短期电量预测的应用实例

1引言

电力负荷预测是根据电力负荷、经济、社会、气象等的历史数据，当前及未来天气信息，预测未来电力负荷的过程。

负荷预测是电力系统运行管理的关键组成部分。工业、民用、公用事业用电负荷特性迥异，电力负荷及用电量因天气、社会活动的变化，具有很大的波动性和季节性;对电力负荷作出正确的预测，是电力系统制订扩容、运行、检修等计划的基础。为了电力系统运行的有效性和运行效率，我们需要正确地预测系统负荷;如果系统负荷预测过高，系统发电容量偏大导致运行成本过高;相反，如果系统负荷预测偏低，将会影响到系统的可靠性和安全性。

2负荷预测的主要分类：

2.1按照预测指标分类:

电力负荷预测可分为电量预测和电力预测。电量预测包括社会用电量、网供电量、行业电量、区域电量等，电力预测包括最大负荷、最小负荷、负荷率、负荷曲线等。

2.2 按照预测时间的长短分类，负荷预测可分为以下三类：

2.2.1长期负荷预测：3～5年甚至更长时间段内的负荷预测，用于电力公司规划管理，进行未来扩建、电网改造、设备采购、人员招聘等预测;

2.2.2中期负荷预测：月至年的负荷预测，用于燃料供应和机组维护的计划，功率共享协调;

2.2.3短期负荷预测：指日负荷预测和周负荷预测，用于经济运行计划，机组发电系统管理，安全分析，短期维护等。

2.2.4超短期负荷预测：是指未来1h以内的负荷预测，用于预防性控制和紧急处理。

3短期负荷预测的常用方法：

随着科学创新产生的新方法、计算机技术发展营造的实时环境和电力营销机制的发展，二十世纪九十年代中期以来，短期负荷预测在电力文献中是很常见的研究课题。尽管许多方法经过了测试并证明其实用性，目前还没有一种强大的通用方法，主要是因为特定情况下的环境和需求对适用模型的选择有着重大影响。

3.1时间序列分析法：

时间序列分析模型由美国学者George Box和英国统计学家Gwilym Jenkins在1968年提出，被认为是最经典、最系统的预测方法，是短期负荷预测的常用方法。

3.1.1自回归——移动平均模型(ARMA，AutoRegressive Moving Average)：

自回归模型(AR，AutoRegressive)负荷的现在值由过去值的加权值的有限线性组合及一个干扰量来表示;移动平均模型假设干扰的影响只表现在有限的几个连续时间间隔内，自回归——移动平均模型既包含自回归部分又包含移动平均部分。

3.1.2累积式自回归——移动平均模型(ARIMA，AutoRegressive Integrated Moving Average)：

电力系统负荷受季节、天气、社会活动、设备状况等因素影响，负荷时间序列的变化会出现非平稳的随机过程。通过差分将负荷时间序列进行平稳处理，然后按照3.1.1和3.1.2的平稳时间序列模型进行建模;这就是累积式自回归——移动平均模型。

3.1.3季节性综合自回归移动平均模型(Seasonal ARIMA)：

每日负荷与前一天和上一周相同日具有相似性，不同季节之间的负荷具有明显的区别;累积式自回归——移动平均模型加上季节性因素以后，形成季节性综合自回归移动平均模型。

3.2基于人工智能网络技术(ANN，Atificial Neural Network)的预测方法：

研究人员常常使用基于人工智能网络技术的方法进行负荷预测并取得很好的效果，这些方法的亮点在于假设人工智能网络对负荷特性有学习能力。

3.2.1什么是人工智能网络(ANN)?

人工智能网络始于人们认识到人的大脑以完全不同常规的数字计算机。人脑是一个高度复杂的、非线性的、并行的信息处理系统，组织神经元以超过当今最快的计算机数倍的速度进行运算;例如，在陌生的环境中辨别一张熟悉的人脸，大约只需要100~200毫秒，而常规计算机执行一项相对简单的任务还需耗费数天之久。

人工智能网络将人脑处理特定任务的方式进行模型处理，由电子元件或计算机软件模拟过程执行，是由通过学习过程具有存储经验知识并使用的许多单一处理单元组成的大型并行处理机器。

3.2.2人工智能网络的优势：

经过培训的人工智能网络可以作为某个信息类别的“专家”，为新情况指明方向或回答判断路径问题等。

人工智能网络是功能极其强大的、高效的并行处理机器，具有学习和归纳能力，对错误和噪音具有特别的适应性。

3.2.3人工智能网络的结构：

单层前馈网络：

4研究对象和模型选择：

4.1研究对象：

本文选择供电区域内的一个典型的500kVA变压器作为负荷预测分析的对象，负荷以居民用户为主、兼有商业和非工业单位用户。

本文尝试对单个变压器的每日用电量进行预测分析。单个变压器的负荷波动性较大，特别在周末和节假日，游客数量多少对该变压器用电量影响较大，因此预测的难度相对加大。

4.2方法和模型选择：

本文选择时序系列分析法为基本研究方法，考虑天气、季节等因素，对负荷时间序列进行平稳处理;以EXCEL表格为基本分析工具，采用人工智能网络技术对天气、季节各变量分配相应的权重，同时对误差进行及时修正。

4.3数据时间范围：

由于今年3月份开始收集负荷数据，因此负荷数据的时间长度只有三个月，暂时没有定义出各季度变量的权重系数，有待下一步在积累更多数据后进行分析。

5电量预测及结果分析：

5.1输入：

5.1.1天气信息：

每日最高温度、最低温度、湿度、平均风力、晴雨、台风等。

5.1.2电量数据：

两周内每天的电量数据，各自权重分别定义如下表：

基准电量预测系数表(举例)

备注：共分为周六、周日、周一、周二(周三、周四)、周五共五种系数定义。

5.2日类型的定义：

该变压器的负荷特性与海岛旅游联系较为紧密，周一与周五负荷较小，周六周日负荷比周二周三周四稍高，假日通常比平日负荷略高，假日前后负荷比平日相对有所提高。根据这些特点，我们将日类型分为周一、周二(周三、周四为同一类型)、周五、周六、周日、假日1、假日2、假日前一天、假日最后一天共八种类型。

日类型定义一览表

5.3电量预测计算：

5.3.1根据前14天的历史数据计算出本周(前1~7天)和上周(前8~14天)的电量基准值(系数详见5.1.2中的表格);

5.3.2按照本周和上周的系数定义计算出预测日的电量基准值;

E基准= E本周 * K本周 + E上周 * K上周

5.3.3根据每日最高温度、最低温度、湿度、平均风力、晴雨、台风等天气信息确定每天各因素相关系数，各系数乘积为预测日的系数;

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

K kwh ：预测日的总系数;

Kd ：预测日的日类型系数;

Kc：预测日的天气系数;

KTmin、KTmax：预测日的最低、最高气温系数;

Kh：预测日的湿度系数;

Kw ：预测日的风力系数;

5.3.4计算预测日的预测电量E′：

E′= E基准* Kkwh

5.3.5计算预测日的预测电量E：

为了更好地反映实际情况，将预测日的预测电量E′、前三天实际电量平均值和前三天预测电量平均值根据预先设定的系数求和，得出预测日的预测电量值E(公式如下)：

E=E′* K计算+E实际* K实际+ E预测* K预测

5.4输入值、输出值的反馈：

5.4.1每天预测电量：

每天预测电量作为预测当天的输出结果，也作为以后14天电量预测输入值之一，本文计划将每天预测电量中的干扰减小，如果某天预测电量的误差值超过预先设定的百分比(如5%)，则取该日预测电量E乘以1与误差值二分之一的差值的乘积作为该日预测电量的输入值，这样可以稍微减小预测误差(详见5.5.1的图表)。

5.4.2每天实际电量：

每天实际电量作为以后14天电量预测输入值之一，本文考虑将每天实际电量中的干扰降低，如果某天实际电量与前三天实际电量平均值相比连续两天超过预先设定的百分比(如5%)，则取前三天实际电量均值和当天实际电量的平均值作为当天实际电量的输入值。

5.5电量预测结果分析：

5.5.1误差曲线：

5.5.2误差分析：

如图可见，电量预测的误差值比较大，为通常预测误差的两倍左右。主要原因是单个变压器的负荷变化较大，预测的难度相对于地区的总电量的预测要大许多;采用EXCEL表格而不是专门为电量预测而编写的计算机程序作为预测工具，预测方法的应用和准确度会受到一定影响。

5.5.3今后分析方向：

为了验证本文中所采用的多步骤计算、多种系数定义、输入平稳处理等方案的应用EXCEL工具的负荷预测方法，日后在获得完备的地区负荷、电量数据时考虑将地区负荷及电量作为分析对象。今后应积累更长时间的数据，改进预测方法;同时考虑季节的不同，对不同季节的负荷及电量进行预测。

此外，调整天气变量的系数或设置权重系数、调整基准电量的各日权重系数、调整各类型日的系数以及如何设置节假日极其系数，也是提高负荷预测、电量预测的准确度需要考虑的重要因素。

参考文献：

《电力系统负荷预测》康重庆，夏清，刘梅，中国电力出版社，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智能电网