短期電量預測的應用實(shí)例

1引言

電力負荷預測是根據電力負荷、經(jīng)濟、社會(huì )、氣象等的歷史數據，當前及未來(lái)天氣信息，預測未來(lái)電力負荷的過(guò)程。

負荷預測是電力系統運行管理的關(guān)鍵組成部分。工業(yè)、民用、公用事業(yè)用電負荷特性迥異，電力負荷及用電量因天氣、社會(huì )活動(dòng)的變化，具有很大的波動(dòng)性和季節性;對電力負荷作出正確的預測，是電力系統制訂擴容、運行、檢修等計劃的基礎。為了電力系統運行的有效性和運行效率，我們需要正確地預測系統負荷;如果系統負荷預測過(guò)高，系統發(fā)電容量偏大導致運行成本過(guò)高;相反，如果系統負荷預測偏低，將會(huì )影響到系統的可靠性和安全性。

2負荷預測的主要分類(lèi)：

2.1按照預測指標分類(lèi):

電力負荷預測可分為電量預測和電力預測。電量預測包括社會(huì )用電量、網(wǎng)供電量、行業(yè)電量、區域電量等，電力預測包括最大負荷、最小負荷、負荷率、負荷曲線(xiàn)等。

2.2 按照預測時(shí)間的長(cháng)短分類(lèi)，負荷預測可分為以下三類(lèi)：

2.2.1長(cháng)期負荷預測：3～5年甚至更長(cháng)時(shí)間段內的負荷預測，用于電力公司規劃管理，進(jìn)行未來(lái)擴建、電網(wǎng)改造、設備采購、人員招聘等預測;

2.2.2中期負荷預測：月至年的負荷預測，用于燃料供應和機組維護的計劃，功率共享協(xié)調;

2.2.3短期負荷預測：指日負荷預測和周負荷預測，用于經(jīng)濟運行計劃，機組發(fā)電系統管理，安全分析，短期維護等。

2.2.4超短期負荷預測：是指未來(lái)1h以?xún)鹊呢摵深A測，用于預防性控制和緊急處理。

3短期負荷預測的常用方法：

隨著(zhù)科學(xué)創(chuàng )新產(chǎn)生的新方法、計算機技術(shù)發(fā)展營(yíng)造的實(shí)時(shí)環(huán)境和電力營(yíng)銷(xiāo)機制的發(fā)展，二十世紀九十年代中期以來(lái)，短期負荷預測在電力文獻中是很常見(jiàn)的研究課題。盡管許多方法經(jīng)過(guò)了測試并證明其實(shí)用性，目前還沒(méi)有一種強大的通用方法，主要是因為特定情況下的環(huán)境和需求對適用模型的選擇有著(zhù)重大影響。

3.1時(shí)間序列分析法：

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

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

自回歸模型(AR，AutoRegressive)負荷的現在值由過(guò)去值的加權值的有限線(xiàn)性組合及一個(gè)干擾量來(lái)表示;移動(dòng)平均模型假設干擾的影響只表現在有限的幾個(gè)連續時(shí)間間隔內，自回歸——移動(dòng)平均模型既包含自回歸部分又包含移動(dòng)平均部分。

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

電力系統負荷受季節、天氣、社會(huì )活動(dòng)、設備狀況等因素影響，負荷時(shí)間序列的變化會(huì )出現非平穩的隨機過(guò)程。通過(guò)差分將負荷時(shí)間序列進(jìn)行平穩處理，然后按照3.1.1和3.1.2的平穩時(shí)間序列模型進(jìn)行建模;這就是累積式自回歸——移動(dòng)平均模型。

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

每日負荷與前一天和上一周相同日具有相似性，不同季節之間的負荷具有明顯的區別;累積式自回歸——移動(dòng)平均模型加上季節性因素以后，形成季節性綜合自回歸移動(dòng)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)行負荷預測并取得很好的效果，這些方法的亮點(diǎn)在于假設人工智能網(wǎng)絡(luò )對負荷特性有學(xué)習能力。

3.2.1什么是人工智能網(wǎng)絡(luò )(ANN)?

人工智能網(wǎng)絡(luò )始于人們認識到人的大腦以完全不同常規的數字計算機。人腦是一個(gè)高度復雜的、非線(xiàn)性的、并行的信息處理系統，組織神經(jīng)元以超過(guò)當今最快的計算機數倍的速度進(jìn)行運算;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，而常規計算機執行一項相對簡(jiǎn)單的任務(wù)還需耗費數天之久。

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軟件模擬過(guò)程執行，是由通過(guò)學(xué)習過(guò)程具有存儲經(jīng)驗知識并使用的許多單一處理單元組成的大型并行處理機器。

3.2.2人工智能網(wǎng)絡(luò )的優(yōu)勢：

經(jīng)過(guò)培訓的人工智能網(wǎng)絡(luò )可以作為某個(gè)信息類(lèi)別的“專(zhuān)家”，為新情況指明方向或回答判斷路徑問(wèn)題等。

人工智能網(wǎng)絡(luò )是功能極其強大的、高效的并行處理機器，具有學(xué)習和歸納能力，對錯誤和噪音具有特別的適應性。

3.2.3人工智能網(wǎng)絡(luò )的結構：

單層前饋網(wǎng)絡(luò )：

4研究對象和模型選擇：

4.1研究對象：

本文選擇供電區域內的一個(gè)典型的500kVA變壓器作為負荷預測分析的對象，負荷以居民用戶(hù)為主、兼有商業(yè)和非工業(yè)單位用戶(hù)。

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

4.2方法和模型選擇：

本文選擇時(shí)序系列分析法為基本研究方法，考慮天氣、季節等因素，對負荷時(shí)間序列進(jìn)行平穩處理;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、季節各變量分配相應的權重，同時(shí)對誤差進(jìn)行及時(shí)修正。

4.3數據時(shí)間范圍：

由于今年3月份開(kāi)始收集負荷數據，因此負荷數據的時(shí)間長(cháng)度只有三個(gè)月，暫時(shí)沒(méi)有定義出各季度變量的權重系數，有待下一步在積累更多數據后進(jìn)行分析。

5電量預測及結果分析：

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。