短期電量預測的應用實例

1引言

電力負荷預測是根據(jù)電力負荷、經濟、社會、氣象等的歷史數(shù)據(jù)，當前及未來天氣信息，預測未來電力負荷的過程。

負荷預測是電力系統(tǒng)運行管理的關鍵組成部分。工業(yè)、民用、公用事業(yè)用電負荷特性迥異，電力負荷及用電量因天氣、社會活動的變化，具有很大的波動性和季節(jié)性;對電力負荷作出正確的預測，是電力系統(tǒng)制訂擴容、運行、檢修等計劃的基礎。為了電力系統(tǒng)運行的有效性和運行效率，我們需要正確地預測系統(tǒng)負荷;如果系統(tǒng)負荷預測過高，系統(tǒng)發(fā)電容量偏大導致運行成本過高;相反，如果系統(tǒng)負荷預測偏低，將會影響到系統(tǒng)的可靠性和安全性。

2負荷預測的主要分類：

2.1按照預測指標分類:

電力負荷預測可分為電量預測和電力預測。電量預測包括社會用電量、網(wǎng)供電量、行業(yè)電量、區(qū)域電量等，電力預測包括最大負荷、最小負荷、負荷率、負荷曲線等。

2.2 按照預測時間的長短分類，負荷預測可分為以下三類：

2.2.1長期負荷預測：3～5年甚至更長時間段內的負荷預測，用于電力公司規(guī)劃管理，進行未來擴建、電網(wǎng)改造、設備采購、人員招聘等預測;

2.2.2中期負荷預測：月至年的負荷預測，用于燃料供應和機組維護的計劃，功率共享協(xié)調;

2.2.3短期負荷預測：指日負荷預測和周負荷預測，用于經濟運行計劃，機組發(fā)電系統(tǒng)管理，安全分析，短期維護等。

2.2.4超短期負荷預測：是指未來1h以內的負荷預測，用于預防性控制和緊急處理。

3短期負荷預測的常用方法：

隨著科學創(chuàng)新產生的新方法、計算機技術發(fā)展營造的實時環(huán)境和電力營銷機制的發(fā)展，二十世紀九十年代中期以來，短期負荷預測在電力文獻中是很常見的研究課題。盡管許多方法經過了測試并證明其實用性，目前還沒有一種強大的通用方法，主要是因為特定情況下的環(huán)境和需求對適用模型的選擇有著重大影響。

3.1時間序列分析法：

時間序列分析模型由美國學者George Box和英國統(tǒng)計學家Gwilym Jenkins在1968年提出，被認為是最經典、最系統(tǒng)的預測方法，是短期負荷預測的常用方法。

3.1.1自回歸——移動平均模型(ARMA，AutoRegressive Moving Average)：

自回歸模型(AR，AutoRegressive)負荷的現(xiàn)在值由過去值的加權值的有限線性組合及一個干擾量來表示;移動平均模型假設干擾的影響只表現(xiàn)在有限的幾個連續(xù)時間間隔內，自回歸——移動平均模型既包含自回歸部分又包含移動平均部分。

3.1.2累積式自回歸——移動平均模型(ARIMA，AutoRegressive Integrated Moving Average)：

電力系統(tǒng)負荷受季節(jié)、天氣、社會活動、設備狀況等因素影響，負荷時間序列的變化會出現(xiàn)非平穩(wěn)的隨機過程。通過差分將負荷時間序列進行平穩(wěn)處理，然后按照3.1.1和3.1.2的平穩(wěn)時間序列模型進行建模;這就是累積式自回歸——移動平均模型。

3.1.3季節(jié)性綜合自回歸移動平均模型(Seasonal ARIMA)：

每日負荷與前一天和上一周相同日具有相似性，不同季節(jié)之間的負荷具有明顯的區(qū)別;累積式自回歸——移動平均模型加上季節(jié)性因素以后，形成季節(jié)性綜合自回歸移動平均模型。

3.2基于人工智能網(wǎng)絡技術(ANN，Atificial Neural Network)的預測方法：

研究人員常常使用基于人工智能網(wǎng)絡技術的方法進行負荷預測并取得很好的效果，這些方法的亮點在于假設人工智能網(wǎng)絡對負荷特性有學習能力。

3.2.1什么是人工智能網(wǎng)絡(ANN)?

人工智能網(wǎng)絡始于人們認識到人的大腦以完全不同常規(guī)的數(shù)字計算機。人腦是一個高度復雜的、非線性的、并行的信息處理系統(tǒng)，組織神經元以超過當今最快的計算機數(shù)倍的速度進行運算;例如，在陌生的環(huán)境中辨別一張熟悉的人臉，大約只需要100~200毫秒，而常規(guī)計算機執(zhí)行一項相對簡單的任務還需耗費數(shù)天之久。

人工智能網(wǎng)絡將人腦處理特定任務的方式進行模型處理，由電子元件或計算機軟件模擬過程執(zhí)行，是由通過學習過程具有存儲經驗知識并使用的許多單一處理單元組成的大型并行處理機器。

3.2.2人工智能網(wǎng)絡的優(yōu)勢：

經過培訓的人工智能網(wǎng)絡可以作為某個信息類別的“專家”，為新情況指明方向或回答判斷路徑問題等。

人工智能網(wǎng)絡是功能極其強大的、高效的并行處理機器，具有學習和歸納能力，對錯誤和噪音具有特別的適應性。

3.2.3人工智能網(wǎng)絡的結構：

單層前饋網(wǎng)絡：

4研究對象和模型選擇：

4.1研究對象：

本文選擇供電區(qū)域內的一個典型的500kVA變壓器作為負荷預測分析的對象，負荷以居民用戶為主、兼有商業(yè)和非工業(yè)單位用戶。

本文嘗試對單個變壓器的每日用電量進行預測分析。單個變壓器的負荷波動性較大，特別在周末和節(jié)假日，游客數(shù)量多少對該變壓器用電量影響較大，因此預測的難度相對加大。

4.2方法和模型選擇：

本文選擇時序系列分析法為基本研究方法，考慮天氣、季節(jié)等因素，對負荷時間序列進行平穩(wěn)處理;以EXCEL表格為基本分析工具，采用人工智能網(wǎng)絡技術對天氣、季節(jié)各變量分配相應的權重，同時對誤差進行及時修正。

4.3數(shù)據(jù)時間范圍：

由于今年3月份開始收集負荷數(shù)據(jù)，因此負荷數(shù)據(jù)的時間長度只有三個月，暫時沒有定義出各季度變量的權重系數(shù)，有待下一步在積累更多數(shù)據(jù)后進行分析。

5電量預測及結果分析：

5.1輸入：

5.1.1天氣信息：

每日最高溫度、最低溫度、濕度、平均風力、晴雨、臺風等。

5.1.2電量數(shù)據(jù)：

兩周內每天的電量數(shù)據(jù)，各自權重分別定義如下表：

基準電量預測系數(shù)表(舉例)

備注：共分為周六、周日、周一、周二(周三、周四)、周五共五種系數(shù)定義。

5.2日類型的定義：

該變壓器的負荷特性與海島旅游聯(lián)系較為緊密，周一與周五負荷較小，周六周日負荷比周二周三周四稍高，假日通常比平日負荷略高，假日前后負荷比平日相對有所提高。根據(jù)這些特點，我們將日類型分為周一、周二(周三、周四為同一類型)、周五、周六、周日、假日1、假日2、假日前一天、假日最后一天共八種類型。

日類型定義一覽表

5.3電量預測計算：

5.3.1根據(jù)前14天的歷史數(shù)據(jù)計算出本周(前1~7天)和上周(前8~14天)的電量基準值(系數(shù)詳見5.1.2中的表格);

5.3.2按照本周和上周的系數(shù)定義計算出預測日的電量基準值;

E基準= E本周 * K本周 + E上周 * K上周

5.3.3根據(jù)每日最高溫度、最低溫度、濕度、平均風力、晴雨、臺風等天氣信息確定每天各因素相關系數(shù)，各系數(shù)乘積為預測日的系數(shù);

K kwh = K d*K c* KTmin * KTmax * h * Kw* Kd

K kwh ：預測日的總系數(shù);

Kd ：預測日的日類型系數(shù);

Kc：預測日的天氣系數(shù);

KTmin、KTmax：預測日的最低、最高氣溫系數(shù);

Kh：預測日的濕度系數(shù);

Kw ：預測日的風力系數(shù);

5.3.4計算預測日的預測電量E′：

E′= E基準* Kkwh

5.3.5計算預測日的預測電量E：

為了更好地反映實際情況，將預測日的預測電量E′、前三天實際電量平均值和前三天預測電量平均值根據(jù)預先設定的系數(shù)求和，得出預測日的預測電量值E(公式如下)：

E=E′* K計算+E實際* K實際+ E預測* K預測

5.4輸入值、輸出值的反饋：

5.4.1每天預測電量：

每天預測電量作為預測當天的輸出結果，也作為以后14天電量預測輸入值之一，本文計劃將每天預測電量中的干擾減小，如果某天預測電量的誤差值超過預先設定的百分比(如5%)，則取該日預測電量E乘以1與誤差值二分之一的差值的乘積作為該日預測電量的輸入值，這樣可以稍微減小預測誤差(詳見5.5.1的圖表)。

5.4.2每天實際電量：

每天實際電量作為以后14天電量預測輸入值之一，本文考慮將每天實際電量中的干擾降低，如果某天實際電量與前三天實際電量平均值相比連續(xù)兩天超過預先設定的百分比(如5%)，則取前三天實際電量均值和當天實際電量的平均值作為當天實際電量的輸入值。

5.5電量預測結果分析：

5.5.1誤差曲線：

5.5.2誤差分析：

如圖可見，電量預測的誤差值比較大，為通常預測誤差的兩倍左右。主要原因是單個變壓器的負荷變化較大，預測的難度相對于地區(qū)的總電量的預測要大許多;采用EXCEL表格而不是專門為電量預測而編寫的計算機程序作為預測工具，預測方法的應用和準確度會受到一定影響。

5.5.3今后分析方向：

為了驗證本文中所采用的多步驟計算、多種系數(shù)定義、輸入平穩(wěn)處理等方案的應用EXCEL工具的負荷預測方法，日后在獲得完備的地區(qū)負荷、電量數(shù)據(jù)時考慮將地區(qū)負荷及電量作為分析對象。今后應積累更長時間的數(shù)據(jù)，改進預測方法;同時考慮季節(jié)的不同，對不同季節(jié)的負荷及電量進行預測。

此外，調整天氣變量的系數(shù)或設置權重系數(shù)、調整基準電量的各日權重系數(shù)、調整各類型日的系數(shù)以及如何設置節(jié)假日極其系數(shù)，也是提高負荷預測、電量預測的準確度需要考慮的重要因素。

參考文獻：

《電力系統(tǒng)負荷預測》康重慶，夏清，劉梅，中國電力出版社，2007年7月

《NEURAL NETWORK MODELS FOR SHORT-TERM LOAD FORECASTING》

Pauli Murto, Helsinki; January, 1998

《Short-Term Load Forecasting Using Time Series Analysis: A Case Study for Singapore》

Jianguang Deng, and Panida Jirutitijaroen, Member, IEEE; 2010

更多好文：21ic智能電網(wǎng)