特殊负荷对日负荷的相关性分析方法

2016-08-03 03:54于浩祺金小明姚建刚湖南大学电气与信息工程学院长沙4008南方电网科学研究院广州50080
电力系统及其自动化学报 2016年7期
关键词:灰色关联分析相关性分析

于浩祺,金小明,姚建刚(.湖南大学电气与信息工程学院,长沙 4008;.南方电网科学研究院,广州 50080)

特殊负荷对日负荷的相关性分析方法

于浩祺1,金小明2,姚建刚1
(1.湖南大学电气与信息工程学院,长沙 410082;2.南方电网科学研究院,广州 510080)

摘要:针对由于特殊负荷的不确定性导致不准确的日负荷预测,本文提出了一种基于灰色关联分析和模糊推理的相关性分析方法。根据不同特殊负荷对日负荷的影响因素的本质不同,将特殊负荷进行分类,并将特殊负荷的影响因素作为联系特殊负荷与日负荷的中间变量。该方法可以很好地实现特殊负荷对日负荷的相关性分析,进而得到相关性数据,为日负荷预测提供有效的依据。通过对某地区电力部门的历史数据进行验证,证明了该方法的准确性。

关键词:特殊负荷;日负荷;相关性分析;灰色关联分析;模糊推理法

日负荷预测是指提前对未来一天甚至几天的日负荷进行估计,是短期负荷预测中的重要组成部分,是电网制定运行方式和实现优化运行的主要依据[1]。在日负荷预测中可将日负荷分解为基本负荷和特殊负荷[2]。基本负荷即在较长持续时间内保持一定总量,具有某种总的发展趋势,具有一定的稳定性、周期性和季节性[3];而特殊负荷在本文中主要考虑分为空调负荷、节假日负荷、事故灾害负荷、工业非正常冲击负荷等,由于特殊负荷的不稳定性、非周期性、随机性,导致日负荷预测的不准确性,因此特殊负荷对日负荷的相关性分析就显得尤为重要。对日负荷产生影响的因素主要是人们的生产和生活,它们又受到天气因素、人体舒适度、节假日工业开停工状况、突发事故、工业非正常冲击负荷等因素的重要影响[4-6]。因此这些因素与日负荷相关联,具有不同程度的相关性。

目前相关性分析主要集中在单一或者几个影响因素对日负荷的相关性分析,并没有比较系统地考虑多种影响因素共同对日负荷的综合作用。文献[7-8]主要研究了气象因素对日负荷的影响,文献[9]主要研究了节假日因素对日负荷的影响,文献[10]主要研究了季节因素对日负荷的影响。其实这些影响因素是导致特殊负荷变化的根本原因,因此在进行特殊负荷对日负荷相关性分析的时候,可以将特殊负荷的影响因素作为联系特殊负荷与日负荷的中间变量,从而进行特殊负荷对日负荷的相关性分析。

针对以上情况,本文利用特殊负荷及其相关影响因素的历史数据,对其进行数据挖掘[11-12],分析各特殊负荷的影响因素与日负荷特性的关联特性,得到其相关性数据,进而将这些影响因素作为联系特殊负荷与日负荷的中间变量,可以构建出特殊负荷对日负荷的相关性分析的模型,为日负荷预测提供良好而有效的依据,从而进行更精确的日负荷预测。

1 相关性分析方法的设计思想

首先,采集电网历史日负荷数据及其对应的特殊负荷和影响因素信息,将特殊负荷分为空调负荷、节假日负荷、事故灾害负荷、工业非正常冲击负荷等,根据不同特殊负荷的特点,分析这类特殊负荷对日负荷的几种主要影响因素,得到其相应的影响因子序列I,分别根据影响因子对日负荷的影响程度,将其模糊化,建立含有这几种影响因素的模糊分类器;其次,采用灰色关联分析法得到各影响因素与日负荷之间的相关系数序列M;最后,使用模糊推理法分析得到特殊负荷与模糊分类器中的影响因素之间的权重系数序列P,最后根据得到的权重系数P与相关系数M计算得到特殊负荷与日负荷之间的相关系数序列R,并分析计算得到总的特殊负荷预测序列S,与特殊负荷实际值进行曲线拟合验证,完成特殊负荷对日负荷的相关性分析。分析流程如图1所示。

图1 相关性分析方法的分析流程Fig.1 Flow chart of correlation analysis

2 相关性分析方法的分析过程

2.1 确定影响因子序列

本文重点分析特殊负荷对日负荷的几种主要影响因素,包括日最高温度、日最低温度、日平均温度、日降雨量、湿度、人体舒适度、节假日工业开停工比例、突发事件比例、工业冲击比例,将这9类因素依次用向量I1、I2、I3、I4、I5、I6、I7、I8、I9表示。

2.2 灰色关联法分析的运用

灰色关联分析是一种多因素统计分析方法,以各因素的样本数据为依据,用灰色关联度来描述因素之间关系的强弱、大小和次序[13-14]。其关键是计算关联度,通常采用距离分析法进行关联度的分析计算。其基本思想是,选择最优和最劣的样本作为参考样本,计算各个样本离参考样本的距离,从而确定各个影响因素与负荷曲线的关联度。灰色关联法有如下几个基本步骤。

(1)用矩阵X表示影响因素的关联因素样本,即

X矩阵中第一列为当日负荷序列,其余各列分别为日最高温度、日最低温度、日平均温度、日降雨量、湿度、人体舒适度、节假日工业开停工比例、突发事件比例、工业冲击比例。

(2)同向化X矩阵中的各元素,根据不同影响因素的性质,分别通过倒数法(即1/xmn)或者差值法(即1-xmn)将逆指标转化为正指标。转化后的数据矩阵仍记为X。

(3)无量纲化处理,对上步得到的数据矩阵进行无量纲化处理。计算公式为

计算后的数据矩阵为

(4)确定最优的参考样本Y+和最劣的参考样本Y-为

(5)采用欧式距离公式计算各样本点到最优、最劣参考样本的距离Z、Z为

(6)计算样本点到最优样本点的相对接近度,即灰色关联系数为

Wk越大,则样本点与最优样本点的相对距离越近,表明该影响因子与日负荷曲线的关联度越大。

根据实际的样本数据构造矩阵X,通过上述步骤计算出关联度矩阵W,其中第1列为当日负荷序列W1,其余各列分别为日最高温度W2、日最低温度W3、日平均温度W4、日降雨量W5、湿度W6、人体舒适度W7、节假日工业开停工比例W8、突发事件比例W9、工业冲击比例W10。因此各影响因素对日负荷的相关性系数的序列M为

2.3 模糊推理法分析的运用

2.3.1 模糊集的建立

模糊集合的建立包括对负荷影响因素模糊集建立和负荷预测结果模糊集的建立,模糊化过程是根据各隶属函数将对应的变量的精确值转化成以隶属度表示的模糊量,把不同范围的值用不同符号标示[15]。

负荷影响因素模糊集的建立:将I1、I2、I3、I5、I6、I7、I8、I9模糊化分类为低、中、高,分别取值为i1、i2、i3;将I4模糊化分类为无雨、小雨、中雨、大雨,分别取值为0、i1、i2、i3,则可建立各负荷影响因素的模糊集。其中气温、湿度、节假日工业开停工状况、突发事件状况、工业非正常冲击比例的低、中、高标准,要按各地区的实际情况确定,雨量的小、中、大标准,也要按地区的特点进行设定。

负荷预测结果模糊集的建立:将模糊推理的结果即加权系数P按模糊化分类为极小(NV)、较小(N)、正常(NM)、较高(H)和极高(HV)5种模糊集合,其隶属度函数如图2所示。

图2 加权系数模糊化的隶属度函数Fig.2 Membership function of fuzzy weighting factor

2.3.2 模糊规则的建立

依赖大量实践经验建立的模糊规则是以ifthen的形式来进行表达的[16],用一组模糊规则来表示输入、输出关系,每条模糊规则是一个模糊的ifthen关系,关系的前件是各影响因素不同模糊集合的组合,关系的后件是各影响因素对特殊负荷的可权系数P,那么第j条规则可表示为

式中:I1,I2,…,In为输入变量;A,A,…,A为输入变量各个影响因素的第j个模糊集合;Pj为第j条规则的输出部分;Bj为第j条规则的输出部分对应的模糊集合(NV、N、NM、H、HV)。

2.3.3 去模糊化

将第2.3.2节的输出结果加权系数Pj按照第2.2.1节的隶属度函数去模糊化后,得到每种影响因素对应的加权系数p,p,…,p,对于本文输入变量为I1,I2,…,I9,第j条规则的输出部分经过去模糊化后,得到的各个影响因素的加权系数为 p,p,…,p。

2.3.4 计算特殊负荷对不同影响因素的相关系数序列R

根据式(9)计算每条规则对应的特殊负荷对不同影响因素的相关系数序列为

式中,Mn为各影响因子对日负荷的相关系数序列。

一般一组输入变量会触发好几条规则,这样就可以通过均值处理,得到最终的特殊负荷对日负荷的相关系数序列R。假设触发了m条规则,则计算公式为

根据第2.2节得到的各影响因素与日负荷的相关系数序列M,考虑每种特殊负荷受到影响因素影响程度不同,结合本节模糊推理得到的各影响因素的加权系数P,得到特殊负荷与日负荷之间的相关系数序列R。

2.4 模糊推理法的修正参数

设置测试周期,利用这些特殊负荷与日负荷之间的相关系数序列R进行分析计算,获得总的特殊负荷预测序列,将之与基本负荷预测序列相加,得到日负荷预测序列。与历史日负荷数据进行曲线拟合对比,观测日负荷预测序列与历史日负荷序列是否相近,如误差较大,则重新设定模糊分类器的取值及模糊推理法的算法参数进行修正。通过反复修正,直至两条曲线偏差进入允许范围(偏差小于3%),可获得特殊负荷与日负荷之间的相关系数序列R,即完成特殊负荷对日负荷的相关性分析。

3 应用实例

下面以某地区2014年7月份的数据为例,根据第2.2节描述的灰色关联分析步骤,对2014年7月的相关数据进行分析计算,得到的各影响因素的灰色关联系数,其结果如表1所示。

表1 各影响因素的灰色关联系数计算结果Tab.1 Calculation results of different influencing factors gray correlation coefficients

根据第2.3节描述的模糊推理法,对数据进行分析计算,得到特殊负荷与日负荷之间的相关系数序列R。再根据第2.4节描述的修正参数方法,经过不断修正模糊分类器的取值及模糊推理法的算法参数,最终使得预测的日负荷曲线与历史日负荷曲线基本重合,如图3所示。

图3 历史日负荷序列与日负荷预测序列对比Fig.3 Comparison of daily load sequence between historical data and forecasting

得到了特殊负荷与日负荷之间的相关系数序列R,其中R1为空调负荷,R2为节假日负荷,R3为事故灾害负荷,R4为工业非正常负荷。其结果如表2所示。

表2 特殊负荷关联系数计算结果Tab.2 Calculation results of special load correlation coefficient

利用上面计算得到的相关系数序列,可以用来选出最大相似日作为负荷预测的依据,然后再采用BP神经网络算法[17]进行日负荷预测,这样就可以提高负荷预测的准确率。图4是选出最大相似日进行日负荷预测的结果对比,从图中可以看出:用本文方法选出最大相似日,再采用BP神经网络算法进行日负荷预测,得到的的日负荷预测结果准确率高达97.82%;而未采用本文方法选取历史日作为依据,直接用BP神经网络算法进行日负荷预测的准确率只有94.57%。由此可知,采用本文方法选出的最大相似日做负荷预测,可以很大程度地提高电网日负荷预测的准确度。

图4 原始数据与两种预测结果对比Fig.4 Comparison among raw data and results of two prediction methods

4 结语

本文通过挖掘各特殊负荷的影响因素与日负荷的关联特性,再通过模糊推理得到各影响因素在特殊负荷中的权重关系,进而得到特殊负荷对日负荷的相关性数据,从而根据这些规律构建出特殊负荷在日负荷中的预测模型。实际应用证明了该方法能够为日负荷的预测、构建恰当的模型提供方法依据并提高精确度。

参考文献:

[1]谢宏,程浩忠,张国立,等(Xie Hong,Cheng Haozhong,Zhang Guoli,et al).基于粗糙集理论和动态时序模型的日负荷曲线预测新方法(A new method to forecast daily load curve based on rough set theory and dynamic time se⁃ries model)[J].电网技术(Power System Technology),2004,28(14):10-14.

[2]鞠平,王耀,项丽,等(Ju Ping,Wang Yao,Xiang Li,et al).考虑特殊负荷的宁夏电网负荷建模(Load model⁃ing for Ningxia grid with special loads)[J].电力自动化设备(Electric Power Automation Equipment),2012,32(8):1-4,21.

[3]刘旭,罗滇生,姚建刚,等(Liu Xu,Luo Diansheng,Yao Jiangang,et al).基于负荷分解和实时气象因素的短期负荷预测(Short-term load forecasting based on load de⁃composition and hourly weather factors)[J].电网技术(Power System Technology),2009,33(12):94-100.

[4]焦润海,苏辰隽,林碧英,等(Jiao Runhai,Su Chenjun,Lin Biying,et al).基于气象信息因素修正的灰色短期负荷预测模型(Short-term load forecasting by grey model with weather factor-based correction)[J].电网技术(Power System Technology),2013,37(3):720-725.

[5]罗凤章,王成山,肖峻,等(Luo Fengzhang,Wang Cheng⁃shan,Xiao Jun,et al).计及气温因素的年度负荷预测修正方法(Exploration on calibration method for yearly load forecasting considering temperature)[J].电力系统及其自动化学报(Proceedings of the CSU-EPSA),2009,21(3):75-79.

[6]李小燕,文福拴,卢恩,等(Li Xiaoyan,Wen Fushuan,Lu En,et al).基于相似日负荷修正的台风期间短期负荷预测(Short-term load forecasting in typhoon periods based on load modification of similar days)[J].电力系统及其自动化学报(Proceedings of the CSU-EPSA),2013,25(3):82-89.

[7]周友斌,李小平(Zhou Youbin,Li Xiaoping).湖北电网负荷与气温关系及负荷特性分析(Hubei power grid load and temperature load characteristics and analysis of the relationship)[J].湖北电力(Hubei Electric Power),2006,30(S):86-90.

[8]张宏刚,蒋传文,王承民,等(Zhang Honggang,Jiang Ch⁃uanwen,Wang Chengmin,et al).基于气象因素粗糙集理论的负荷预测方法(Load forecasting based on rough set of weather factors)[J].电力系统及其自动化学报(Proceedings of the CSU-EPSA),2004,16(4):59-63.

[9]马立新,李渊(Ma Lixin,Li Yuan).日最大负荷特性分析及预测方法(Characteristic analysis and forecasting method for daily peak load)[J].电力系统及其自动化学报(Proceedings of the CSU-EPSA),2014,26(10):31-34.

[10]牛东晓,陈志业,邢棉,等(Niu Dongxiao,Chen Zhiye,Xing Mian,et al).具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型(Combined optimum gray neural network model of the seasonal power load fore⁃casting with the double trends)[J].中国电机工程学报(Proceedings of the CSEE),2002,22(1):29-32.

[11]陈文伟,黄金才,赵新昱.数据挖掘技术[M].北京:北京工业大学出版社,2002.

[12]朱六璋(Zhu Liuzhang).短期负荷预测的组合数据挖掘算法(Short-term electric load forecasting with combined data mining algorithm)[J].电力系统自动化(Automation of Electric Power Systems),2006,30(14):82-86.

[13]邓聚龙.灰理论基础[M].武汉:华中科技大学出版社,2002.

[14]谭学瑞,邓聚龙(Tan Xuerui,Deng Julong).灰色关联分析:多因素统计分析新方法(Grey connected analysis:a new method of multifactor statistical analysis)[J].统计研究(Statistical Research),1995(3):46-48.

[15]马文晓,白晓民,沐连顺(Ma Wenxiao,Bai Xiaomin,Mu Lianshun).基于人工神经网络和模糊推理的短期负荷预测方法(Short term load forecasting using artifi⁃cial neuron network and fuzzy inference)[J].电网技术(Power System Technology),2003,27(5):29-32.

[16]杨帆,吴耀武,熊信银,等(Yang Fan,Wu Yaowu,Xiong Xinyin,et al).用自适应模糊推理系统预测电力短期负荷(Short-term load forecasting in power system based on adaptive network-based fuzzy inference system)[J].高电压技术(High Voltage Engineering),2007,33(4):129-133.

[17]姜勇,卢毅(Jiang Yong,Lu Yi).基于相似日的神经网络短期负荷预测方法(Short-term load forecasting using a neural network based on similar historical day date)[J].电力系统及其自动化学报(Proceedings of the CSU-EP⁃SA),2001,13(6):35-40.

于浩祺(1991—),女,硕士研究生,研究方向为电力负荷预测、电网规划及高压外绝缘。Email:yuhaoqi@hnu.edu.cn

金小明(1963—),男,博士,教授级高级工程师,研究方向为电力系统规划、电力系统分析和直流输电技术。Email:jinxm@csg.cn

姚建刚(1952—),男,硕士,教授,博士生导师,研究方向为电力市场、智能电网与高压外绝缘。Email:yaojiangang@ 126.com

中图分类号:TM715

文献标志码:A

文章编号:1003-8930(2016)07-0042-05

DOI:10.3969/j.issn.1003-8930.2016.07.008

作者简介:

收稿日期:2015-01-30;修回日期:2016-01-06

基金项目:南方电网公司科技资助项目(K-ZB2011-033)

Correlation Analysis for Special Load to Daily Load

YU Haoqi1,JIN Xiaoming2,YAO Jiangang1
(1.School of Electrical and Information Engineering,Hunan University,Changsha 410082,China;2.CSG Technology Scientific Research Institute,Guangzhou 510080,China)

Abstract:Considering that uncertain special load leads to the inaccurate forecasting of daily load,this paper presents a correlation analysis method based on gray correlation analysis and fuzzy reasoning.According to the fact that differ⁃ent special loads have different influencing factors for daily load,the special loads are divided into several categories,and the influencing factors are determined as the intermediate variables between special loads and daily load.This method can achieve the correlation analysis for special load to daily load,and then obtain the correlation data which can provide an effective basis for daily load forecasting.Based on the verification of the historical data of power sector in certain region,the accuracy of the proposed method is proved.

Key words:special load;daily load;correlation analysis;gray correlation analysis;fuzzy reasoning

猜你喜欢
灰色关联分析相关性分析
运动员组织承诺水平的评价与提升策略
新疆向西开放度与经济增长灰色关联分析
滨州市城区苔藓植物主要重金属含量的调查与分析
基于灰色关联的河南省旅游收入影响因素研究
基于灰色关联分析的制造企业跨国并购财务决策
上市公司财务指标与股票价格的相关性实证分析
淘宝星店成长中的粉丝力量
中国城市化与经济发展水平关系研究