保存。专家系统的不足之处在于在预测过程中容易出现人为差错;由于各地区的负荷具有各自固有的特征, 开发的专家系统都是针对某具体系统的, 不能直接应用于其他系统。3.2人工神经网络法。由于短期负荷受到天气情况和人们社会活动等因素的影响而变动, 存在大量的随机性和非线性关系, 因此, 神经网络能够非常好的处理此类非线性问题。人工神经网络的优点是对大量非结构性、非精确性规律具有自适应能力, 具有信息记忆、自主学习、知识推理和优化计算的特点, 还有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力。人工神经网络预测方法的不足在于神经网络的层数和神经元个数多依据主观经验确定, 难以科学地确定网络结构, 学习速度慢, 存在局部极小点, 记忆具有不稳定性等。3.3组合模型预测法。预测模型的选择是短期负荷预测精度关键点, 因此, 根据各种算法的优点和不足, 以及针对不同情况的预测精度的差异, 将几种算法有机地结合起来, 发挥各自算法的优势, 以提高预测精度和速度。例如, 有些学者将时间序列法与神经网络进行结合[4], 基于神经网络和模糊推理组合模型[5], 粒子群和神经网络相结合模型[6], 小波分析与神经网络组合模型[7], 模糊算法和神经网络组合模型[8], 等等, 这些方法的优点是克服了单个算法自身的不足之处, 使得优势互补, 预测精度高, 拟合速度快, 但是需要坚实的理论知识基础, 增加了建模难度和实际应用的困难。
4 短期负荷预测新方法。4.1支持向量机。支持向量机 (SVM) 方法是建立在统计学习理论上的一种预测方法, SVM是基于结构风险最小化原则的新型机器学习方法, 应用SVM方法进行短期负荷预测比传统方法有更高的计算精度, 且充分考虑了影响负荷的各种因素, 是一种很有价值的新方法;SVM方法具有坚实的数学理论基础, 收敛速度相对较快, 能找到全局最优解等特点。SVM方法的不足之处是由于存贮需求量大, 编程困难, 实际应用较难, 而且不能确定数据中的知识是否冗余, 以及作用大小[9];对于预测负荷曲线较平滑的系统, 能够取得较理想的效果;但是, 对于惯性较小、随机波动性较强的中小型电网, 其预测效果相对较差。4.2数据挖掘。数据挖掘是指从大量数据中挖掘出隐含的、对决策有价值的知识和规则的过程, 提取的知识可以表示成概念、规则、规律和模式等形式, 面对电力系统日益增加的数据信息量, 针对系统运行安全性和经济性的要求, 将数据挖掘用于短期负荷预测是非常有利的, 尤其在环境因素和社会信息等变化较大的条件下, 数据挖掘技术可以在错综复杂的庞大历史数中, 剔除错误和无用的数据, 挖掘出隐含在数据中决定短期负荷的影响因素, 得出短期负荷的真正变化规律, 从而提高预测精度。
5 结论
将目前的短期负荷预测方法作了一个综合的比较和分析, 指出了各种短期负荷预模型的优点和不足之处, 未来的预测工作有待加强对历史数据的处理, 准确估计预测模型中的参数, 并积极探索预测模型的新思路, 以满足电力市场环境下对负荷预测提出的新要求和赋予的新内涵, 而在实际应用中, 应根据当地短期负荷的具体特征和各种影响因素进行灵活地选用预测模型。
摘要：首先论述了短期负荷预测的特点和预测精度的影响因素, 然后将目前的算法分为经典方法、传统方法、智能方法和预测新方法, 综合分析了目前各种预测方法的原理, 分析和比较各个方法的优点和不足之处, 最后, 指出了提高短期预测精度的方法和未来发展方向。
关键词：电力系统,短期负荷预测,专家系统
参考文献
[1]叶瑰昀, 罗耀华, 刘勇, 等.基于ARMA模型的电力负荷预测方法研究[J].信息技术, 2002, 06:74-76.
[2]张民, 鲍海, 晏玲, 等.基于卡尔曼滤波的短期负荷预测方法的研究[J].电网技术, 2003, 27 (10) :39-42.
[3]Granger C.W.J, Combining Forecasts-twenty Years Later[J].Journal of Forecasting, 1989, 8 (3) :167-173.
[4]卢建昌, 王柳.基于时序分析的神经网络短期负荷预测模型研究[J].中国电力, 2005, 38 (7) :11-14.
[5]何俊峰, 张步涵.基于神经网络-模糊推理综合模型的短期负荷预测[J].中国电力, 2005, 38 (4) :32-35.
[6]蔡金锭, 付中云.粒子群神经网络混合算法在负荷预测中的应用[J].高电压技术, 2007, 33 (5) :90-93.
[7]邰能灵, 侯志俭.基于小波模糊神经网络在电力系统短期负荷预测中的应用[J].中国电机工程学报, 2004, 24 (1) :24-29.
[8]赵宇红, 肖金凤, 陈忠泽.混合模糊神经网络在短期负荷预测中的应用[J].电力系统与自动化学报, 2006, 18 (2) :99-104.
短期电力系统负荷预测方法综述 篇7
电力系统负荷预测是电力系统规划的重要组成部分, 也是电力系统经济运行的基础。它从已知的用电需求出发, 充分考虑政治、经济、气候等相关因素的影响, 预测未来的用电需求。负荷预测包含两方面含义[1]:对未来需求量 (功率) 的预测和未来用电量 (能量) 的预测。电力需求量的预测决定发电、输电、配电系统新增容量的大小;电能预测决定发电设备的类型 (如调峰机组、基荷机组等) 。电力系统负荷预测的结果可以在一定程度上反映负荷的发展状况和水平, 电力生产部门和管理部门以此为依据制定生产计划和发展规划, 确定各供电区域各规划年供用电量、供用电最大负荷和规划地区总的发展水平, 确定各规划年用电负荷构成[1,2,3,4,5]。
电力系统负荷预测一直是一个重要的研究课题, 国内外学者进行了广泛的研究工作, 提出了多种有效的预测方法。本文对这些方法进行了归纳、分类, 概述了各种预测方法的原理, 并对它们的优点与不足进行讨论。在此基础上对电力系统负荷预测方法未来的发展方向做出展望, 为实际负荷预测工作提供借鉴。
1 电力系统负荷预测方法分类
电力负荷预测可以分为长期负荷预测、中期负荷预测、短期负荷预测以及超短期电力负荷预测[3]。本文研究的负荷预测主要针对未来一星期时间内的任何一天的短期电力负荷预测, 提高短期电力负荷的预测精度对电力系统安全、稳定、经济运行, 最优潮流计算以及实现合理调度有着举足轻重的意义。
世界各国对短期电力负荷预测的研究已经有较长的历史, 世界许多优秀专家、学者在短期负荷预测领域都做了大量的研究与实验, 并且在该领域取得了较大的进展。学者们提出了许多短期负荷预测的方法, 其中主要的预测方法可以分为以下几类:经典预测法、传统预测法、现代预测法[4]。
2 经典负荷预测
经典负荷预测技术严格来讲不能称为真正的负荷预测方法, 该方法运用简单的变量关系以及运行经验, 针对未来的电力负荷变化做出方向性结论, 其预测的精准度并不理想, 在实际应用中过度依赖于值班人员或学者的相关经验, 在实际运用中往往采用该方法对预测结果进行验证。经典负荷预测技术包括:单耗法、人均电量指标换算法、弹性系数法、分区负荷密度法等[5]。
3 传统负荷预测
传统的负荷预测方法主要包括时间序列法、趋势外推法、回归分析法和灰色模型法等[6]。
3.1 时间序列法[7]
所谓时间序列法, 就是把电力负荷看成一种时间序列的集合, 根据电力负荷历史数据抽象出负荷随时间变化的规律, 构建预测模型并预测未来负荷的大小。该预测方法在系统稳态运行、环境因素相对稳定的情况下效果较好。如果电网存在较大波动或数据库存在坏数据时, 预测结果并不理想。
3.2 趋势外推法[8]
趋势外推法又称为趋势曲线拟合、曲线回归或曲线分析, 是一种定量预测法。该方法在历史数据的基础上, 抽象并总结出待测数据的变化规律, 绘出反映该规律的拟合曲线, 同时建立已有数据随时间变化的模型y=f (t) 。假设该曲线能够延伸, 将时间t赋予未来需要的值, 并通过高等数学计算便可以得到待测数据。趋势外推法在处理历史负荷数据以及曲线拟合过程中都不考虑随机误差。运用该方法时应当注意, 不同预测模型间的曲线拟合度相差很大, 当趋势曲线选取合适时预测结果比较理想, 否则预测误差会很大, 所以应该依据不同的区域构建恰当的模型。最常用的趋势模型有:线性趋势模型、多项式趋势模型、对数趋势模型等。
3.3 回归分析法[9]
该方法通过电力负荷历史数据建立数学模型, 利用数量统计中的回归分析法对变量观测数据进行分析, 并依据变量间的相互关系来预测未来电力负荷。在回归分析法中, 受负荷因子不确定性以及多样性的影响, 该方法在有些情况下有较大误差。为此, 需要用模糊线性回归法将回归系数模糊化, 使预测结果更加精确。
3.4 灰色模型法[10]
该方法以灰色系统理论为基础, 对含有不确定因素的系统进行预测, 在数据不多的情况下找出某个时间内的作用规律并以此建立预测模型。灰色模型法包括普通灰色系统模型和最优灰色预测模型, 前者是一种增长模型, 当负荷严格按照指数规律增长时, 该预测方法预测精度高、计算简洁, 但是对于有波动性的系统而言, 其预测精度较低。最优灰色预测模型把有波动的历史数据序列转化成有较强规律性的指数递增变化序列, 提高了负荷预测精度及其应用范围。
4 现代预测方法
现代预测方法包括:人工神经网络预测法、专家系统预测法、小波分析预测法、数据挖掘技术预测法、遗传算法、模糊预测法等。
4.1 人工神经网络预测法[11]
人工神经网络是近年来比较热门的预测方法。人工神经网络由大量神经元组成, 是一种通过模拟生物大脑的处理模式来获得智能信息处理功能的非线性预测系统。人工神经网络可以模仿生物大脑对大量非精确性、非结构性规律进行智能化处理, 它具有自主学习、记忆、推理和优化计算的特点, 尤其是自学习能力和自适应功能是其他算法无法比拟的。
4.2 专家系统预测法[12]
通俗来讲, 专家系统预测法就是一个拥有专门知识和经验的计算机程序系统, 通过推理与运用, 在有关领域内做出智能决策。该方法在电力负荷预测中, 要先建立负荷预测模型, 对待预测日的负荷进行初步预测, 再结合专家经验对初步预测进行修正。该方法克服了单一算法的片面性, 全过程的程序化处理使得该预测方法具有快速、精确的优势。
4.3 小波分析预测法[13]
小波分析是一种时域———频域分析方法, 该方法具备较好的局部化性质。电力负荷具有多种周期性, 该方法把电力负荷曲线看作由多种频率交织在一起的混合信号, 可以聚焦任何细节, 并通过对不同的投影尺度分别进行预测和重构, 得到完整的预测结果。考虑到该方法特有的优势, 小波法的实际应用范围比较广。
4.4 遗传算法[14]
遗传算法以自然选择以及群体遗传学为基础, 通过选择、交叉、变异、评价等操作, 使群体进化到搜索空间中的最佳区域。可以采用遗传法优化BP神经网络的参数, 比如网络的初始连接权值以及节点的阈值。
5 结语
短期负荷预测系统在开平电网的应用 篇8
传统的负荷预测主要是凭靠预测人员的干预完成的，对预测人员的素质、分析能力和运行经验都有很高的要求。其发展可分为两个阶段：第一阶段，预测人员完全依靠自己的经验独立完成预测;第二阶段，通过EMS预测软件，参考软件分析结果，以人工干预和修正完成预测[1]。
随着开平电力市场负荷的快速发展，电力负荷所受的影响因素大大增加，并日趋呈现社会化、复杂化。面对复杂的电力负荷变化规律，传统的以人为主的负荷预测方式难以适应需求。同时，随着电力市场的进一步开放，调度中心负荷预测的准确性、实时性、可靠性及智能性都提出了更高的要求。
短期负荷预测系统的基本功能:据电网自动化的技术要求, 负荷预测软件功能要求主要针对短期负荷预测。短期负荷预测主要预测未来1日24小时负荷的变化;由于影响负荷变化的因素很多，而且很多因素不好量化，又是不确定的，因此如何将这些因素对负荷的影响考虑到负荷预测中去，就是目前各种负荷预测模型和算法所研究的问题。
1 短期负荷预测系统
电网自动运行的短期负荷预测系统中集成了供电局SCADA/EMS/MIS系统、气象台气象预报系统、计划上报系统的数据。它依照参考信息采集、辨识、分析;算法组织、预测;制定、上报文件等步骤一体化自动完成，实现了一套可以脱离人工值守的闭环运行的短期负荷预测系统。其具体功能如下:
(1)预报未来一天内按5-15分钟分布的用电负荷和网供负荷。采样步长可变，即不同时间段的Δt可根据需要增减;
(2)可以对计算出的负荷值进行调整修改;
(3)按季节、按正常工作日和节假日的模型分别预测负荷，预报数学模型考虑事先已知的
(4)其他人为因素。模型参数可以根据实际负荷值进行修改;
(5)可以考虑气象因素，如;气温、晴雨云等;
(6)负荷预测每24小时定时运行一次，也可以人工随机启动运行;
(7)负荷预报结果可以提供以多种方式输出，包括曲线输出和显示拷贝;
(8)可按用户要求将预测结果发送出去或按一定格式形成数据文件，可以作为其他电网应用软件的数据源应用;
(9)可以在预测结果表格中直接修改预测结果，也可以对预测结果曲线进行修改，修改结果直接在图形上显示;
(10)可以对负荷预测结果的精度进行统计分析和评估;
(11)采用一元线性回归法(ULR)、时间序列法、最小二乘法和人工神经网络法(ANN)进行负荷预测，并对几种方法的结果加权平均;
(12)预测结果同时以表格和曲线两种形式给出，以便进行查询和修正，同时显示最大预测负荷、最小预测负荷及相应出现时间、平均预测负荷、预测电量等信息;
(13)可以曲线或表格形式将历史数据显示出来，供维护人员查询和修改;
(14)如果预测日是某一历史日，则还可以显示历史数据和曲线，以便于与预测结果和曲线直接比较。同时给出预测平均误差、预测最大误差等信息。
2 短期负荷预测系统在开平电网的应用
依照江门局要求，为确保开平局每日12:00(前)准时上报未来一日到多日的负荷计划，本负荷预测系统采用定时控制完成各步操作;
(1)定于每日2:00，通过供电局局域网络，采用Oracle数据访问接口，经Win98ODBC管理，从SCADA/EMS/MIS系统收集电网前一日历史实况负荷数据。对所采集的历史数据进行坏数据辨识和修正，并装载入预测系统信息储备仓库，参照数据分析结果，对各负荷预测算法完成建模训练;
(2)定于每日11:00，采用软件控制，经Modem自动拨号，通过电话拨号网络登录开平市气象台气象预报/采集系统，采集前一日实况气象数据及未来一日到多日的气象预报数据。对气象数据进行辨识，并装载入预测系统信息储备仓库，对未来一日到多日负荷进行预测，通过误差辨识修正预测算法模型;
(3)定于每日11:30，启动自动负荷预测进程，经检测负荷信息—读取气象信息—对预测日参数初始化—做负荷预测等步骤，完成未来一日到多日的负荷预测。
要实现自动预测准确目标，预测系统运行的可靠性与其预测准确率同等重要。在全自动运行过程中，系统运行的稳定性和可靠性的最大隐患在于预测前拨号提取气象信息及预测后拨号发送计划文件的过程。通过气象局的数据准确性输入是成功的关键。
3 短期负荷预测中的特殊问题及解决方案
开平市作为中等城市，由于负荷受多方面影响。特别是气温因素影响，其变化规律模糊，随机分量大，不确定性强，负荷表现为峰谷差大、工作日/休息日负荷变化大，要实现准确预测必须尽可能的采集到准确、丰富的参考信息，主要包括：历史实况负荷和气象信息、预测算法及自组织方案.
3.1 历史负荷数据辨识及修正
历史实况负荷数据是负荷预测系统建立算法模型的基础，其数据质量的好坏直接决定负荷预测准确率的高低。然而，由于电网数据采集系统(SCADA)采集设备或传输设备质量不高，容易造成一些坏负荷数据：另一方面，电网中，一些人为或非人为的突发事件(如重大事件、电网故障、停电检修等)影响用电负荷，造成畸变负荷数据。这些坏数据若直接参与预测，必然误导负荷预测分析和建模，降低预测准确率。为此，在无人值守情况下，负荷预测系统必须具备坏数据辨识和修正的功能[2]。统计数据表明，电力系统中异日同时刻负荷绝对值波动较大，但是，对于同星期类型(比如都是星期一，节假日除外)的各日，各采样时段的负荷变化率，即时段负荷变化率=(两相邻时段负荷差/日平均负荷)×100%保持相对平稳，即随机量统计方差σ与其统计均值μ比值绝对值较小。基于以上原理，本套负荷预测系统采用概率统计方式辨识和修正历史负荷数据中存在的坏数据及突发数据，其方案如下：
(1)统计各时段负荷上升率R的均值μ和方差σ。在99.7%置信度下，该上升率R的置信区间(υ-3σ)～(υ+3σ)。
(2)计算待考核点与其前一时刻点间实际的上升率R。若R，超出R的置信区间，则认定该考核点为坏数据或突发数据点;
(3)采用概率极大似然估计修正坏数据，使其前后时段负荷上升率分别满足各自的置信区间要求。
对开平电网2005年和2006年抽样星期的模拟坏数据的修正结果表明，对于间断型坏数据(通道坏数据)，修正平均准确率达98.2%;对于连续型坏数据(畸变坏数据)，修正平均准确率保持在80%以上，连续坏数据越少，准确率越高。
3.2 气象数据存储及应用
引入气象信息参与负荷预测是目前国内外提高负荷预测准确率的研究热点。由于南方气候条件复杂，对用电负荷变化规律有明显影响的气象特征量丰富。为此，充分吸收和利用每日气象信息是提高电网负荷预测准确率的关键。而有效的描述、记录这些气象特征量则是分析其信息的基础。
(1）气象数据存储
预测系统采用了气象信息编码方案存储每日气象信息。该方案为所需要的气象特征量指定规范的代码和数据存储格式。各日气象信息分实况部分和预报部分分别存储，预测系统通过存储规范区分预报数据和实况数据，并通过扫描特征编码提取信息量。应用表明，该方案灵活实用、开放性好。
(2）气象数据实用化处理
日常采集的气象特征量，有些具有连续性(如气温、气压、湿度等)，另一些却是离散的仰降雨量)。将离散数据转化为连续数据是处理离散特征量的一种有效途径。负荷预测系统充分注意到气象特征的“积累效应”，采用“积累因子”处理气象信息。即注意到，对某日的负荷变化，其气象影响因素不但取决于该日气象各特征量的值，还取决于这些值在近几日内的变化情况。即某日的负荷变化不但受该日气象特征影响，还受其最近几日的气象变化趋势所影响。如对于炎热的夏秋季节，一场大雨不但影响当日的负荷变化，还要影响次日乃至其后几日的负荷水平;再如，同样是30℃的高温天气，如果连续持续多日，其对后几日负荷的影响一定与其刚出现时对负荷的影响不同。引人气象“积累因子”的处理方式如下;
负荷预测系统对各气象信息进行统计，结合相应日期的负荷变化情况进行分析，计算出各气象特征量的“积累因子”rj (j=l, 2, 3……)。
定义第i日第j个气象特征相对值W'i·j与实际值Wi·j的关系为
式中i, j=l, 2, 3……
在预测过程中，应用W'i·j代替Wi·j参与预测，体现该特征值的“积累效应”。以上折算方案充分体现了气象信息的延时时效，并实现了气象离散量到连续量的转化。应用表明，它是合理、有效、实用的。
3.3 预测算法及自组织方案
电力系统的负荷变化规律不但繁杂，而且具有很强的时效性和随机性，乃至连续两日的负荷变化规律都有很大的差别。对于这样的系统，根本不可能仅采用一种算法来对其进行高准确度的模拟。综合模型预测法是当前实用的预测系统普遍采用的预测模式。在采用综合模型预测法的预测系统中，每种简单的负荷预测算法(比如线性外推、指数平滑等)对负荷变化规律的某一个特征进行模拟;预测系统采用权重优化对各算法进行加权组合，形成预测综合模型，并采用它完成预测。而权重优化通常采用历史负荷数据进行模拟预测，根据不同算法的模拟预测结果确定各自算法应取用的权重。
不可能事先完全知晓电力系统负荷变化规律是由哪些特征模型组成的。因此，一套适应性强、准确率高的预测系统必然需要添置各种可能的算法，以期望通过它们尽可能地跟踪系统负荷的变化。根据开平市电网负荷变化特点，本套负荷预测系统采用了以下12种算法进行综合模型优化：人工神经网络法、线性外推法、周线性外推法、曲线(3阶)外推法、指数平滑法、周指数平滑法、星期气温综合回归、周气温综合回归、AR模型预测法、周AR模型预测法、周峰值预测法、电量趋势预测法。
在应用的算法中，无论其建模过程设置了多少可变参数，其模拟的规律总是相对固定的。比如，常用的线性外推模型，无论参数怎样变化，模拟的总是一条直线。实际的电力系统负荷变化是多样的，特殊情况下，可能造成某个或几个预测算法失败、无效、甚至起负面效果。对深圳电网系统，某些预测算法在某些预测日期下失效的情况时有发生。对于这些无效甚至反效的预测算法，若预测软件没有一定的管理机制对其进行剔除，必然对预测结果造成坏的影响。因此，一套完整的负荷预测系统必须具备算法挑选、算法组织功能。
负荷预测系统通过三个步骤完成算法挑选和组织：
(1)系统针对各算法的预测结果，采用逻辑分析手段辨识其有效性，对于无效或失败的预测算法进行直接剔除;
(2)系统对保留的算法进行离群分析，认为预测结果与其余算法预测结果偏差最大的算法无效，此机制循环进行，直到各算法均满足合群条件;
(3)系统对保留的算法进行无约束权重优化，对权重为负且权重绝对值较大者进行逐一剔除，直到各算法权重在合理范围。经过以上算法组织机制，确保保留下来的预测算法能组合出相对最优的综合模型，从而保证了预测系统的月运行率及日平均准确率。运行记录表明，该算法组织机制下实现的系统月运行率为100%。
4 结论
开平电网通过使用短期负荷预测系统，采用了采集信息、负荷预测、上报计划自动闭环运行模式, 实现了“无人值守负荷预测”的目标.长时间的运行表明, 该系统运行可靠、稳定，预测准确率达到认可水平，满足实用化要求。
摘要：短期负荷预测主要预测未来1日24小时负荷的变化。开平供电局采用的短期负荷预测系统是由供电局SCADA/EMS/MIS系统、气象台气象预报系统、计划上报系统组成。笔者还介绍历史负荷数据辨识及修正和气象数据存储及应用等特殊问题的解决方案。
关键词：短期负荷预测,气象数据
参考文献
[1]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.
短期负荷 篇9
1 系统结构与功能
该系统从程序设计角度主要分为:数据处理模块、负荷预测模块、数据显示模块。该系统是在Windows XP软件环境下,采用VC++6.0编程,并结合Access 2000数据库实现的。系统的结构如图1所示。
1)数据处理模块。这个模块主要是对历史数据的处理,包括原始负荷数据的导入、气象数据的导入、预测数据的导出[2]。其中原始负荷数据和气象数据从Excel表中导入,表中的每一列为一个月的数据或一天的96点负荷;导出的预测数据为文本格式,每次导出一天的负荷,按4行×24列的格式输出。由于负荷预测的精度在很大程度上受到原始数据准确度的影响,而原始数据往往都是从EMS实时系统采集的,这就会造成某些原始数据的错误与不真实,因此,在系统中利用数据预处理模块判断和处理异常数据。系统主要处理2种异常数据:数据跳变、数据缺失。数据清理模块是为了加快程序运行速度而设计的,一般情况下,短期负荷预测需要的历史数据不会超过5年,适时地清理数据可以大大提高查询效率。
2)负荷预测模块。这是整个系统中最重要的一部分,预测方法的选择能很大程度上影响负荷预测的精度。结合某市的实际情况,目前系统中总共使用了3种负荷预测方法:普通灰色模型,不考虑气象数据,并可由有经验的调度人员自己选择相似日,适合于大部分的普通日预测;多变量灰色模型,需要气象资料的参与,程序根据历史日的气象信息自动在历史数据库寻找最接近的相似日,主要用于夏季、冬季气候温差变化比较大的季节的负荷预测;人工经验模型,根据走访多个电力局的结果,将其调度人员的人工经验转化为程序算法,目前主要用于节假日负荷预测。
负荷往往是一个随机的时间序列,受到多种因素的影响,比如重大政治活动、民间节日、大用户负荷的拉闸限电,这些情况都是不可预知的,需要调度人员对负荷预测数值进行人工修正。系统提供了“参数修正”的功能,可以让调度人员对某一时段内的数据进行调整,也可对每15 min的数据进行修正。
往往节假日的负荷会大大低于普通日的负荷,为此必须对普通日和节假日采用不同的预测模型。系统中默认的节假日包括:春节、五一、国庆、元旦。随着时代的发展,国家政策会不断调整,相应的节假日也会做不断调整。系统中设计了“修改日类型”的功能,专门设计了一个“节假日定义”的配置文件,调度人员可在此处修改某一天的日期类型,也可以增加或修改节日。
负荷预测精度是对电网的负荷预测结果相对于实际发生负荷的偏离程度的事后衡量指标,是电力主管部门促进各级负荷预测部门提高负荷预测精度的考核手段之一。系统中采用了现行的短期电力负荷预测考核标准:式中:LFi,LRi分别为负荷的预测值和实际值,n为日负荷预测总点数(一般为96点),Ei为单点负荷的相对预测误差(i=1,2,…,96)。
3)数据显示模块。这部分主要是负荷预测数据的显示和历史数据的显示。显示分两种方式:图形方式和列表方式。调度人员在查看历史数据时,还可同时查看该日的气象信息和数据状态(数据是否异常)。
“统计分析”功能主要是方便调度人员查看历史日的预测精度,目前系统默认的设置是10天。
2 数据库设计
数据库的设计是程序实现的基础,设计的好坏关系到程序的维护及其生命周期。在进行了数据分析之后,设计了如下数据库:
(1)历史负荷数据库。用于存储预测所使用的原始负荷数据,主要包括如下字段:日期(文本格式,6位字符,比如将2005年5月12日记为050512);96个双精度格式的数据字段,用来保存一天的负荷记录。
(2)预测数据库。用于保存预测结果,调度人员从此处导出数据,上报上级电力主管部门。字段要求和历史负荷数据库相同。
(3)气象资料数据库。考虑到气象对负荷变化的影响,并且很多预测模型中需要使用气象数据,设此数据库用来提高负荷预测精度。根据某市所能提供的气象资料,数据库中包含如下字段:日期,文本格式;最高气温,单精度格式;最低气温,单精度格式;平均气温,单精度格式;降雨量,单精度格式。
(4)数据状态和日期类型数据库。为了使程序搜寻相似日的速度加快,并剔除坏数据的影响,设此数据库。它主要包含如下字段:日期,文本格式;日期类型,整型;数据状态,整型。
这些数据库之间不是孤立的,它们之间存在一定的联系。图2为数据库设计的E-R图。
图2中,HIST表示历史数据库,FORE表示预测数据库,WEA表示气象数据库,PROP表示日期类型和数据状态数据库,DATE表示日期字段,DATA表示96点负荷字段,TEMP表示气象属性,TYPE表示日期类型字段,STATUS表示数据状态字段。
3 实例分析
鉴于某市曾在2005年7～8月份实行了拉电,同时缺乏8月份以后的气象数据,为了测试短期电力负荷预测系统的功能,文中只选取了该市2005年11月份一周的数据进行统计分析。该预测是在完全没有人工干预的情况下由程序选取普通灰色模型自动预测的。其统计情况如表1所示。
从表1可以看出,系统在没有人工干预的状况下,其普通日自动预测精度大部分都达到了95%以上,最大误差都小于10%,精度满足要求。相信在调度人员的人工干预下,精度应能有进一步的提高。
4 结语
该短期电力负荷预测系统界面美观,简单实用,无需调度人员有很强的专业背景即可进行预测;同时,用户可根据国家政策的调整,进行节假日的增加、删除,延长了软件的生命周期;此外,软件还提供了完善的人工修正界面以帮助用户根据实际情况对预测值进行调整。实践证明,该系统在减轻调度人员负担,实现调度自动化方面发挥了重要作用。
参考文献
[1]牛东晓.电力负荷预测技术及应用[M].北京:中国电力出版社,1998.