某市春节负荷特性分析及预测方法应用研究

苏宜强

（连云港供电公司，江苏 连云港 222004）

某市春节负荷特性分析及预测方法应用研究

苏宜强

（连云港供电公司，江苏 连云港 222004）

分析了江苏连云港地区春节期间特别是除夕负荷曲线的形状、走势和特点，综合考虑天气、重大事件、历史负荷等对春节期间负荷变化的影响，针对春节负荷应用一种自适应神经网络负荷预测方法。该方法通过选取人体舒适度相似的节假日、历年相似日、前一日的负荷数据预测当日负荷，以提高预测精度。算例表明，该方法有效地提高了春节负荷预测的精度，弥补了传统算法除夕负荷预测误差大的问题。

负荷特性；负荷预测；自适应神经网络；节假日

春节期间负荷明显低于平时负荷，负荷曲线的形状也有所不同，研究春节期间的负荷特性，做好预测工作，对于提高电力企业的经济效益具有重要意义［1］。目前，春节期间的负荷预测已经日渐成熟，但除夕的负荷预测精度不高。

短期负荷预测作用的大小主要取决于预测精度，提高预测精度是目前研究短期负荷预测理论和方法的重点。国内外许多专家和学者在预测理论和方法方面做了大量的研究工作，提出了很多预测模型［2］。但由于影响短期负荷的因素较多，很多预测方法的预测精度和使用范围受到限制。随着现代科学技术的发展，历年的日负荷数据和气象数据的获取越来越及时和精确，人工神经网方法被认为是一种比较有效的短期负荷预测方法［3］，采用自适应神经网络方法可以解决除夕负荷预测误差大的难题。

本文通过分析江苏连云港地区春节期间负荷曲线的形状、走势和特点，重点分析了除夕的负荷曲线，针对春节负荷提出了一种自适应神经网络负荷预测方法。该方法通过选取人体舒适度相似的双休日、历年相似日、前一日负荷的负荷数据预测当日负荷，提高预测精度。

1 春节负荷特性分析

春节假期较长，许多工业负荷已经停运或降低，其日负荷曲线形状与普通日相比差别较大。图1给出了2010—2012年春节日负荷曲线和冬季普通日典型负荷曲线。

图1 2010—2012年冬季普通日和春节负荷曲线

由图1可知：

（1）各年冬季普通日负荷曲线比较相似，呈两峰一谷一平，有2个高峰期，分别出现在11：00和18：00左右，早高峰与晚高峰相差不大，晚高峰略大于早高峰。各年春节的曲线形状也很相似，其变化趋势为：1：00～5：00负荷缓慢下降，之后负荷开始缓慢上升，中午11：00左右达到早高峰，之后负荷有所下降，15：00～19：00负荷曲线持续上升，比较平缓，19：00左右时出现了晚高峰，其后负荷开始下降，22：00后下降加快，至凌晨4：00左右达最低点。

（2）春节期间的典型日负荷曲线的形状虽然与冬季普通日负荷一样有2个高峰期，但是春节的负荷波动要平缓很多，负荷率比普通日要高2个百分点，春节峰谷差300 MW，比普通日峰谷差低300 MW左右，谷段不是很明显，晚高峰比早高峰大，同时晚高峰比普通日推迟了1 h左右。这主要是因为春节期间负荷以连续性生产的厂矿企业和居民、商业用电为主，两班制生产企业负荷基本停止，晚峰受居民用电影响较大。图2给出了2010—2012年除夕及前一日的负荷曲线。由图2可知，除夕的负荷曲线较春节其他日期的负荷曲线有明显区别，用电高峰时段从18：00～22：00扩展到18：00～24：00，且高峰更加突出。主要原因是由于除夕作为重大的节日，由于习俗、春晚等因素，居民的用电习惯较其他期间有很大不同，这期间负荷变化的大小主要受气温影响。

图2 2010—2012年除夕及前一日负荷曲线

2 春节负荷短期预测的总体思路

人工神经网络的优点是能够对大量非结构性、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［4］。

应用自适应神经网络预测方法，利用历年春节对应日期的负荷数据、预测日前的节假日负荷数据、预测日前几天的负荷数据、预测春节期间的负荷。针对除夕，需根据历年除夕的负荷数据，对18：00～24：00时段预测数据微调以提高预测精度。

2.1 自适应神经网络预测方法

目前，人工神经网络法在短期负荷预测中已经日趋成熟，能够对大量非结构性、非精确规律性的数据进行学习以及具有复杂的非线性函数拟合能力。

BP神经网络是使用最为普遍的算法［5］，它是一种单向传播的多层前向网络，上下层之间全连接，而每层神经元之间无连接，其模型如图3所示。

图3 BP神经元模型

图中：pi为第i个输入量，输入向量记为p；wi,j为第i个输入量对第j个隐层节点的权重，输入权重矩阵记为w；b为神经元的阈值；f为传输函数。则输出函数为

对于2层的BP神经网络，设k为迭代次数，每次的权值和阈值修正公式为

式中：n为训练样本数；t为目标值；y为预测值。逐次修正权值和阈值，使总误差一直减小，直到满足要求为止。

当学习系统所处环境平稳时，从理论上说通过学习可以学到环境的统计特征，这些统计特征可被神经网络作为经验记住。如果环境是非平稳的，通常的监督学习，如：BP算法，没有能力跟踪这种变化。为解决此问题，需要ANN有一定的自适应能力。

自适应预测方法根据预测的偏差不断自动调整模型的结构与参数，这实际上构成了一个闭环反馈［7］，典型的自适应系统框图如图4所示。

t-1时刻系统的模型、实际值以及t时刻的参数，预测出t时刻的输出值y（t），E（t）为y（t）与实际值x（t）差值，如果E（t）=0，则不修正模型参数，否则应修正模型参数以便跟踪环境的变化。本文根据历年除夕的负荷数据，对18：00～24：00时段预测数据微调的策略在这一环节实现。

自适应神经网络可以选择新的例子对神经网络进行训练，用观察值对神经网络进行训练。自适应线性神经网络的神经元结构如图5所示。

图5的网络输出为

自适应线性神经网络采用均方误差最小的学习规则，即WH（Windrow Hoff）算法，来调整网络的权值和阈值。对于给定的N组训练样本：{p1,t1}、{p2,t2}…{pN,tN}，WH学习规则的基本实现是寻找最佳的w和b，使得各神经元输出的均方误差最小。神经元的均方误差为

图5 自适应神经网络

式中：t为目标值；y为预测值。求均方误差对w和b的偏导，可寻找到w和b的最优解。

2.2 气象因子的处理

将气象因素与神经网络相结合的预测模式，即将各气象因子（温度、相对湿度、风速、气压、辐射）作为神经网络输入量的一部分，是神经网络进行短期负荷预测比较成功的模式，多篇文献表明利用人体舒适度指数处理气象因素能够提高预测精度［8—9］。

人体舒适度指数，是指在不特意采取任何防寒保暖或防暑降温措施的前提下，人在自然环境中是否感到舒适及其达到怎样一种程度的具体描述，是从气象角度来评价在不同气候条件下人的舒适度感觉，根据人类机体与大气环境之间的热交换而制定的生物气象指标。具体计算公式为

式中：D为人体舒适度指数；T为日平均气温，℃；U为日平均相对湿度，%；V为日平均风速，m/s。

就连云港地区而言，具体表达式为

表1采用BP算法分别利用3种综合气象因子处理方法进行负荷预测的结果。每日96个时刻绝对误差平均值为

式中：yi为负荷真实值；为预测值。

由表1可以看出，以人体舒适度作为气象因子输入的处理方法预测结果精度最高，本文采用人体舒适度指数作为输入的气象因子。另外，除夕一天的负荷预测数据误差较大，通过分析96点日负荷预测数据可知，18：00～24：00时段的预测误差较大，可通过在自适应算法中增加对18：00～24：00时段预测数据微调策略以解决此问题。

表1 3种综合气象因子处理方法预测结果 %

3 算例分析

通过选取2010、2011年春节数据，分别采用BP网络算法和自适应神经网络算法预测2011、2012年春节期间每日96点负荷数据。表2为计算实例。

由表2可以看出，采用自适应算法比传统BP算法预测精度高，与此同时，自适应算法也弥补了除夕这一天负荷预测精度较低的问题。另外，2012年春节负荷预测数据较2011年的春节负荷预测数据的精度更高。随着历史负荷、气象数据逐步地完善积累，2013年春节负荷预测的精度会更高。

表2 计算实例

4 结束语

研究连云港地区电网春节期间负荷特性，分析除夕负荷的特殊性，做好负荷预测工作，为地区电网的经营管理和计划上报提供了必要的决策依据,对保证居民用电具有重要意义。本文提出了基于人体舒适度的自适应神经网络负荷预测模型。在模型的学习过程中，采用了动态自适应的方法处理数据，选择有效的负荷数据、气象数据进行训练学习，提高了学习效率；以人体舒适度指数作为神经网络的训练数据，可以得到气象和气象敏感负荷之间更精确的关系，进一步提高了短期负荷预测的精度，自适应地解决了除夕负荷预测误差大的问题。

最后对连云港地区2011、2012年春节的负荷预测表明，本文提出的方法预测精度更好、适应性更强，具有比较好的实用价值。

：

［1］杨志荣，劳德容.需求方管理及其应用［M］.北京：中国电力出版社，1999.

［2］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）：1-11.

［3］李晓波，罗枚，冯凯.短期负荷预测神经网络方法比较［J］.继电器，2007，35（6）：49-53.

［4］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，2007，39（1）：147-151

［5］姜勇.电力系统短期负荷预测的模糊神经网络法［J］.继电器，2002，30（7）：11-13.

［6］JIANG Yong.Fuzzy neural network for short⁃term load forecasting［J］.Relay,2002,30（7）：11-13.

［7］Sinha A K.Short term load forecasting using artificial neural network［J］.IEEE Trans on Power Systems,2000(1)：548-553.

［8］秦海超，王玮，周晖，等.人体舒适度在短期电力负荷预测中的应用［J］.电力系统及其自动化学报，2006，18（2）：63-66.

［9］肖晶，基于人体舒适度指数负荷特性分析方法的研究［D］.南京：东南大学，2005.

Load characteristics analysis and load forecasting method at Spring Festival in some city

SU Yi⁃qiang
（Lianyungang Power Supply Company,Lianyungang 222004,China）

The shape of the load curve during Spring Festi⁃val，especially New Year's Eve in Lianyungang district,and its varying trend and characteristics are analyzed.An adaptive artifi⁃cial neural network model is proposed for Spring Festival，consider⁃ing the influence of whether,major event and historical load on the variation of load.This method forecasts the load by selecting week⁃end which is similar on human body amenity indicator,similar day over the past year,the day before.The results of calculation exam⁃ples show that this method is effective.

Load characteristics；Load forecasting；adaptive artificial neural network；Spring Festival；New Year s Eve

1009-1831（2014）01-0036-04

TM715.1；F407.61

C

2013-09-10

苏宜强（1985），男，江苏赣榆人，硕士研究生，工程师，主要从事电网调度工作。