基于歷史負荷數據的概率區(qū)間預測技術研究

徐交建，韓亞平，夏友斌，周慧慧，張向陽

摘 要：在分析地區(qū)電網負荷每日變化情況的基礎上，提出基于概率區(qū)間理論的地區(qū)電網日負荷預測方法；通過分析電網歷史數據，得到剔除方式變更、大用戶用電計劃等已知量的負荷變化大概率區(qū)間，然后根據統計分析出的天氣對負荷影響規(guī)律，得出實際天氣對負荷影響的模糊的壓縮后的概率區(qū)間，再利用求區(qū)間均值或期望的方法從壓縮后的區(qū)間中求得合適值，最后再綜合各個固定因素確定負荷預測曲線。實驗證明該方法能夠提高地區(qū)電力系統負荷預測的合格率和準確率。

關鍵詞：電力系統；負荷預測；概率區(qū)間

中圖分類號：TM715 文獻標志碼：A 文章編號：2095-2945（2018）06-0051-02

Abstract： Based on the analysis of daily load variation in regional power grid， a daily load forecasting method based on probabilistic interval theory is proposed. By analyzing the historical data of the power network， the large probability interval of load change of known quantities such as mode change， large user power plan and so on is obtained， and then according to the statistical analysis， the influence of the weather on the load is analyzed. The fuzzy compressing probability interval of the influence of actual weather on the load is obtained， and the appropriate value is obtained from the compressed interval by using the method of calculating the mean value or expected value of the interval. Finally， the load forecasting curve is determined by synthesizing all the fixed factors. Experiments show that this method can improve the qualified rate and accuracy of load forecasting in local power system.

Keywords： power system； load forecasting； probabilistic interval

電力系統負荷預測是電力系統安全、穩(wěn)定和經濟運行的基礎，其中日負荷預測對電力系統的運行、控制以及計劃都有著重要的影響。進一步提高日負荷預測的準確率勢在必行。多年來，國內外眾多研究人員在這方面作了很多工作，也提出了很多種方法，主要有人工神經網絡法、時間序列分析法、小波分析法、專家系統法等[1][2]。這些方法首先在實際操作時過分依賴計算機軟件，缺乏人機交互，但是影響電網負荷的因素太多，還是需要工作人員根據經驗做一些修改，因此這些方法得出的預測值的合格率與準確率往往不理想；另外以上方法直接得出一個固定的預測值，但是影響負荷預測的因素多而且復雜，特別是天氣變化的不確定性更明顯，任何一種因素的變化都會導致電網負荷的變化，因此得出一個負荷變化的概率區(qū)間要比直接得出一個固定值更可靠，最后工作人員根據要求以及經驗得出準確的預測值。

通過分析電網歷史數據，得到濾除方式變更、大用戶用電計劃等已知量的負荷變化規(guī)律的大概率區(qū)間，然后根據統計分析出的天氣對負荷影響規(guī)律，根據實際天氣對大概率區(qū)間進行進一步壓縮，再利用求區(qū)間均值或期望的方法從壓縮后的區(qū)間中求得合適的預測曲線，最后再綜合各個固定因素以及工作人員經驗確定負荷預測曲線。

1 分析歷史數據

電網負荷基本呈近似以周為周期的周期性變化。為了更準確地預測電網負荷，一般提前一天預測，這里稱進行預測工作的當日為預測日，預測日前一天為預測參考日，預測日后一天為被預測日?？紤]到負荷預測的時效性，選預測參考日為預測日前一天，是因為離被預測日最近且24小時負荷均已知的一天就是預測日前一天。舉例分析，周二當天根據周一的負荷曲線，預測周三的負荷值。因此，需分析被預測日負荷相對預測參考日負荷的變化規(guī)律，相鄰若干周內，該變化率相近，可參考已知的變化率進行預測[3]。為分析電網負荷的基本變化率，首先濾除方式變更、停電檢修、送電、大用戶用電、地區(qū)發(fā)電廠發(fā)電等外部干擾的已知量。預測曲線由96個點構成，分別代表一天24小時內每一刻鐘，即每15分鐘時電網的負荷值。在此，取2017年3月到5月每周內周四對周二的96點負荷數據的變化率進行說明，如圖1所示，橫軸代表96點，縱軸代表相對變化率。從圖1中不難發(fā)現，該變化率主要集中在-5%至+5%之間，那么這里就得到一個概率較大的變化率區(qū)間，稱為大概率區(qū)間。經過統計分析，相鄰若干周內，被預測日負荷相對預測參考日負荷的變化率基本處于一個區(qū)間，并且該區(qū)間相對較窄，有利于準確預測負荷。

2 分析天氣對電網負荷的影響

影響電網負荷的因素很多，但其中天氣對負荷的影響最大。天氣變化直接影響到各個行業(yè)生產運行以及人們生活的規(guī)律，進一步影響相應的用電規(guī)律，因此，首先需分析天氣對負荷的影響。天氣主要由兩個要素組成：雨雪和溫度。風速一般對負荷影響較小，除非該地區(qū)有風電場，有風電場時可將其納入發(fā)電廠發(fā)電部分。為方便分析天氣對負荷的影響，分別對雨雪以及溫度對負荷影響規(guī)律進行統計分析[4]。

（1）雨雪對負荷的影響。經統計歷史數據發(fā)現，雨雪在晴、多云、陰、小雨雪、中雨雪、大雨雪以及暴雨雪七個等級時，電網負荷分別有不同程度的變化，經過計算，得出雨雪在七個等級對應的電網負荷變化率。

（2）溫度對電網負荷的影響。為方便分析，結合人們生產生活的規(guī)律，將溫度每5度作為一個區(qū)間，每個區(qū)間內不同溫度時電網負荷變化不大，這樣可以減少繁復的計算，并且有利于模糊的分析出溫度對負荷的影響。一天之中不同的時間段內，溫度不同，其對負荷的影響程度也不同。因此要對96點中的每一點進行分析，得出每點對應的溫度及溫度對負荷的影響。

研究發(fā)現，電網負荷變化與天氣變化并不是一一對應關系，不同的天氣，其對應的負荷變化率基本處于某一區(qū)間內，但該區(qū)間寬度比大概率區(qū)間更小，進一步壓縮了預測區(qū)間。

3 從壓縮后預測區(qū)間中求得合適值

在做負荷預測工作時，往往有不同的要求：求高準確率曲線或高合格率曲線。求高準確率曲線時可能會因為一些隨機的因素造成負荷預測不理想，但一般情況下得出的負荷預測曲線準確率相對較高，風險大。求高合格率曲線時基本都能合格，但準確率一般相對較低，風險小。

設壓縮后預測區(qū)間的上限為q1，下限為q2。若要求高合格率，則取q1+（q2-q1）/2（即區(qū)間的均值）作為區(qū)間定值，得高合格率曲線。

若要求高準確率，首先將此區(qū)間分成10等份，然后取每一等寬度小區(qū)間的中間值作為該小區(qū)間的等效值，則第i個區(qū)間的等效值為q1+（2i+1）（q2-q1）/20，該小區(qū)間的概率值為pi，那么p0+p1+……p9=1，pi可由歷史數據分析得。最終得到期望：

并將此期望作為區(qū)間定值。然后以求得的區(qū)間定值，得高準確率曲線。

實驗證明這兩種方法能取得較好的效果。

4 綜合各種因素得出最終預測曲線

在得到高合格率、高準確率預測曲線之后，結合方式變更計劃、停電檢修計劃、送電計劃、大用戶用電計劃、地區(qū)發(fā)電廠發(fā)電計劃等已知量修正，再根據工作人員經驗得出最終的負荷預測曲線。

概率區(qū)間法負荷預測流程圖如圖2所示。

5 實驗結果

用MATLAB對負荷數據以及天氣進行統計分析。為驗證該預測方法的優(yōu)越性，取已有的人工神經網絡法、專家系統法預測結果與該方法比較。

隨機抽取某地區(qū)電網2017年9月在利用以上不同方法對該地區(qū)電網負荷預測時的效果進行對比，如表1所示。

由表1可知，人工神經網絡法、專家系統法雖有各自的一整套復雜預測系統，但是由于電網負荷的影響因素太多，單憑一套預測系統難以準確實現；這里以概率區(qū)間法為基礎，結合工作人員的經驗反而能夠提高負荷預測的準確率和合格率，實現有效人機交互，在預測效率與質量兩方面均得到提升。

6 結束語

概率區(qū)間法在一定程度上擺脫了對負荷預測人員經驗的依賴，減少了負荷預測的工作量，減輕了工作人員的負擔；同時實現人機交互，綜合統計分析出的負荷規(guī)律與人員經驗，比一些基于復雜的精確算法的諸如人工神經網絡法、專家系統法等方法更實用、更可靠。

電網負荷的影響因素繁雜，文中做了一些簡化，減少了一些參考因素，后續(xù)還需考慮更多的因素，以使得預測效果更精確。

參考文獻：

[1]劉莉，彭長均，羅洋.基于BP神經網絡的電力短期日負荷預測[J].電力自動化，2011，2：15-17.

[2]S. H. Ling， Frank H. F. Leung. H. K. Lam. Short-term Electric Load Forecasting Based on a Neural Fuzzy Network[J]. IEEE Transactions On industrial electronics， 2003，50（6）：1305～1316.

[3]張明理，趙瑞.短期負荷預測中相似日選擇的判別方法[J].吉林電力，2005，1：19-23.

[4]謝宏，陳志業(yè)，牛曉東.短期電力負荷預測的數據主成分分析[J].電網技術，2000，24（1）：43-46.