日最大负荷特性分析及预测方法

马立新，李渊

（上海理工大学光电信息与计算机工程学院，上海200093）

日最大负荷特性分析及预测方法

马立新，李渊

（上海理工大学光电信息与计算机工程学院，上海200093）

电力调度和市场营销部门对电力负荷数据的走势形态和预测方法十分重视。在实际应用中，电力市场对提前预测未来连续多天的日最大负荷提出了新的要求。本文根据电力系统中日最大负荷的历史数据，分法定假日与非假日两部分单独研究其特性。对于假日最大负荷的预测，设定假日因子；对于非假日，通过小波分解提取日最大负荷变化的周期特征，再分别建立相应的BP神经网络模型进行预测。通过对某市电力负荷数据的预测及结果表明：采用这种组合方法可行有效、预测精度满足行业要求。有较强的理论意义和广泛地应用前景。

特征提取；连续多天负荷预测；日最大负荷；假日负荷预测；神经网络

电力系统的规划、维护和运行需要做出不同类型的负荷预测，按方法分类，专家学者们提出了趋势外推法、专家系统法、神经网络法、支持向量[1]等负荷预测。按照预测期限的不同，传统的负荷预测可分为：超短期预测、短期预测、中期预测和长期预测4类。连续多天的负荷预测，介于短期预测和中期预测之间，其所处的位置见图1。近年来，由于电力调度和市场营销部门对连续多天的负荷预测提出了新要求，因此对于连续多天、一个月甚至更长时间的负荷预测研究值得重视。

日最大负荷是指：在一昼夜内电力负荷最大峰值。日平均负荷值与日最大负荷值之间称峰荷，日最大负荷值与日最小负荷值之差称峰谷差。日最大负荷影响整个电网、尤其是网架结构薄弱地区电网的安全稳定运行。目前对它的研究集中在短期预测，且主要着力于研究日最大负荷与天气的关系，如文献[2]。但由于难以获取未来连续多天甚至一个月的准确天气信息，因此对中短期日最大负荷预测研究较欠缺。本文分析了日最大负荷的变化规律并加以应用，提高了连续多天日最大负荷预测的精度。

图1 预测数据的时域示意Fig.1Time-domain schematics of forecasting data

1 重大节假日预测方法

在元旦、清明节、五一劳动节等重大节假日（下文假日均指法定放假3天的法定节假日），由于大多数工厂停工，假日中最大负荷相对于正常工作日和周日存在明显差异。若不对假日进行单独预测，而与非假日用相同的BP神经网络进行预测，这样的模型无法应对节假日时最大负荷的大幅降落，预测结果不理想。为了合理经济地安排发电机组的启、停、检修，同时保障节日期间生活用电得以满足，对节假日的日最大负荷特征进行研究，并单独建立模型进行预测就显得尤为重要。

1.1 假日最大负荷变化特性分析

通过对多个市历史节假日最大负荷数据进行分析后发现：

（1）相较于其他时间，法定节假日期间的最大负荷有所降低；

（2）假日3天中，日最大负荷降低的幅度与法定节日当天在3天的假期中所处位置有关；

（3）若法定节日出现在假期的第1天，则第1天负荷最小，后面两天逐级增大；若法定节日出现在假期的第2天，则第2天负荷最小，第1天负荷最大，第3天居中；若法定假日出现在第3天，则3天假期负荷逐日递减[3]。

图2 某市历史3天节假日最大负荷变化趋势Fig.2Daily peak load of three-days holiday in a city

图2 是某市2012年元旦、端午、清明假日3天最大负荷的标幺值，它们的法定节日当天分别出现在假期的第1、2、3天，其负荷变化趋势与描述相符。

1.2 假日预测神经网络模型的建立

根据上文中提出的节假日负荷变化的几点特征，用历史年节假日3天的负荷数据建立训练样本集，对其进行单独预测很有必要。另外，由于待预测假日出现在假期的位置不同，其负荷下降的幅度也不同，可设置一个假日因子编码：

（1）若节日出现在第1天，则3天假期的假日因子编码依次为0.2、0.3、0.5；

（2）若节日出现在第2天，则3天假期的假日因子编码依次为0.5、0.2、0.3；

（3）若节日出现在第3天，则3天假期的假日因子编码依次为0.5、0.3、0.2。

在对节假日的最大负荷进行预测时，考虑到节假日几天负荷降落的特殊规律，依据图3建立模型，并在BP神经网络的输入增加假日因子编码，可极大地提高预测精度。

图3 节假日负荷预测模型Fig.3Holiday load forecasting model

2 小波分析-BP神经网络组合预测方法

一般在理论研究中，负荷预测都是连续的，但在实际工程应用中，为了能提前、合理地安排电网运行方式，对日最大负荷的预测往往有一段时间间隔，其时域关系见图4。因此不适合用传统的趋势外推法利用待预测日前几天的负荷数据外推出预测结果，而要找出与待预测日类似、关联度较高的历史数据作为输入。因此若能根据历史负荷数据提取出其变化周期，就有利于选择有效数据作为输入。

图4 负荷预测时序分类Fig.4Time-series classification of load forecasting

2.1 小波分析提取负荷变化特征

设函数φ（t）为一平方可积函数，即φ（t）∈L2（R），称φ（t）为小波函数，若其傅里叶变换φ（ω）满足容许性条件：

则称φ（t）是容许小波或者称为母小波。

小波变换的实质是选择一个合适的母小波通过时间轴上的位移与放缩和幅度的变化产生一系列的派生小波，用系列小波对要分析的信号进行时间轴上的平移比较，获得用以表征信号高于小波相似程度的小波系数。由于派生小波可以达到任意小的规定精度，并可以对有限长的信号进行精确度量，因此它具有时频局部化能力，能在任何水平上提取负荷序列的细节[4]。由于电力负荷时序会以小时、天、周、年为周期波动，大周期嵌套小周期。经过小波变换能将交织在其中的不同频率组成的混合负荷信号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，它们更加清楚地表现了负荷序列的周期性[5]。对于各个子序列周期特征的提取有利于提高预测精度。

2.2 小波分析-BP神经网络组合预测方法

小波系数与BP神经网络结合起来进行负荷预测的基本思想是，通过小波变换将历史负荷序列分解，提取代表不同频率的各层高、低频系数。再根据不同负荷子序列的周期性和特点，有针对性地建立负荷预测模型。把过去直接对负荷序列的预测替换为对小波系数的预测，最后通过重构，得到完整的负荷预测结果。

从文献[6-7]可知，母小波及尺度大小应根据负荷特点进行选择，在一定的预测要求下，小波分解尺度选的太大并不能明显提高预测精度，反而会降低计算效率。通过选用不同的小波基和分解层数进行实验，文中最终选用具有紧支集和正交性的db3小波做3层分解。小波分析-BP神经网络组合预测过程可分为4步：①对负荷时序列进行3层小波分解；②提取各尺度域上的小波序列的周期性和特征；③利用根据第2步的分析，建立相应的BP神经网络模型对不同频域上负荷子序列分别进行预测；④叠加各子序列预测结果得到完整的预测结果。其预测模型如图5所示。

图5 小波分析-BP神经网络预测模型Fig.5Wavelet analysis-BP neural network forecasting model

3 算例分析

表1为五月日最大负荷预测误差分析。

表1 五月日最大负荷预测误差分析Tab.1Error analysis of daily peak load forecasting in May （104kW）

日最大负荷过大会对电网的安全稳定运行产生不利影响，电力部门通常需要在每个月20号预知下一个月每天的最大负荷，以便提前对重要设备展开巡查、组织抢修。这是一个典型的提前进行连续多天日最大负荷预测。为了验证本文方法的有效性，根据某市电网公司提供的2011年1月1日—2013年4月20日历史负荷数据，对5月1日—31日的历史负荷数据进行预测。首先分析电力负荷数据，进行区间时间序列预处理[8]。然后根据本算例用假日预测模型单独预测5月1日劳动节假日负荷，再用小波分析-BP神经网络组合方法预测了5月2日—31日的最大负荷，并与直接用BP神经网络做预测的方法进行了对比。结果见表1。

从表1的算例结果可知，直接用BP神经网络提前10 d对5月31 d的最大负荷进行预测时，五一劳动节当天结果十分不理想，由于不能对节假日这一重大突变做出准确的判断，预测结果严重偏大。而使用假日模型后，5月1日最大负荷的预测误差从原来22.476%减小到了0.421%，精度提高明显。使用本文的组合方法使平均相对误差从4.501%降低到3.112%。

4 结语

对日最大负荷的预测有助于电业局提前对重要设备展开巡查、组织抢修工作。本文首次将小波特征提取的方法用于连续多天的日最大负荷的研究，并研究了假日与非假日的负荷特点，分别建立模型进行预测。算例表明基于本文组合方法的连续多天负荷预测对于间隔时间区间的连续多天日最大负荷预测快速、有效,满足了电网公司工程实践要求。若能从气象部门获得未来40 d的天气预报信息，增加气温、湿度等影响负荷大小的气象因子[9]，则能进一步提高预测准确率。这是本文需要改进之处。

[1]谷云东，胡芳芳（Gu Yundong，Hu Fangfang）.分区支持向量回归及其在负荷预测中的应用（Partitioned support vector regression and its application on load forecasting）[J].电力系统及其自动化学报（Proceedings of the CSUEPSA），2013，25（3）：20-24.

[2]李湘华，宋尖，刘阳升，等（Li Xianghua，Song Jian，Liu Yangsheng，et al）.典型气象因素对省网夏季日最大负荷的影响（Research on effects of summer representative meteorological factors on daily peak load of provincial power grid）[J].电力科学与技术学报（Journal of Electrical Power Science and Technology），2012，27（2）：70-75.

[3]王宁，陈亮，李嘉龙，等（Wang Ning，Chen Liang，Li Jialong，et al）.电力系统节假日负荷预测实例分析（Case analysis on holiday load forecasting of power system）[J].广东电力（Guangdong Electric Power），2010，23（11）：47-49，55.

[4]Xu G S，Wan B N，Zhang W．Application of wavelet multiresolution analysis to the study of self-similarity and intermittency of plasma turbulence[J]．Review of Scientific Instruments，2006，77（8）：83505-1-7.

[5]宋人杰，边奕心，闫淼（Song Renjie，Bian Yixin，Yan Miao）.基于小波系数和BP神经网络的电力系统短期负荷预测（Short-term load forecasting in power system based on wavelet coefficients and BP neural network）[J].电力系统保护与控制（Power System Protection and Control），2009，37（15）：87-90.

[6]宋超，黄民翔，叶剑斌（Song Chao，Huang Minxiang，Ye Jianbin）.小波分析方法在电力系统短期负荷预测中的应用（The application and problems of wavelets used in short-term power load forecasting）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2002，14（3）：8-12.

[7]徐军华，刘天琪（Xu Junhua，Liu Tianqi）.基于小波分解和人工神经网络的短期负荷预测（An approach to short-term load forecasting based on wavelet transform and artificial neural network）[J].电网技术（Power System Technology），2004，28（8）：30-33.

[8]万坤，柳瑞禹（Wan Kun，Liu Ruiyu）.区间时间序列向量自回归模型在短期电力负荷预测中的应用（Application of interval time-series vector autoregressive model in short-term load forecasting）[J].电网技术（Power System Technology），2012，36（11）：77-81.

[9]任友明，马立新，屈娜娜（Ren Youming，Ma Lixin，Qu Nana）.智能化气象信息处理的负荷预测系统研究（Electric load forecasting system of intelligent meteorlogical information processing）[J].微计算机信息（Microcomputer Information），2011，27（12）：79-91.

Characteristic Analysis and Forecasting Method for Daily Peak Load

MA Li-xin，LI Yuan
（School of Optical-Electrical and Computer Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China）

Dispatch and marketing departments of electric power put great emphasis on trend and forecasting method of power load data.In practical applications，the electricity market raises new requirement for forecasting the daily peak load in continuous multi-days ahead of time.In this paper，according to the history data of daily peak load，the characteristics of holiday and non-holiday daily peak load are investigated respectively.For the forecasting of holiday daily peak load，a holiday factor is added；for the non-holidays，the period characteristic of daily peak load is obtained through the wavelet decomposition.And then，the forecasting is respectively carried out by establishing BP neural network model.Simulation results show that this method is feasible and effective，which can meet the industry requirement for prediction accuracy and has a strong theoretical significance and wide application prospects.

characteristics distilling；continuous multi-days load forecast；daily peak load；holiday load forecast；neural network

TP273.22

A

1003-8930（2014）10-0031-04

马立新（1960—），男，博士，教授，研究方向为电力系统分析与优化运行、智能电网与智能科学、电气设备状态监测与诊断方法、电能质量监控与能效测评技术。Email：malx_aii@sina.com

2014-01-23；

2014-04-08

国家科技部政府间科技合作项目（2009014）；上海市创新基金项目（jwcxsl1302）

李渊（1989—），女，硕士研究生，研究方向为电力系统负荷预测。Email：sunflower.123@163.com