基于虚拟预测的组合预测模型在电力负荷预测中的应用

陈 文

（广东电网有限责任公司茂名供电局，广东 茂名525000）

0 引言

负荷预测是电力系统规划的重要组成部分，其准确与否直接关系到电力系统的安全运行和经济调度，准确的负荷预测便于更合理地安排电网设备调度及检修计划，短期电力负荷预测更是在电力市场运营中占据着十分重要的地位［1－2］。

目前，国内外专家学者对负荷预测问题已经进行了广泛而深入的研究，开发了各种各样的负荷预测技术，但没有任何一种方法能保证在任何情况下都获得满意的预测结果［3］。

当前使用组合预测难点主要在于单项预测模型的选择和各单项模型之间权值的确定。在以往的组合预测研究及应用中，参与组合预测的单项预测模型往往没有经过筛选，而是人为主观决定后直接进行组合，文献［3］结论表明最优模型组包含的单项预测模型并非越多越好。

综上所述，针对负荷变化的特点和已有方法的不足，本文提出了一种基于有效度遴选和虚拟预测的负荷组合预测方法。

1 单项预测模型遴选

当参加组合的预测方法由n种增加到n＋1时，并不能保证一定会降低非负权重最优组合预测误差平方和。文献［4］采用排除冗余数据的方法，从预测有效度的角度考虑，确定最优模型组包含的单项预测模型。

假设εij＝（xj－xxj）／xj为第i种预测方法在第j个时刻的相对误差，令则称a为第i种预测方法ij在第j个时刻的预测精度，i＝1，2，…m，j＝1，2，…，t；称M（zi）＝E（Ai）［1－σ（Ai）］为第i种预测方法的预测有效度，其中

根据有效度选择单项预测模型的过程如下：

步骤1：按照有效度公式对各单项预测模型进行评价，并按有效度大小进行排序，例如，假设 M（z1）≥M（z2）≥…≥M（zm）。

步骤2：挑选有效度最高的两个预测模型z1和z2，以误差平方和最小准则建立组合预测模型z12并计算其有效度M（z12）。如果 M（z12）≤M（z1），表明单项模型z2的加入并没有使预测有效度提高，说明z2为有效度冗余模型，把它从单项模型中剔除；如果M（z12）≥M（z1），表明z2的加入使得预测有效度提高，保留该组合预测模型。

步骤3：将步骤2中得到的组合预测模型作为最好的预测模型，继续加入余下的单项模型，并进行有效度判断，直到所有的单项模型判定完为止。最后所得组合预测模型即最终预测模型。

本文根据上述步骤，在模糊预测法、灰色模型法、误差反馈加权时间序列法、回归分析法、BP神经网络法和最小二乘支持向量机中，最终选取BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型。

2 基于虚拟预测的负荷组合预测方法

虚拟预测是指对历史时间点的数据进行假定的预测，预测结果被认为是历史时间点的拟合结果，从而可以按拟合的效果做出各个单一方法的权重的判断。将预测日之前的历史数据进行整理分析，其可分为历史时段和虚拟预测时段。本文构建的组合预测模型借助了虚拟预测应用在电力系统负荷预测上的基本思想。

组合预测模型通过利用各单项模型进行虚拟预测得到各单项模型的预测结果，利用评价指标形成组合预测模型中单项模型的权系数。方差倒数法是一种常用的权系数生成方法，使用预测误差平方和反映预测模型预测精度。对预测时段前的历史若干次等时长进行虚拟预测，在同一时刻t预测误差平方和较小，则认为单项模型在t时刻预测效果较好，此单项预测模型在t时刻被赋以较高权重，如下式所示：；

式中 ＝1Ei，t为第i个单项预测模型进行的历史预测在t时刻的误差平方和；m为单项预测模型个数；n为预测时间长度。

根据前述有效度遴选，本文选取BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型，可以得到虚拟预测模型的完整框架。

3 仿真分析

3.1 负荷准确率评价指标

经过有效度遴选，确定由BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型。其中，BP神经网络的输入除负荷样本外还考虑了最高温度、最低温度、降雨量和日期类型，补充了时间序列模型和灰色理论模型的不足。

根据南方电网调度负荷预测管理与考核办法，并结合地区电网的实际需求，分别取日最大负荷准确率、日最小负荷准确率、日24：00准确率作为不同预测模型的评价指标。

3.2 实例分析

本文所使用的历史负荷数据（2010—2012年）由广东某地区电网提供，是由数据采集与监控（SCADA）系统获取的实测负荷量，所有数据的时间分辨率均为5min，即一天拥有288个数据样本。该地区用电基数比较小，处于300～1 000MW的规模，同时存在着较多的钢铁用户，其主要用电设备属于冲击性负荷，与其他负荷的随机波动叠加在一起，会造成电网负荷发生较大波动。

该地区负荷曲线呈现“三峰两谷”的变化趋势，由于电网对工业用电实行峰谷电价，鼓励多用低谷电，因此炼钢厂、轧钢厂生产主要集中在凌晨0：00—8：00，负荷曲线的每个拐点均为高频分量幅值较大的时刻。由实验结果可见，本文所述的组合预测方法能准确地捕捉冲击毛刺的变化规律，预测曲线比各单项预测更接近实际值（图1）。

图1 预测效果图

4 结语

电力系统短期负荷预测是电网正常运行的基础，对电力部门提高经济效益有着重要意义。针对该地区大量冲击负荷接入系统，传统预测方法的预测精度已很难满足实际要求，本文提出一种基于有效度遴选和虚拟预测的负荷组合预测方法。实验结果表明，与单项预测模型相比，本文所述组合方法能有效克服单一模型的缺点，解决选择单项模型的随机性和权重难以确定的问题，新方法具有更高的预测精度和更好的稳定性，在相同负荷类型地区的负荷预测中值得推广借鉴。

［1］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，2011，39（1）：147－152.

［2］金鑫，罗滇生，孙广强，等.中长期电力负荷预测模型筛选与组合方法［J］.电力系统及其自动化学报，2012，24（4）：150－156.

［3］高丙坤，李阳，许明子.优化粒子群算法在组合供热负荷预测中的应用［J］.信息与电子工程，2011，9（5）：655－659.

［4］王丰效.基于有效度的组合预测单项模型的逐步遴选方法［J］.统计与决策，2014（12）：69－71.