电力系统负荷预测方式综述

摘要: 电力系统负荷预测方式可分为超短期负荷预测、短期和中长期负荷预测。给出了预测原始数据采集处理、模型简介, 以及预测结果的处理。

关键词: 电力系统; 负荷预测; 预测模型; 电力调度;

中图分类号：F407文献标识码： A

负荷预测就是根据历史负荷值, 在满足一定精度的情况下决定未来某特定时刻的负荷值。根据不同的预测目的, 负荷预测可分为超短期、短期和中长期的预报。月至年的负荷预测为中期负荷预测, 主要确定水库的运行方式和设备大修计划等; 电源规划和发展时, 需要数年至数十年的长期负荷预测。中长期电力负荷预测系统主要用于制定电力系统的扩建规划, 包括装机容量的大小、形式、地点、时间和电网的增容扩建上。它为所在地区或电网的电力发展速度, 电力建设规模, 电力工业布局, 能源资源平衡, 地区间的电力余缺调剂, 以及电网资金和人力资源的需求平衡提供了可靠的依据。

1 超短期预测

超短期是指1 h内的负荷预测。在安全监视过程中, 需要5~ 10 s或1~ 5m in的负荷预报值,预防性控制和紧急状态处理需要10 m in至1 h的负荷预报值; 由于温度等因素变化比较缓慢, 预测的基础负荷数据已包含温度等因素的影响, 预测中可以不考虑温度影响。

1. 1原始数据

自动从SCADA (实时及历史外部数据服务器)获取系统实际负荷值, 并更新数据库在线数

据, 一般1m in采样一次。

1. 2 数据预处理

在超短期负荷预测中, 样本维护非常重要。大量伪数据的出现严重影响了预测精度的提高。

由于方案设计超短期预测一般步长在5m in以上,系统对每5m in的负荷采样都要分下面两种情况做处理: 采样值为零; 采样值不为零。

1. 3 模型简介

1. 3. 1线性外推方法

其基本思路有下列两条: 预测时刻的负荷值为当前时刻的负荷值叠加一个变化量; 在同类型日对应的时段内, 负荷变化趋势及变化值都相近。

1. 3. 2 启发式方法

该方法的基本思路是: 相邻若干日的负荷曲线形状一般非常相似, 其差值在一定区间内是大

致呈线性变化的。

1. 3. 3 替代法

替代法直接以当前时间的实际负荷作为下一点的预测值, 在节假日时, 系统负荷较小, 变化平稳, 此时该方法效果比其它方法要好。

2 短期预测

短期预测目的是完成次日24 h、48 h、96 h和指定时间间隔的短期日负荷预测; 完成周( 168 h)负荷预测短期负荷预测主要预测未来1 日24 h和1周168 h 负荷的变化。可以考虑温度、天气情况等这些对电力负荷有重要影响的因素的作用, 在提供工作日负荷预测的同时, 还提供普通休息日(星期六、星期日) 和节假日(元旦、春节等)的电力负荷预测。短期负荷特点之一是周期性强, 1 日或1 周的负荷具有很强的规律性; 其特点之二是天气影响很大, 模型必须能够考虑各种天气因素的影响;其特点之三是工作日、节假日重大事件的影响, 必须与正常的负荷区分开。

2. 1原始数据

各天同一时刻(以小时为单位) 的电力负荷数据, 各天的天气情况、各天的最高与最低温度。

2. 2 异常数据的处理

在实际预测中对于待检测的历史负荷, 系统用以下两种方法来判别与修正异常数据。

2. 2. 1 分时段设定阈值判别法

对不同时段区间内的负荷, 参照其波动范围分别设定最大、最小阈值, 然后对区间的各负荷数据进行筛选。该法可以将多数坏数据筛选出来,再加以修正。

2. 2. 2 数据纵向对比法

将某一时刻的负荷值, 分别与其前1天、2天相同时刻的负荷值进行比较, 如果偏差大于某一阈值, 则取平均值代替, 对该数据点重复采用三点平均法进行修正, 直至其数值符合负荷黏度原理为止。在一些具体的模型算法中, 也有一些特殊的异常数据的处理方法。

2. 3 模型简介

2. 3. 1指数平滑模型

模型适合同类型的日平均负荷具有线性变化趋势, 而同类型日同时刻的负荷变化系数在一条水平线上呈随机波动的情况。以一次指数平滑值与二次指数平滑值进行线性组合, 可得

到预测值。指数平滑法对数据的趋势转折点的鉴别能力差, 所以考虑采用撒马拉自适应指数平滑算法, 可以在一定程度上弥补这个缺点。

2. 3. 2线性外推方法

该模型认为近期负荷是围绕线性曲线作随机波动, 线性变化的趋势在未来还依然存在。对N个相同类型日的平均负荷做线性回归, 预报出预测日的平均负荷, 再根据历史参考日负荷变化系数的平均值, 预测各时段的负荷值。

2. 3. 3人工神经网络预测值

人工神经网络是模仿人脑工作方式的智能网络, 节点分为输入层、隐藏层、输出层。输入层的节点接受输入信号, 输出层的节点提供输出信号。神经网络通过􀀁 学习􀀁自适应地产生适合新情况的新规则。在短期电力负荷预测中, 使用人工神经网络可直接将天气、温度对电力负荷的影响纳入模型。同时, 只要改变模型的输入层单元数据,模型对普通日与节假日电力负荷预测均适用。

2. 3. 4 模糊聚类分析

模糊逻辑是一种解决不精确、不完全信息问题的方法。其最大的特点是可以比较自然地处理人类的概念。为了较充分地利用与负荷预测密切相关的天气这个语言信息, 可以引入模糊逻辑来确定预测日的负荷曲线形状。

2. 4 特殊日负荷预测

除了上面的预测模型以外, 针对特殊日的电力负荷预测, 专门建立了以下几种模型。

2. 4. 1 ARIMA+ GM ( 1, 1)模型用AR IMA ( p, d, q)模型预测出周末、节假日这类特殊变化过程的日负荷值, 以灰色模型GM( 1, 1)对残差进行修正。

2. 4. 2 对负荷进行权重处理的ARMAX模型由于假日负荷曲线与工作日负荷曲线在负荷大小和曲线形状上都有明显差别, 所以工作日与假日的预测模型应当采用不同的数据分别建模。对不同类型的历史负荷作适当的权重处理,以做过权重处理的历史负荷作为建模的数据。这样处理就相当于对负荷进行滤波, 去掉一些负荷变化异常的点。经过这样处理以后的负荷比较适用于随机模型来预测。

2. 5 预测结果

一周内每日最大预测负荷、最小预测负荷及相应出现时间, 每日平均预测负荷、预测电量。以曲线和表格两种形式显示, 如果预测日是某一历史日, 则还可以显示历史数据和曲线, 以便于预测结果和曲线直接比较, 同时给出预测平均误差、预测最大误差等信息。

3 中长期预测

其目的是完成月、季、年的中长期负荷预测。中长期电力负荷特点之一是规律性强, 一年12个月负荷具有很强的规律性(季节性、趋势性、周期性) ; 其特点之二是气温、气候影响很大, 模型必须能够顾及这些因素的影响; 其特点之三是用电量和预测区域负荷构成、工农业构成比例有关。

3. 1预测数据库

国民经济和社会发展的指标数据, 如国内生产总值( GDP)、总人口、第一、二、三产业产值等;分行业电量, 按照电力部现有行业用电分类指标管理; 负荷数据。

3. 2 模型简介

3. 2. 1􀀁产值单耗法(分部门法)

适用于预测地区较大时的中长期负荷预测。根据对三大产业产值单位耗电量和居民生活用电量的预测或规划来预测中长期年度耗电量。

3. 2. 2 回归分析法

回归分析法(又称统计分析法) 也是目前广泛应用的定量预测方法。其任务是确定预测值和影响因子之间的关系。采用该方法进行负荷预测时, 要建立人口与居民用电、各产业同各产业用电的关系, 采用政府部门提供的人口及经济规划指标, 预测对应年度的售电量值。其中主要采用分部门用电的综合预测方法,即分别按第一产业、第二产业、第三产业(含商业)和居民生活用电建立回归方程, 再汇总得出电力的总需求量。

3. 2. 3 趋势外推法

它是根据已知的历史资料来拟合一条曲线,使这条曲线反映负荷本身的增长趋势, 然后按照这个增长趋势曲线, 对于要求的未来某一点, 从曲线上估计出该时刻的负荷预测值或者是某时间段的耗电量。

3. 3 预测结果

中长期电力负荷预测包括电量预测和电力预测两大方面。其主要预测内容有: 年用电量预测(分行业预测、分地区预测、总量预测) ; 年内各月用电量(年电量分布曲线) 预测; 年最大负荷预测; 年内各月最大负荷(年负荷曲线)预测; 典型负荷曲线预测。

4 预测结果处理

无论是超短期预测、短期预测, 还是中长期预测, 其预测结果处理均有下面两种情况。单一模型: 用户选择一种模型预测后, 该模型的结果立刻显示。所有已预测模型: 即查询模式。模型预测后,结果存放到数据库中, 用户可以从这些已预测模型中选择结果比较满意的再进行下一步的综合模型预测, 即组合预测。组合预测方法: 为提高预测精度, 完善预测方法, 可以使用组合预测模型。将不同的预测方法进行适当的组合, 以综合利用各种方法所提供的信息, 尽可能提高预测精度。组合预测面临的主要问题就是预测权重的确定。权重也称系数, 决定了单一模型在组合预测中的比重。确定权重的方法有方差- 异方差法、等权重法、线性规划的方法, 亦可由有经验的用户自己定义权重。

5 结束语

以上统计分析模块和预测模块虽然是分别介绍的, 可是其后台支持的数据库和模型库是统一的。因为准确的统计数据和调查资料是任何统计分析和预测的基础, 而不同模块可能调用相同的数据, 不同预测模块的某些模型和算法也是相同的。