电网短期负荷预测管理系统的应用研究

陈素华，贺凌霄

（廊坊供电公司 电力调度控制中心，河北 廊坊 065000）

1 引言

1.1 短期负荷预测的作用和意义

负荷预测是电力系统规划的重要组成部分，它从已知的用电需求出发，考虑政治、经济、气候、检修计划等相关因素，对未来用电需求做出预测，对电力系统调度运行和生产计划有很大的影响。负荷预测包括两方面含义：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装机类型（如调峰机组，机荷机组等）。

1.2 负荷预测研究现状

电力负荷预测准确率的问题已经成为我们面临的重要而艰巨的任务。

负荷预测的核心问题是依据负荷特性选择合适的预测数学模型。短期负荷预测的研究已经有很长的历史，国内外的许多专家、学者在预测理论和方法方面做了大量的工作，取得了很多卓有成效的进展。

1.3 负荷预测评价指标

负荷预测评价指标是衡量模型预测结果好坏的标准。本文主要采用以下评价指标：

②日负荷预测准确率：

式中：pft为预测日时段t的预测负荷，每天的负荷预测采用96 点数值，即每隔15 min 采集一个数据。

③日最高负荷预测准确率：

式中：pfmax为当日预测最高负荷；pmax为当日实际最高负荷。

对所建立的模糊PID系统进行仿真，取输入信号(设定温度)为阶跃信号时，经过模糊PID控制器调试以后得到的响应图如图8所示。观察图形可知，系统上升时间为0.1 s，调节时间为0.2 s，没有出现振荡现象，无超调量，稳态时没有静差，系统达到稳定的时间短，动态性能比较好。

④日最低负荷预测准确率：

式中：pfmin为当日预测最低负荷；pmin为当日实际最低负荷。

2 短期负荷预测管理系统

地区电网的短期负荷预测管理系统中，负荷预测和其他应用软件的关系如图1 所示。负荷预报程序将根据预先的定义，定时从scada 中在线获得系统负荷数据，并将数据保存以备查询、分析、考核。

图1 负荷预测和其他应用软件的关系Fig.1 Relationship of load forecasting and other application software

短期负荷预报在指定时间自动化预报次日的日负荷，同时，运行人员亦可随时启动，系统负荷预测界面如图2 所示。

图2 负荷预测管理系统界面Fig.2 Interface of Load forecasting management system

短期负荷预测的最大特点是其具有明显的周期性[1]，此外还明显受到其他各种因素的影响，短期负荷预报考虑节假日、气象、特殊事件等因素的影响，该系统采用短期负荷预测算法进行负荷预测，并提供丰富的负荷特性分析和结果修正受端，预报结果随时进行误差分析，误差结果都备有曲线和列表两种显示，如图3 所示。下面分别对该系统所采用的负荷预测算法进行介绍。

图3 负荷预测结果切换图Fig.3 Switch figure of load forecasting results

2.1 时间序列法

由美国学者George Box和英国统计学家Gwilym Jenkins 在1968年提出的Box-Jenkins 预测方法，把时间序列看做随机过程来研究[2-5]。通过分析历史采样数据，建立描述该随机过程的数学模型，并进行参数估计，然后运用所建立的模型，在已知时间序列观测值的基础上，求得时间序列未来的预测值。

Box-Jenkins 预测方法的自回归模型把待预测的负荷作为因变量，负荷历史值作为自变量，预测负荷与它过去时刻的负荷有关。负荷预测值xt由过去值的加权值的有限组合及一个干扰量ξt来表示，

式中：φ0为常数项；φ0，φ1，···，φp为模型系数。

2.2 相似日法

短期负荷预测的最大特点是其具有明显的周期性，即不同日之间24 小时整体变化规律相似。把历史数据分为同类型日和不同类型日。同类型日是与待预测日具有相同的属性（如同为星期一、星期二、……），其他称为不同类型日。以同类型日优先，剩余的历史负荷日按其离待预测日的远近进行排序表示历史负荷与待预测日负荷的相关程度，Cd=[pd1,pd2,···, pdt]，这里pdt表示第d日第t时刻的负荷，d= 1,···,n,t= 1,···,T。

待预测日某时刻t的负荷预测值可由与其相关的近期各日同一时刻的负荷值的一次指数平滑结果得到。取n=14 天的历史负荷值，取第一周期的不同类型日t时刻的值作平滑得到，

取第二周期的不同类型日t时刻的值作平滑，

这里为α∈(0,1)为逐点负荷的平滑系数。另取第一周期中同类型日t时刻的值P1t，则有待预测日t时刻的值为

2.3 人工神经网络法

1991年Park D.C 等人第一次将人工神经网络技术应用于电力系统负荷预测[6]。

目前电力负荷预测中常用的是 BP 神经网络，它属于前馈型网络，此结构具有很好的函数逼近能力，不必预先知道输入变量和预测值之间的数学模型，可以方便地计入温度、天气、湿度等对电力负荷有重要影响的因素的作用如图4 所示。

图4 气象数据录入界面Fig.4 Input interface of meteorological information

短期负荷预测中使用的网络是3 层前馈网络，即输入层、隐含层和输出层。电力系统预测神经网络的训练样本表示为(xj,yj),j = 1,···,k 其中输入向量为xj=[xj1,xj2,···, xjm]，输出向量为，m为样本的维度，代表了影响负荷预测的各种因素，选择隐含层节点数位输入层节点数的2 倍。在xj作用下得到的网路实际输出，权值所形成的向量记为w，则有。网络训练的任务是寻求一个w，使样本误差平方和最小

2.4 基于映射数据库的正常日预测新方法

负荷预测中可以考虑的影响因素包括［7-10］；日分类（正常日、节假日等）；星期分类（周一至周日）；日期差（两日之间相距的天数）；日天气类型（晴、阴等）；日最高、最低平均温度；日降雨量；湿度；风速等。采用模式识别的方法［11］，分类区别历史负荷，引入差异度的概念，差异度用来描述i,j两天之间的差异程度，其中第i,j天的因素量化指标分别为xik,xjk(k = 1,···, m)，m为每天所考虑的量化因素的数目。对每个相关因素建立各自的映射函数关系，把所有映射函数的离散化表示集合在一起形成映射数据库［12］。预测人员通过输入数据可以灵活改变和建立复杂的映射模型，通过遗传算法来训练该映射数据库［13-14］，从而达到更接近实际情况的预测结果。

3 算例分析

本文以某地区2011年7月1日至2012年7月30日每天采集96 点的负荷数据作为样本，分别采用时间序列法、相似日法、人工神经网络法、基于映射数据库的正常日预测新方法对2012年7月31日的日负荷进行预测，预测结果如图5 所示。图5为分别应用4 种预测方法得到的7月31日负荷预测相对误差曲线。4 种方法日负荷预测准确率、日最高负荷预测准确率、日最低负荷预测准确率对比结果如表1 所示。

图5 7月31日负荷预测相对误差曲线Fig.5 Daily load forecastingcurves of relative errors on July 31

表1 日负荷预测准确率Tab.1 Accuracy of daily load forecasting

从图1 可以看出，应用4 种方法进行日负荷预测预测日负荷预测相对误差均小于4%，且负荷预测精度由大到小的顺利依次为基于数据库新方法预测、人工神经网络法、时间序列法、相似日法。表1 显示了4 种方法得到的日负荷预测准确率、日最高负荷预测准确率、日最低预测准确率均大于96%。由于夏季日负荷预测受温度、温度累积效应、湿度、雷电等气象因素影响显著，负荷数据的规律性相对较差，随机因素多，预测难度大。基于映射数据库的正常日预测新方法不仅包括各种影响因素及其相关因素在内，而且整合了专家的经验判断，并且可以通过自适应的训练和反馈调整以达到最终优化预测结果的目的，所采集的历史数据越多、相关信息越完整预测准确度高，还可以指导预测人员构造新的短期负荷预测方法。人工神经网络法计入气象因素的影响，非线性函数拟合能力强，在实践中BP 神经网络也能够达到很高的电力负荷预测精度，尤其是在短期电力负荷预测中表现出很大的优越性。其缺点是有时会因过分逼近电力负荷曲线上的细节而影响泛化能力，网络结构选择和参数确定需要反复的训练对于相似日法如何建立合适的评价函数找到相似日和进行修正是影响该法预测精度的关键问题。时间序列方法是建模过程比较复杂，对原始时间序列的平稳性要求较高，没有考虑影响负荷变化的因素，对规律性的处理不足。

负荷预测的最重要指标是精度，然而精度首先决定于对距离电力系统负荷变化规律的掌握，其次才是模型与算法的选择。各种算法均有一定的适用场合，可以说没有一个算法适用于各种负荷预测模型而比其他算法精度都高，所以在负荷预测管理系统的实际应用中，一般采用试验比较法，在精度一致的条件下，选择较简单的算法。

4 结束语

负荷预测既有规律性又有随机性，负荷预测的任务是找出负荷历史数据的规律性，降低预测的误差。由于影响负荷的随机因素是客观存在的，所以任何预测方法都不能避免误差的存在，只能根据不同地区、不同时段负荷的特点，将历史数据、模型选取、参数估计和评价指标结合起来分析，才能更全面地认识到各相关因素的作用，进行合理的综合分析、优化组合，得到最接近于该预测项的历史规律、可靠性好、预测精度高的综合模型，达到更好的预测效果。

未来负荷预测方法应该在充分利用最新获取的负荷信息和综合考虑各相关因素的前提下，对负荷预测模型及参数实时修正调整，最大限度地减小预测值与实际值的误差，提高预测准确率。

［1］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）：1-9.

［2］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.

［3］牛东晓，曹树华，赵磊，等．电力负荷预测技术及其应用［M］．第2 版．北京：中国电力出版社，2009.

［4］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社，1987.

［5］Box G E P，Jenkins G M.Time Series Analysis，Forecasting and Control［M］.Holden-DayInc，1976.

［6］ 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，2002，6：74-76.

［7］Park D C，EI-SharKawi M.A，Marks J，et al.Electric Load Forecasting Using a Neural Net Work［J］.IEEE Trans.on Power Systems，1991，6（2）：442-449.

［8］康重庆，程旭，夏清，等.一种规范化的处理相关因素的短期负荷预测新策略［J］.电力系统自动化，1999，23（18）：32-35.

［9］Khotanzad A，Enwang Zhou，Elragal H.A Neuro-fuzzy Approach to Short-term Load Forecasting in a Price-sensitive Environment. IEEE Transactions on Power Systems，2002，17（4）：1273-82.

［10］Ruzic S，Vuckovic A，Nikolic N.Weather Sensitive Method for Short Term Load Forecasting in Electric PowerUtility of Serbia.IEEE Transaction on Power Systems，2003，18（4）：1581-15-86.

［11］汪峰，于尔铿，阎承山，等.基于因素影响的电力熊短期负荷预报方法的研究［J］.中国电机工程学报，1999，19（8）：54-58.

［12］张国江，邱家驹，李继红.基于模糊推理系统的多因素电力负荷预测［J］.电力系统自动化，2002，5：49-53.

［13］Marques de sa，J P.模式识别：远离、方法及应用［M］.吴逸飞，译，北京：清华大学出版社，2002.

［14］程旭.基于模式识别的短期负荷预测自适应理论的而研究［D］北京：清华大学，2001.

［15］高峰.负荷预测中自适应方法的研究［D］.北京：清华大学，2003.

［16］高峰，康重庆，程旭，等.短期负荷预测相关因素的自适应训练［J］.电力系统自动化，2002，26（18）：6-10.