1引言

電力負(fù)荷預(yù)測是根據(jù)電力負(fù)荷、經(jīng)濟(jì)、社會、氣象等的歷史數(shù)據(jù)，當(dāng)前及未來天氣信息，預(yù)測未來電力負(fù)荷的過程。

負(fù)荷預(yù)測是電力系統(tǒng)運(yùn)行管理的關(guān)鍵組成部分。工業(yè)、民用、公用事業(yè)用電負(fù)荷特性迥異，電力負(fù)荷及用電量因天氣、社會活動的變化，具有很大的波動性和季節(jié)性;對電力負(fù)荷作出正確的預(yù)測，是電力系統(tǒng)制訂擴(kuò)容、運(yùn)行、檢修等計劃的基礎(chǔ)。為了電力系統(tǒng)運(yùn)行的有效性和運(yùn)行效率，我們需要正確地預(yù)測系統(tǒng)負(fù)荷;如果系統(tǒng)負(fù)荷預(yù)測過高，系統(tǒng)發(fā)電容量偏大導(dǎo)致運(yùn)行成本過高;相反，如果系統(tǒng)負(fù)荷預(yù)測偏低，將會影響到系統(tǒng)的可靠性和安全性。

2負(fù)荷預(yù)測的主要分類：

2.1按照預(yù)測指標(biāo)分類:

電力負(fù)荷預(yù)測可分為電量預(yù)測和電力預(yù)測。電量預(yù)測包括社會用電量、網(wǎng)供電量、行業(yè)電量、區(qū)域電量等，電力預(yù)測包括最大負(fù)荷、最小負(fù)荷、負(fù)荷率、負(fù)荷曲線等。

2.2 按照預(yù)測時間的長短分類，負(fù)荷預(yù)測可分為以下三類：

2.2.1長期負(fù)荷預(yù)測：3～5年甚至更長時間段內(nèi)的負(fù)荷預(yù)測，用于電力公司規(guī)劃管理，進(jìn)行未來擴(kuò)建、電網(wǎng)改造、設(shè)備采購、人員招聘等預(yù)測;

2.2.2中期負(fù)荷預(yù)測：月至年的負(fù)荷預(yù)測，用于燃料供應(yīng)和機(jī)組維護(hù)的計劃，功率共享協(xié)調(diào);

2.2.3短期負(fù)荷預(yù)測：指日負(fù)荷預(yù)測和周負(fù)荷預(yù)測，用于經(jīng)濟(jì)運(yùn)行計劃，機(jī)組發(fā)電系統(tǒng)管理，安全分析，短期維護(hù)等。

2.2.4超短期負(fù)荷預(yù)測：是指未來1h以內(nèi)的負(fù)荷預(yù)測，用于預(yù)防性控制和緊急處理。

3短期負(fù)荷預(yù)測的常用方法：

隨著科學(xué)創(chuàng)新產(chǎn)生的新方法、計算機(jī)技術(shù)發(fā)展?fàn)I造的實(shí)時環(huán)境和電力營銷機(jī)制的發(fā)展，二十世紀(jì)九十年代中期以來，短期負(fù)荷預(yù)測在電力文獻(xiàn)中是很常見的研究課題。盡管許多方法經(jīng)過了測試并證明其實(shí)用性，目前還沒有一種強(qiáng)大的通用方法，主要是因?yàn)樘囟ㄇ闆r下的環(huán)境和需求對適用模型的選擇有著重大影響。

3.1時間序列分析法：

時間序列分析模型由美國學(xué)者George Box和英國統(tǒng)計學(xué)家Gwilym Jenkins在1968年提出，被認(rèn)為是最經(jīng)典、最系統(tǒng)的預(yù)測方法，是短期負(fù)荷預(yù)測的常用方法。

3.1.1自回歸——移動平均模型(ARMA，AutoRegressive Moving Average)：

自回歸模型(AR，AutoRegressive)負(fù)荷的現(xiàn)在值由過去值的加權(quán)值的有限線性組合及一個干擾量來表示;移動平均模型假設(shè)干擾的影響只表現(xiàn)在有限的幾個連續(xù)時間間隔內(nèi)，自回歸——移動平均模型既包含自回歸部分又包含移動平均部分。

3.1.2累積式自回歸——移動平均模型(ARIMA，AutoRegressive Integrated Moving Average)：

電力系統(tǒng)負(fù)荷受季節(jié)、天氣、社會活動、設(shè)備狀況等因素影響，負(fù)荷時間序列的變化會出現(xiàn)非平穩(wěn)的隨機(jī)過程。通過差分將負(fù)荷時間序列進(jìn)行平穩(wěn)處理，然后按照3.1.1和3.1.2的平穩(wěn)時間序列模型進(jìn)行建模;這就是累積式自回歸——移動平均模型。

3.1.3季節(jié)性綜合自回歸移動平均模型(Seasonal ARIMA)：

每日負(fù)荷與前一天和上一周相同日具有相似性，不同季節(jié)之間的負(fù)荷具有明顯的區(qū)別;累積式自回歸——移動平均模型加上季節(jié)性因素以后，形成季節(jié)性綜合自回歸移動平均模型。

3.2基于人工智能網(wǎng)絡(luò)技術(shù)(ANN，Atificial Neural Network)的預(yù)測方法：

研究人員常常使用基于人工智能網(wǎng)絡(luò)技術(shù)的方法進(jìn)行負(fù)荷預(yù)測并取得很好的效果，這些方法的亮點(diǎn)在于假設(shè)人工智能網(wǎng)絡(luò)對負(fù)荷特性有學(xué)習(xí)能力。

3.2.1什么是人工智能網(wǎng)絡(luò)(ANN)?

人工智能網(wǎng)絡(luò)始于人們認(rèn)識到人的大腦以完全不同常規(guī)的數(shù)字計算機(jī)。人腦是一個高度復(fù)雜的、非線性的、并行的信息處理系統(tǒng)，組織神經(jīng)元以超過當(dāng)今最快的計算機(jī)數(shù)倍的速度進(jìn)行運(yùn)算;例如，在陌生的環(huán)境中辨別一張熟悉的人臉，大約只需要100~200毫秒，而常規(guī)計算機(jī)執(zhí)行一項(xiàng)相對簡單的任務(wù)還需耗費(fèi)數(shù)天之久。

人工智能網(wǎng)絡(luò)將人腦處理特定任務(wù)的方式進(jìn)行模型處理，由電子元件或計算機(jī)軟件模擬過程執(zhí)行，是由通過學(xué)習(xí)過程具有存儲經(jīng)驗(yàn)知識并使用的許多單一處理單元組成的大型并行處理機(jī)器。

3.2.2人工智能網(wǎng)絡(luò)的優(yōu)勢：

經(jīng)過培訓(xùn)的人工智能網(wǎng)絡(luò)可以作為某個信息類別的“專家”，為新情況指明方向或回答判斷路徑問題等。

人工智能網(wǎng)絡(luò)是功能極其強(qiáng)大的、高效的并行處理機(jī)器，具有學(xué)習(xí)和歸納能力，對錯誤和噪音具有特別的適應(yīng)性。

3.2.3人工智能網(wǎng)絡(luò)的結(jié)構(gòu)：

單層前饋網(wǎng)絡(luò)：

4研究對象和模型選擇：

4.1研究對象：

本文選擇供電區(qū)域內(nèi)的一個典型的500kVA變壓器作為負(fù)荷預(yù)測分析的對象，負(fù)荷以居民用戶為主、兼有商業(yè)和非工業(yè)單位用戶。

本文嘗試對單個變壓器的每日用電量進(jìn)行預(yù)測分析。單個變壓器的負(fù)荷波動性較大，特別在周末和節(jié)假日，游客數(shù)量多少對該變壓器用電量影響較大，因此預(yù)測的難度相對加大。

4.2方法和模型選擇：

本文選擇時序系列分析法為基本研究方法，考慮天氣、季節(jié)等因素，對負(fù)荷時間序列進(jìn)行平穩(wěn)處理;以EXCEL表格為基本分析工具，采用人工智能網(wǎng)絡(luò)技術(shù)對天氣、季節(jié)各變量分配相應(yīng)的權(quán)重，同時對誤差進(jìn)行及時修正。

4.3數(shù)據(jù)時間范圍：

由于今年3月份開始收集負(fù)荷數(shù)據(jù)，因此負(fù)荷數(shù)據(jù)的時間長度只有三個月，暫時沒有定義出各季度變量的權(quán)重系數(shù)，有待下一步在積累更多數(shù)據(jù)后進(jìn)行分析。

5電量預(yù)測及結(jié)果分析：

5.1輸入：

5.1.1天氣信息：

每日最高溫度、最低溫度、濕度、平均風(fēng)力、晴雨、臺風(fēng)等。

5.1.2電量數(shù)據(jù)：

兩周內(nèi)每天的電量數(shù)據(jù)，各自權(quán)重分別定義如下表：

基準(zhǔn)電量預(yù)測系數(shù)表(舉例)

備注：共分為周六、周日、周一、周二(周三、周四)、周五共五種系數(shù)定義。

5.2日類型的定義：

該變壓器的負(fù)荷特性與海島旅游聯(lián)系較為緊密，周一與周五負(fù)荷較小，周六周日負(fù)荷比周二周三周四稍高，假日通常比平日負(fù)荷略高，假日前后負(fù)荷比平日相對有所提高。根據(jù)這些特點(diǎn)，我們將日類型分為周一、周二(周三、周四為同一類型)、周五、周六、周日、假日1、假日2、假日前一天、假日最后一天共八種類型。

日類型定義一覽表

5.3電量預(yù)測計算：

5.3.1根據(jù)前14天的歷史數(shù)據(jù)計算出本周(前1~7天)和上周(前8~14天)的電量基準(zhǔn)值(系數(shù)詳見5.1.2中的表格);

5.3.2按照本周和上周的系數(shù)定義計算出預(yù)測日的電量基準(zhǔn)值;

E基準(zhǔn)= E本周 * K本周 + E上周 * K上周

5.3.3根據(jù)每日最高溫度、最低溫度、濕度、平均風(fēng)力、晴雨、臺風(fēng)等天氣信息確定每天各因素相關(guān)系數(shù)，各系數(shù)乘積為預(yù)測日的系數(shù);

K kwh = K d*K c* KTmin * KTmax * h * Kw* Kd

K kwh ：預(yù)測日的總系數(shù);

Kd ：預(yù)測日的日類型系數(shù);

Kc：預(yù)測日的天氣系數(shù);

KTmin、KTmax：預(yù)測日的最低、最高氣溫系數(shù);

Kh：預(yù)測日的濕度系數(shù);

Kw ：預(yù)測日的風(fēng)力系數(shù);

5.3.4計算預(yù)測日的預(yù)測電量E′：

E′= E基準(zhǔn)* Kkwh

5.3.5計算預(yù)測日的預(yù)測電量E：

為了更好地反映實(shí)際情況，將預(yù)測日的預(yù)測電量E′、前三天實(shí)際電量平均值和前三天預(yù)測電量平均值根據(jù)預(yù)先設(shè)定的系數(shù)求和，得出預(yù)測日的預(yù)測電量值E(公式如下)：

E=E′* K計算+E實(shí)際* K實(shí)際+ E預(yù)測* K預(yù)測

5.4輸入值、輸出值的反饋：

5.4.1每天預(yù)測電量：

每天預(yù)測電量作為預(yù)測當(dāng)天的輸出結(jié)果，也作為以后14天電量預(yù)測輸入值之一，本文計劃將每天預(yù)測電量中的干擾減小，如果某天預(yù)測電量的誤差值超過預(yù)先設(shè)定的百分比(如5%)，則取該日預(yù)測電量E乘以1與誤差值二分之一的差值的乘積作為該日預(yù)測電量的輸入值，這樣可以稍微減小預(yù)測誤差(詳見5.5.1的圖表)。

5.4.2每天實(shí)際電量：

每天實(shí)際電量作為以后14天電量預(yù)測輸入值之一，本文考慮將每天實(shí)際電量中的干擾降低，如果某天實(shí)際電量與前三天實(shí)際電量平均值相比連續(xù)兩天超過預(yù)先設(shè)定的百分比(如5%)，則取前三天實(shí)際電量均值和當(dāng)天實(shí)際電量的平均值作為當(dāng)天實(shí)際電量的輸入值。

5.5電量預(yù)測結(jié)果分析：

5.5.1誤差曲線：

5.5.2誤差分析：

如圖可見，電量預(yù)測的誤差值比較大，為通常預(yù)測誤差的兩倍左右。主要原因是單個變壓器的負(fù)荷變化較大，預(yù)測的難度相對于地區(qū)的總電量的預(yù)測要大許多;采用EXCEL表格而不是專門為電量預(yù)測而編寫的計算機(jī)程序作為預(yù)測工具，預(yù)測方法的應(yīng)用和準(zhǔn)確度會受到一定影響。

5.5.3今后分析方向：

為了驗(yàn)證本文中所采用的多步驟計算、多種系數(shù)定義、輸入平穩(wěn)處理等方案的應(yīng)用EXCEL工具的負(fù)荷預(yù)測方法，日后在獲得完備的地區(qū)負(fù)荷、電量數(shù)據(jù)時考慮將地區(qū)負(fù)荷及電量作為分析對象。今后應(yīng)積累更長時間的數(shù)據(jù)，改進(jìn)預(yù)測方法;同時考慮季節(jié)的不同，對不同季節(jié)的負(fù)荷及電量進(jìn)行預(yù)測。

此外，調(diào)整天氣變量的系數(shù)或設(shè)置權(quán)重系數(shù)、調(diào)整基準(zhǔn)電量的各日權(quán)重系數(shù)、調(diào)整各類型日的系數(shù)以及如何設(shè)置節(jié)假日極其系數(shù)，也是提高負(fù)荷預(yù)測、電量預(yù)測的準(zhǔn)確度需要考慮的重要因素。

參考文獻(xiàn)：

《電力系統(tǒng)負(fù)荷預(yù)測》康重慶，夏清，劉梅，中國電力出版社，2007年7月

《NEURAL NETWORK MODELS FOR SHORT-TERM LOAD FORECASTING》

Pauli Murto, Helsinki; January, 1998

《Short-Term Load Forecasting Using Time Series Analysis: A Case Study for Singapore》

Jianguang Deng, and Panida Jirutitijaroen, Member, IEEE; 2010

更多好文：21ic智能電網(wǎng)