基于综合气象指数和日期类型的电力系统负荷预测

王惠中，刘轲，周佳

（ 1. 兰州理工大学 电气工程与信息工程学院， 甘肃 兰州 730050； 2. 甘肃省工业过程先进控制重点实验室， 甘肃 兰州 730050）

电力负荷预测是电力系统中的一项重要工作，它对电力系统的诸多决策有重要影响，如安全评估、自动发电控制、维护调度、经济调度和能源商业化[1]。 精确的负荷预测，尤其是短期负荷预测十分重要。 如何不断应用新的理论研究来提高电力负荷分析和预测能力成为现在的重要课题。

时刻变动的电力系统负荷是受多种因素共同影响的，包括经济因素、气象因素、日期类型因素、地域因素、政治因素、季节因素等多种因素[2]。 本文主要研究气象因素和日期类型因素。 对负荷影响最大的就是气象因素，其中温度是对负荷影响最重要的气象因素。 炎热的夏季会让负荷产生峰值，寒冷的冬季也会使负荷急剧增加。 其他天气状况也直接或间接影响到负荷，例如降雨会直接影响农业负荷;湿度与温度的共同作用会加剧电力负荷变化等[3]。近年来随着研究的深入，包括实感温度、温湿指数、寒湿指数及人体舒适度等各种气象指标对电力负荷影响的分析层出不穷。 日期类型对负荷预测的影响也是不容忽视的。 工作日和休息日，包括重大节假日的负荷也各不相同，这就要考虑到日期属性了。

本文考虑了综合气象指数和日期类型对负荷的影响，建立了LSSVM预测模型。 最后利用浙江某市的真实负荷数据与气象数据进行负荷预测，并与利用单一气象因素和日期属性的预测模型进行比较，仿真结果表明该方法能够有效提高预测的准确性，是一种有效的预测方法。

1 影响短期负荷因素分析

影响负荷预测的特性多种多样，包括经济因素、气象因素、日期类型因素、地域因素、政治因素、季节因素等多种因素，本文重点研究气象因素和日期类型因素。

1.1 气象因素

随着研究的深入，只考虑单一气象因素已不足以满足日益精确化、智能化的负荷预测的要求。 很多时候要考虑多个气象因素产生的某种耦合效果对电力负荷的影响[4]。 综合气象因素体现了多个气象因素对电力负荷产生的协同作用。 这些因素并不是独立发生作用的，通常这些因素会共同影响电力负荷，如大风下雨天和桑拿天等。 电力负荷受这种这种耦合效果形成的综合气象指数的影响是远大于单一气象因素的。 综合气象指标有多种，包括实感温度、温湿指数、寒湿指数及人体舒适度等[5]。

对于综合气象指数，不同学者和研究机构对其构成公式意见略有不同，本文采用的参考公式如下。

1.1.1 实感温度

实感温度（ effective temperature)亦称有效温度。在静止饱和的大气（ 风速为零，相对湿度100%）条件下使人感到舒适的温度来代表不同风速、相对温度、气温，使人产生同样舒适感觉的温度。

其计算公式为[6]：

式中：Te为是实感温度，℃；Ta为温度，℃；Rh为相对湿度，%；v为风速，m/s。 由于采集的风力数据的单位是级数，所以本文将其换算成风速时用其平均值来代替。

1.1.2 温湿指数

国内外在研究气象－电力负荷敏感性时经常采用THI（ temperature humidity index）来表达人们对环境温湿度感到舒适的程度。 THI作为舒适指标表征的是人体舒适度和温湿度间的关系。 引入国家气候中心张清提出的温湿指数计算公式[7]：

式中：THI为温湿指数；Ta为温度，℃；Rh为相对湿度，%。

1.1.3 人体舒适度

人体对大气环境的反应可以大体表现为温度、湿度和风力的综合影响，基于此，人们提出了“ 人体舒适度”这一概念。 所谓“ 人体舒适度”就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，人们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。 人的生理变化受多种天气要素的综合影响，为了科学地了解、评价气象环境对人的生理影响，人们提出了人体舒适度指数的概念[8]。

其计算公式为[9]:

式中：SD为人体舒适度指数；Ta为温度，℃；Rh为相对湿度，%；v为风速，m/s。

1.1.4 寒湿指数

南方冬季气候属于大陆性季风气候，不像北方那么干燥，有时寒潮会带来连续性雨雪天气，湿度大，甚至近于饱和，尽管气温不低，但却给人一种阴冷的感觉，即所谓的湿寒。 所以，在南方衡量寒冷程度时，除了考虑气温、风速2种指标，还应考虑湿度作用。适用于南方的是寒湿指数CHI（ chillness humidity Index）[10]。

计算公式为寒湿指数是考虑气温、风速和湿度来衡量寒冷程度的一个指标，其计算公式为[9]：

式中：E为寒湿指数；Ta为气温，℃；v为风速，%；Rh为相对湿度，m/s。该公式不适用于夏季，在南方划分夏季的一般标准是平均温度稳定在22 ℃以上， 由于进入夏季仍有低于22 ℃的日期， 经统计分析日平均温度小于20 ℃为公式适用期。

1.2 日期类型

负荷的日周期性是指以一天24 h为周期的负荷变化所体现的规律性。 通常日负荷曲线有3个峰值，2个早高峰和1个晚高峰。 早高峰主要是由企业上午和下午工作时间的用电而引起的， 而晚高峰是由于家庭用电而引起的[11]。 图1给出了浙江某市6月15日（ 星期日）负荷曲线，数据分别是浙江某市2014年6月15日每5 min的288点日负荷数据。从图1可以看出，浙江某市的第一个早高峰从9点持续到11点，第二个早高峰从14点到17点。 晚高峰很明显，在21点到23点间。

图1 浙江某市6月15日负荷曲线Fig.1 Load curve of a city in Zhejiang province on June 15

负荷的周周期性是指一周7天负荷变化所体现的规律[12]。通常每周六和周日是休息日负荷较轻，而周一至周五的工作日负荷较重，如果遇见重大节假日调休，按照节假日调休时间负荷会发生相应的变化。 图2给出了浙江某市6月16日到6月22日的一周负荷每日总负荷图。 可以明显看出周六周日的负荷低于工作日的负荷。 考虑负荷以周为周期进行变化，归一化后如表1所示。

图2 浙江某市6月16日到6月22日每日负荷Fig. 2 Daily load from June 16 to June 22

表1 周周期性归一化Tab. 1 Week cyclical normalization

由此可见，电力负荷受到综合气象因素和日期类型的显著影响，因此将综合气象因素和日期类型加入电力负荷的预测模型中是非常必要的。

1.3 预测模型的建立与样本选取

本文采用最小二乘支持向量机（ LSSVM）对负荷进行预测。 最小二乘支持向量机（ least square SVM，LSSVM）是标准的SVM的一种扩展，其特点是优化指标采用平方项和等式约束，即将二次规划问题转化为线性方程组求解[13]。 因此LSSVM在保留SVM小样本结构风险最小化等优秀特性的前提下，降低了计算的复杂性，加快了求解的速度，提高了SVM的实用性，但其预测效果和模型参数有很大的关系[14]。

本文的电力负荷数据选自浙江某市6月份每日的全市用电数据。 由于是临近夏季， 日温度高于20 ℃，所以在考虑综合气象因素时不考虑寒湿指数。 由于地区气候季节性差异，所以实感温度、人体舒适度、温湿指数等综合气象因素并不一定都适合成为浙江的电力负荷预测训练样本。 为了选取合适的训练样本， 本文对浙江某市6月份30天0点、6点、12点、18点的实感温度、人体舒适度、温湿指数与相应时刻的电力负荷实际数据进行了相关性分析，如图3所示。

图3 综合气象因素与电力负荷的相关性分析Fig. 3 The correlation analysis of meteorological factors and power load

由图3可以明显看出实感温度与电力负荷的相关性最差，温湿指数相关性最好最稳定，人体舒适度次之。 所以在选择训练样本时只选择人体舒适度和温湿指数作为训练样本。 由于综合指数在计算中只考虑了温度、湿度、风速3个因素，所以在样本中还要加入降水量数据。 预测流程图如图4所示。

图4 负荷预测流程图Fig. 4 The flow chart of load forecasting

2 实例分析

本文选择2014年6月29为预测日期，预测其一天24小时的负荷值。 选择预测时刻前28天相同时刻的温湿指数、人体舒适度、降雨量和当日的日期属性作为训练样本。 通过LSSVM模型进行负荷预测。

为了验证综合气象因素和日期类型对预测模型的影响，在另一组实验中，不考虑综合气象因素和日期类型，而是直接采用预测日前28天的24小时负荷值与单一气象因素（ 气温、湿度、降水量、风力）利用LSSVM进行预测。 将2种方法的预测结果与6月29日实际负荷进行比较，结果如图5所示。 从图5可以看出， 采用本文的方法预测结果与实际负荷曲线非常接近，而只考虑单一气象因素的预测方法误差较大。

图5 浙江某市6月29日负荷预测结果Fig. 5 Load forecasting results on June 29

表2进一步显示了2种预测方法的预测值与真实值的比较。 从表2可以看出，本文方法的预测结果与实际负荷之间的平均相对误差仅为1.01%，而只考虑单一气象因素的预测方法的平均相对误差达2.22%，证明了本文所建立的预测模型可很大程度上提高负荷预测的精度。

表2 浙江某市2014年6月29日负荷预测值与实际值对比Tab. 2 Comparison of the actual load value and the forecast value on June 29， 2014

3 结论

本文对影响负荷变化的各种因素进行分析，根据负荷数据的日期属性和综合天气特性建立了预测模型。 最后通过LSSVM对电力负荷进行了预测，结果表明，相比于传统的预测方法，本文所提出的预测方法能够准确地反映电力负荷随综合天气和日期类型的变化趋势，具有更高的预测精度。 实践证明本文提出的预测模型具有广阔的实际应用价值。

[1] 李健， 张植华， 林毓， 等. 配电网负荷预测应用研究[J].电网与清洁能源， 2014， 30（ 4）: 31-35.LI Jian， ZHANG Zhihua， LIN Yu，et al. Research on load forecasting application of distribution networks[J]. Power System and Clean Energy，2014，30（ 4）:31-35（ in Chinese）.

[2] 唐聪岚， 卢继平， 谢应昭， 等. 基于改进数据流在线分割的超短期负荷预测[J]. 电网技术， 2014， 38（ 7）: 2014-2020.TANG Conglan， LU Jiping， XIE Yingzhao， et al. Improved data stream on-line segmentation based ultra short-term load forecasting[J]. Power System Technology， 2014， 38（ 7）: 2014-2020（ in Chinese）.

[3] 王玉龙， 崔玉， 李鹏， 等. 基于小波分析改进的神经网络模型电力系统负荷预测[J]. 电网与清洁能源， 2015，31（ 2）: 16-20， 27.WANG Yulong， CUI Yu， LI Peng，et al. Load forecasting of power system based on wavelet analysis improved neural network model[J]. Power System and Clean Energy， 2015，31（ 2）: 16-20， 27（ in Chinese）.

[4] 江宇飞， 徐瑞林， 罗欣. 基于多层次气象指标体系的电力负荷特性和负荷预测研究[J]. 电气应用， 2011， 30（17）:46-50.JIANG Yufei， XU Ruilin， LUO Xin. Research of load characteristics and load forecasting based on the multilevel index system of meteorological[J]. Electrotechnical Application， 2011， 30（ 17）: 46-50 （ in Chinese）.

[5] 吴兑. 多种人体舒适度预报公式讨论[J]. 气象科技，2003， 31（ 6）: 370-372.WU Dui. Discussion human body comfort forecasting formula[J]. Meteorological Science and Technology， 2003，31（ 6）: 370-372（ in Chinese）.

[6] 钟利华， 李勇. 综合气象因素对广西电力负荷的影响[J].气象， 2008， 34（ 5）: 31-37.ZHONG Lihua， LI Yong. The influence comprehensive meteorological facators on the power load in guangxi[J].Meteorological Monthly，2008，34（ 5）:31-37（ in Chinese）.

[7] 李仕峰， 钱乐祥， 王瑾. 基于陆地卫星TM/ETM+改进的温湿指数及其对不透水表面的响应[J]. 地理与地理信息科学， 2013（ 2）: 112-115.LI Shifeng，QIAN Lexiang，WANG Jin.Improved temperature-humidity index based on landsat TM/ETM+ and its response to impervious surface[J]. Geography and Geo-Information Science， 2013（ 2）: 112-115（ in Chinese）.

[8] 张伟. 基于人体舒适度指数的配电网短期负荷预测方法[J]. 电力系统保护与控制， 2013， 41（ 9）: 74-79.ZHANG Wei. A distribution short-term load forecasting based on human comfort index[J]. Power System Protection and Control， 2013， 41（ 9）: 74-79（ in Chinese）.

[9] 张书余. 城市环境气象预报技术[M]. 北京: 气象出版社，2002.

[10] 杜彦巍， 林莉， 牟道槐， 等. 综合气象指数对电力负荷的影响分析[J]. 重庆大学学报， 2006， 29（ 12）: 56-59.DU Yanwei， LIN Li， MU Daohuai， et al. Analysis of the effect of compositive meteorology index on power load[J].Journal of Chongqing University， 2006， 29（ 12）: 56-59.（ in Chinese）.

[11] 林扬宇， 陈彬. 考虑气象因素和日期类型的短期负荷预测[J]. 计算机仿真， 2014， 31（ 3）: 109-179.LIN Yangyu， CHEN Bin. Short-term load forecasting considering meteorological factors and date type[J]. Computer Simulation， 2014， 31（ 3）: 109-179.（ in Chinese）.

[12] 栗然， 郭朝云， 韦仲康. 京津唐电网电力日峰荷与气象指数的关联性分析[J]. 电网技术， 2008， 32（ 6）: 87-92.LI Ran， GUO Chaoyun， WEI Zhongkang. Relevance analysis of meteorological index and peak load in Tianjin-Beijing-tangshan power grid[J]. Power System Technology，2008， 32（ 6）: 87-92（ in Chinese）.

[13] ZHI Biaoshi， YANG Li， TAO Yu. Short-term load forecasting based on LS-SVM optimized by bacterial colony chemotaxis algorithm[C]//International Conference on Information and Multimedia Technology. South Korea:Jeju Island， 2009: 306-309.

[14] 曾鸣， 吕春泉， 田廓， 等. 基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法[J]. 中国电机工程学报， 2011， 31（ 34）: 93-99.ZENG Ming， L譈 Chunquan， TIAN Kuo， et al. Least squares-support vector machine load forecasting approach optimized by bacterial colony[J]. Proceedings of the CSEE，2011， 31（ 34）: 93-99（ in Chinese）.