（控制理论与控制工程专业论文）考虑气象和节假日因素的电力系统负荷建模研究.pdf

摘要 摘要 论文题名：考虑气象和节假日因素的电力系统负荷建模研究 硕士研究生姓名：李刚 导师姓名：戴先中教授 学校名称：东南大学 负荷建模和负荷预测是电力系统安全运行和合理调度的重要工作基础。本文提出了一种考虑气 象和节假日因素的、系统的负荷建模方法，并将其具体应用于江苏某地区的负荷预测。主要研究内 容和成果有： 1 提出了基于趋势分解的电力系统负荷建模方法。首先，将整体负荷分解为趋势负荷和非 趋势负荷两部分，两者分别反映负荷的趋势性变化量和非趋势性变化量；然后，进一步 将非趋势负荷分解为受信息充分因素和信息不充分因素影响的两部分其中的信息充分 因素包括多个“主导因素”，从而受信息充分因素影响的负荷就可由多个受“主导因素” 影响的负荷之和表示，而受信息不充分因素影响的非趋势性负荷则属于非建模部分。在 负荷预测的具体应用中，非趋势负荷可由各主导因素的修正模型获得 2 分析了移动平均值和k m e a n s 聚类分析两种方法在负荷数据预处理应用上的优缺点，并 提出了综合使用两种方法的改进的数据预处理方法 3 具体实现了所提出的建模方法首先利用a r m a 模型实现了趋势负荷的建模，然后利用 a r m a 、租糙集、倍比等方法依次建立了主导因素( 人体舒适度、降水、节假日) 的修 正模型。 4 具体结合江苏某地区2 0 0 5 到2 0 0 7 年的负荷和气象数据，应用了上述负荷建模与预测方 法，结果表明了所提方法的有效性。 关键词：负荷建模，负荷预测，a r m a , 人体舒适度；粗糙集 堕翌! t - 一一一 a b s t r a c t t i t l e ：r e s e a r c ho nl o a dm o d e l i n go fp o w e rs y s t e m sc o n s i d e r i n gm e t e o r o l o g i c a la n df e s t i v a lf a c t o r s m a s t e rc a n d i d a t e ：l ig a n g s u p e r v i s o r ：p r o f e s s o r ，d a ix i a n - z h o n g o r g a n i z a t i o n ：s o u t h e a s tu n i v e r s i t y l o a dm o d e l i n ga n df o r e c a s t i n ga r ev e r yi m p o r t a n tf o rt h es a f eo p e r a t i o na n de c o n o m i cm a n a g e m e n t o fe l e c t r i cp o w e rs y s t e m s as y s t e m a t i cl o a dm o d e l i n gm e t h o di s p r o p o s e di nt h ep a p e r ，w h i c hc o n s i d e r s t h ei n f l u e n c e so fm e t e o r o l o g i c a la n df e s t i v a lf a c t o r s m e a n w h i l e ，t h ep r o p o s e dm o d e l i n gm e t h o di su s e dt o f o r e c a s tt h el o a do f a na r e ai nj i a n g s up r o v i n c e t h em a i nw o r ko f t h e p a p e ri sa sf o l l o w s ： 1 b a s e do nt h ec o n c e p to f t r e n d d e c o m p o s i t i o n ，as y s t e m a t i cl o a dm o d e l i n gm e t h o di sp r o p o s e d f i r s t l y ，t h ew h o l el o a di sd e c o m p o s e di n t ot w op a r t s ，o rt h et r e n dl o a da n dn o n t r e n di o a d w h i c hd e s c r i b et h ec h a n g eq u a n t i t yo ft h el o a di na c c o r d a n c ew i t ht h et e n d e n c ya n dt h a tn o ti n a c c o r d a n c ew i t ht h e t e n d e n c y , r e s p e c t i v e l y s e c o n d l y , t h en o n t r e n dl o a di s 如n h e r i v d e c o m p o s e di n t ot w op a r t s ：o n ei n f l u e n c e db yk n o w ni n f o r m a t i o n sa n do t h e rb yu n k n o w n i n f o r m a t i o n s h e r e ，t h ek n o w ni n f o r m a t i o n sc o u l db er e p r e s e n t e da ss e v e r a ld o m i n a n tf a c t o r s t h i r d l y , t h en o n - t r e n dl o a di n f l u e n c e db yk n o w ni n f o r m a t i o n sc o u l db er e p r e s e n t e db yt h es u m o fl o a d si n f u e n c e db yd o m i n a n tf a c t o r s i ts h o u l db en o t e dt h a tt h en o n t r e n di o a di n n u e n c e d b y 岫- k n o w ni n f o r m a t i o n si sc o n s i d e r e da st h eu n m o d e l e dp a r t i nt h er e a la p p l i c a t i o n s ，t h e n o n - t r e n dl o a dc a nb eo b t a i n e db yt h ec o r r e s p o n d i n gc o r r e c t i o nm o d e l so fe v e r y d o m i n 孤l t f k t o r 2 t h ea d v a n t a g e sa n dd i s a d v a n t a g e so ft r a d i t i o n a l m o v i n ga v e r a g em e t h o da n dk - m e 觚s m e t h o da r ea n a l y z e di nd a t ap r e p r o c e s s i n g t h e n ，a ni m p r o v e dm e t h o di s p r o p o s e dt oo b t a i n b e t t e rd a t ap r e p r o c e s s i n gr e s u l t s 3 - t h e p r o p s e dm o d e l i n gm e t h o di sr e a l i z e dc o n c r e t e l y t r e n dl o a di sc a l c u l a t e db a s e d0 na r m a m o d e l ，a n dt h ec o r r e c t i o nm o d e l so fd o m i n a n tf a c t o r s - ( i n c l u d i n gh u m a nc o m f o r t a b l ed e g 啪， r a i n f a l l ，f e s t i v a l ) a r ee s t a b l i s h e db ya r j v t a ，r o u g hs e t ，m u l t i p l ep r o p o r t i o n ，r e s p e c t i v l e y 4 t h ev a l i d i t yo ft h ep r o p o s e df o r e c a s t i n gm e t h o di sv e r i f i e db a s e do nt h ea c t u a ld a t ao fa na r e a o fj i a n g s up r o v i n c e ，i n c l u d i n gt h el o a da n dm e t e o r o l o g i c a ld a t af r o m2 0 0 5t o2 0 0 7 k e yw o r d s ：l o a dm o d e l i n g ，l o a df o r e c a s t i n g ，a r m a ，h u m a nc o m f o r t a b l e d e g r e e r o u g hs e t i i 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发 表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用 过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明 并表示了谢意。 研究生签名：本，利日期：伊万 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内 容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可 以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研 究生院办理。 贰熟 | 、 日期： 第l 章绪论 第1 章绪论 1 1 课题研究背景和意义 随着整体社会经济的发展，目前国内外电力系统呈现出了一些新的特点和趋势，例如市场化、 放松管制、新能源等。其中以下几点很值得我们注意： 电力系统的安全性越来越重要，同时一旦失稳，所造成的破坏也越来越严重。目前，电力 系统的安全稳定运行已经是一个关系国计民生的重要问题，社会经济的各个方面越来越依赖于可靠 的电力供应，甚至可以认为电力系统的安全稳定运行是一个关系到国家安全的重大问题。然而在另 一个方面人们又发现，目前电力系统的安全水平仍旧难以满足实际要求，近年来国际上频繁发生的 大停电事故就是一个例证。例如2 0 0 3 年的北美“8 1 4 ”大停电，事后看似不那么特殊的原因就导致了 1 0 0 多个发电厂停运，几十条高压输电线停运，美国和加拿大互联电网一共失去6 1 8 g w 负荷，扰 乱了5 0 0 0 万人的生活，停电时间长达2 9 小时，据估计造成的经济损失高达3 0 0 亿美元f 。 节能降耗是当前“十一五”国家宏观调控的重要内容，作为能源消耗的主要部门电力企业 需要更加准确地了解供求关系，提高电能的利用率，降低电能的在输送、分配环节上的损耗。 在当今世界，环境保护问题得到了越来越多的关注和重视，电力系统作为重要的能源供应 者，也处在风头浪尖之上。许多环保方面的因素( 如一次能源的供给、土地利用、污染排放、电磁 干扰等) 都要求电力系统的各个环节( 包括发电、输电、配电等) 尽量运行于其极限。目前在我国， 尤其是在一些经济发达、工业发展速度较快的地区，在用电高峰时还会有一些拉闸限电的情况存在。 作者认为，在目前这个大的背景之下，为了电力行业又好又快的发展，必须依靠先进的科学技 术来提高电力系统的技术水平和管理水平。作为基础，应该进一步深入研究电力系统的一些本质特 征，并将有关结果应用于电力工业实践。 电力系统负荷，作为电力系统中的一大类重要元件，其特征分析( 包括各类负荷的具体特性、 负荷变化规律、整体或区域负荷的建模等，其中建模问题是其代表) 对于电力系统中的许多问题， 例如负荷频率控制、发电计划调度、协调控制等，都很重要。整体上，深入分析电力系统的负荷特 征，对于深入理解电力系统的本质，对于电力系统的安全稳定运行，均具有重要的理论意义和现实 意义。也正因为如此，长期以来研究人员已经对此进行了大量的研究。 近年来，有关电力系统负荷的研究又引起了许多研究人员的重视，这主要是由于以下2 个原因： 随着整体社会经济的发展，电力系统负荷的特征与规律越来越复杂，出现了一些新情况和 新问题。例如普通居民用电的份额越来越高；随着居民生活水平的提高和劳动条件的改善，整体负 l 东南大学硕上学位论文 荷受天气、节假日等因素的影响越来越明显；随着许多电力电子负荷的不断加入，整体的负荷构成 更为复杂；有关电价优惠政策使得很多高耗能企业用电时间发生转移。 目前对电力系统安全稳定运行水平、经济运行水平的要求越来越高，相应的就需要更为合 理的负荷模型，也需要更深入地了解电力系统负荷的一些本质属性。 正是基于上述原因，为更深入地分析电力系统负荷的本质问题，更好地为实际电力工程做出贡 献，本文致力于总结和建立一套行之有效地方法研究电力系统负荷建模问题，并给出相对应的负荷 预测方法。 整体上可以认为，负荷建模是负荷预测的基础，负荷预测是负荷建模一个很重要的应用领域， 同时可通过负荷预测的结果检验负荷模型的准确性。具体地，负荷建模的重点是通过分析负荷特性， 并将这些特性利用数学模型描述出来，而负荷预测则是在充分了解负荷特性的基础上，利用负荷的 历史数据，按照一定的方法，对未来负荷的发展变化做出推测。 1 2 电力系统负荷建模的研究现状 从更为一般的角度看，电力系统负荷建模有两大类： 个别负荷的建模问题。 这类负荷建模问题研究的是电力系统中某些个别负荷的建模问题，例如同步电机、异步电机、 电动机车、空调负荷等。 整体负荷的建模问题。 这类负荷建模问题研究的是电力系统中一个区域所有负荷的整体建模问题，例如一个省、市或 县的整体负荷特性的建模问题。 一般认为，电力系统负荷建模方法可分为机理建模和非机理建模两大类。所谓机理建模主要是 依据负荷的具体物理学特性进行数学建模，这类方法大都适用于个别负荷建模问题，或小规模负荷 建模问题( 如一个工厂) 。对于较大规模电网负荷而言，机理建模方法很难应用，因为电网中包括的 元件种类众多，特性各异，基本不可能统一的通过基本物理学定律分析、归纳出其数学模型。与机 理建模方法相对应，非机理建模主要是根据历史负荷、调查结果等原始数据，通过采用各种数据分 析方法( 如统计学方法) ，从定性或定量的角度用一定的数学模型去描述这些数据存在的共同特点， 从而建立负荷模型。这类方法在整体负荷建模问题中占据主要地位。 本文所研究的是一个区域的整体负荷建模问题，因此在下面将仅综述整体负荷建模问题的研究 现状。需说明的是，如上所述，负荷建模问题与负荷预测问题是很密切相关的两个问题，因此在下 面的综述中这两个方面都将提及。 2 第l 章绪论 初步地，可将目前的研究分为如下几个方面： ( 1 ) 不考虑任何非负荷因素，仅基于历史负荷数据的建模分析和预测 这类方法又可以细分为如下几类： 对传统方法的进一步改进。 对于负荷预测问题，传统的方法主要是时间序列模型方法，该方法在实际电力工程中获得了极 为广泛的应用。近期有一些研究是对此传统方法的进一步改进，如文献【2 】对于a r 方法的初值问题 进行了讨论；文献【3 】和 4 】采用线性稀疏a r 模型进行负荷预测。 应用各种新理论、新算法( 如神经网络、人工智能、模糊理论、混沌理论等) 进行研究。 整体上，这类研究理论上进行的较多，但是实际应用较少。比较典型的有： 文献【3 】主要介绍了几种人工神经网络在负荷预测方面的应用；文献【5 】主要介绍了混合模糊建模 技术的应用；文献【6 】则利用多元理论对混沌时间序列、相空间o n p 、神经网络等九种方法进行了分 析，其理论深度较大：文献【7 】采用了a n n 、b p 、灰色理论等方法对负荷进行预测；文献【8 】主要采 用了粗糙集理论、遗传优化算法、模糊分类系统、模糊神经网络对负荷进行预测；文献【9 】较为全面 地介绍了运用支持向量机的方法进行负荷的预测；文献【1 0 】介绍了人工鱼群神经网络在电力系统短 期负荷预测中的应用；文献【1 1 】使用了共轭梯度a n n 算法；文献【1 2 】和【1 3 】介绍了蚁群算法在电力 系统负荷预测中的应用；文献【1 4 】介绍了模拟退火方法在电力负荷预测的应用。 利用组合模型提高预测的精度。 这种方法是利用某种手段综合考虑多种预测模型的优缺点，得到更高的预测精度，通常是在不 利用气象数据的条件下，能够最大限度的获得更加准确的预测精度。文献【1 5 】利用四种模型对负荷 进行预测，进而以残差平方和最小化为优化目标，求得四种模型的加权值；文献【1 6 】利用小波分析 将负荷分解成独立的几个分量，然后对每个分量分别应用神经网络进行预测，最后再重构总的预测 量；文献【1 7 】采用多种神经网络的组合模型进行预测。 充分考虑负荷具有混沌特性的问题，例如文献【1 8 h 2 2 】，其中文献 1 9 1 总结了当前混沌理论 在电力系统负荷预测中的应用；文献【】8 】和【2 0 】将混沌理论和神经网络相结合，并在电力系统负荷预 测中应用；文献【2 1 】主要针对混沌现象利用时间序列模型和自适应神经模糊系统进行分析；文献 2 2 】 则分析了小时负荷、日负荷和月负荷三种负荷的混沌特性；- 一 ( 2 ) 考虑非负荷因素对负荷建模与预测的影响 这类方法的研究主要集中在以下几个方面： 在考虑气象条件方面，一类方法偏向于只考虑气温单一因素对负荷的修正作用，例如文献 【3 】、【1 6 】、【2 3 】；另外一类方法偏向于考虑多因素对负荷的影响，一般采取一定的气象指标( 如人 体舒适度指数) 的形式，例如文献 2 4 】【2 6 】。其中，文献【2 4 】和【2 5 】采用气象因子的方法；文献 2 6 】 3 东南大学硕二 ：学位论文 分别建立了室外和室内的人体舒适度模型。 在处理气象冈素对负荷的影响方面，般有两类方法：一类是采用一定的方法对末考虑气 象因素的预测结果进行修正，例如文献【3 】利 j 模糊逻辑的方法进行修正，文献【1 6 】利用一元线形回 归对温度进行修正，文献【2 5 】利用神经网络方法对a r i m a 预测的数据在考虑气象冈素的情况下进行 修正；另外一类是将负荷和气象指标作为输入，通过一定的方法，直接得到负荷预测值，例如文献 【2 7 利用小波神经元网络将历史负荷和气象数据作为系统输入获得负荷的预测值。 部分文章专门分析了气象与负荷之间的关系，例如文献【1 9 】、 2 8 1 。其中，文献 1 9 1 分析了 南京地区气温因素与电力负荷之间的关系文献；【2 8 1 推导出了华东全网气象负荷与关键因子的拟合 关系。 考虑节假日因素的负荷建模分析和预测。这类方法又可以细分为如下几类：将节假日的负 荷作为单独的时间序列进行分析，如文献 5 】应用自适应拓展模糊基函数网络和模糊线性同归方法对 日负荷曲线和峰谷负荷分别进行了预测；文献【7 】采用灰色算法与模糊逻辑系统相结合的方法对重大 节假日的负荷进行预测。在修正方法方面，文献【1 6 】提出了长假在参考周末负荷的基础上，采用近 大远小的原则利用周末负荷进行预测。 最后总结一下目前电力系统负荷建模( 包括负荷预测) 方面的研究情况，特别是还存在的一些 问题： 目前已经有许多文献指出，为了提高电力系统负荷建模预测的准确程度，需要考虑更多的 影响负荷的因素( 如气象、节假日等) 。然而直至目前，尚缺乏能够考虑各种因素的系统化的方法。 显然，该现状会限制精度进一步的提高，限制有关方法的进一步推广应用。 目前很少有文献具体研究各种因素对负荷的影响成分构成，大部分的研究是不加区分地将 所有因素作为一个整体进行考虑。显然，这不利于深入分析负荷的本质，以及负荷的具体成分构成， 更谈不上分析各种因素之间的相互影响关系。 目前大部分的研究都是基于较“粗”的原始数据( 如一天的最高气温、最低气温) ，极少有研究 是基于较“精”的原始数据( 如每隔几分钟的气温数据) 进行研究。显然，这也必然会影响建模的 准确程度，即基于一天的最高气温、最低气温数据在理论上就不可能得到更为精确的温度对负荷的 影响模型。实际上我们知道，目前很多地方的气象部门已经可以提供较精确的气象数据( 如每隔5 分钟的气温数据) ，也就是说目前已经具备基于较“精”的原始数据研究负荷建模的条件。 1 3 本文的主要工作和内容安排 针对目前电力系统负荷建模( 包括负荷预测) 领域中存在的上述问题，为进一步深入分析电力 4 第1 章绪论 系统负荷的本质，本文建立一种系统化的电力系统区域负荷的建模方法，并将其应用于负荷预测上， 可以更好地为实际电力工程服务。 本文的研究重点有： 系统分析了当前负荷建模中负荷分解方法的研究情况，指出当前研究存在的问题，合理地 提出了一种系统化的电力系统区域负荷建模和预测方法。从建模和预测两个角度出发，整体负荷( 预 测负荷) 均可以通过首先分别建立趋势负荷模型、各种因素( 如气象、节假日等) 的修正模型，然 后上述模型的整体的方式来实现。 根据江苏某地区的2 0 0 5 年到2 0 0 7 年的负荷、气象、日类型等数据，首先利用a r m a 模型 实现了趋势负荷的计算，然后逐步建立了主导因素一一人体舒适度、降水、节假日的修正模型，分 别采用粗糙集、倍比法等方法。实验证明，本文所提出的电力系统负荷建模方法是可行的。 整体上我们认为，本文的研究可以为电力系统的负荷建模问题提供一种新的思路，一种系统化 的、可考虑各种因素的负荷建模方法；有助于深入了解电力系统的负荷构成；对于电力系统的有关 方面，包括负荷频率控制、发电计划调度、协调控制等，均具有重要意义。此外，本文给出的方法 也将会有利于进一步的、更深入的、更实用化的工作的开展。 5 东南人学硕上学位论文 第2 章基于趋势分解的负荷建模方法 2 1 基于分解思路的电力系统负荷建模方法的研究现状 在第1 章我们已经对当前的负荷建模和负荷预测研究进行了详细的分析，研究的出发点和建模 方法是多种多样的。本章重点讨论的是在这些建模方法中的某一类方法的研究现状和特点，这种研 究方法本质上就是将负荷分解成多个部分进行研究。然后在此基础之上提出了本文的研究重点一一 基于趋势分解的负荷建模方法。 当前基于负荷分解思路对负荷进行研究的文献和方法较多，这些方法在某些文献中是明确指出 的，有些文献中是没有明确指出，但是基本思路和方法是存在很大相同点的。这些研究对本文负荷 分解的建模思想是有一定指导意义的。 当前主要文献和方法中，负荷分解无非有两大类： 第一类是不考虑任何影响因素的情况下，借助当前较为实用的序列分解方法对原始序列进 行分解，得到几条子序列( 个别文献也研究了孑序列与影响因素之间的关系) ，然后分别对 各予序列进行预测，最后通过子序列的重构得到负荷的预测结果； 第二类的基本思路是将负荷分解成为基本负荷和各种因素影响下的负荷。一般情况下，该 类方法首先获得基本负荷( 不同的文献基本负荷的含义是不同的) ，然后在充分考虑各种因 素的影响下利j j 各种方法建立相应的影响模型，最后利用每一个因素的影响模型对预测日 的基本负荷进行逐一修正。 两类方法既具有某些相同的特点，也具有不同的特点。相同之处是两者对负荷的建模和预测都 是基于一种分解的思想，一般步骤都是先分解，再预测，最后重构，具体而言，第一类很明显具有 该特征，第二类方法，分解的过程实际上就是建模的过程( 需要建立基本负荷的模型和各种因素的 影响模型) ，预测的过程实际上就是利用前面建立的模型对基本负荷和各种因素的影响负荷进行预 测，而重构的过程实际上就是对基本负荷进行修正的过程；不同之处是第一类方法的分解完全不考 虑因素的影响，而第二类方法的分解完全考虑到影响因素，并且分解的成分里面除了基本负荷外都 是和影响因素相关的分量。 第一类的分解方法一般是基于一定的数学分解，如小波分析、经验模式分解理论、功率谱分析 等数学方法。各方法的当前研究现状如下： 小波分析( 分解) 通过小波变换把负荷序列可以分解为不同频率的子序列( 分解算法) ，然后再利用各种预测算法 6 第2 章基于趋势分解的负荷建模方法 计算出每一个子序列的预测值( 预测算法) ，最后重构成一个完整的预测序列( 重构算法) 。这类方 法在小波分解算法和重构算法上基本类似，但是在预测算法上对不同的子序列或者采用相同的算法、 或者针对不同子序列的各自特点采用不同的算法。 文f f t 戈 2 9 1 在对每一个子序列的预测上均采j j 神经网络( a n n ) 的预测方法实现； 文献【3 0 】将子序列分为趋势性子序列、周期性子序列和随机子序列，并用趋势外推、周期图法 和模糊聚类分别实现； 文献 3 1 1 将子序列分解为高尺度分量和其他负荷分量，分别用常规预测和模糊神经网络处理； 文献【3 2 】对经过处理后的各子序列采用相匹配的b p 模型和a r i m a 模型分别进行预测； 文献【3 3 】将小波分量分解为受气象影响的部分和不受气象因素影响的部分之和，对前者采用回 归方法建立气象因素影响模型，对后者的幅值大的分量采用同归神经网络预测建模型进行重点预测， 对后者幅值小的分量采用a r m a 模型。 经验模式分解( e m d ) 理论 经验模式分解( e m d ) 是19 9 8 年提出的一种新的信号处理方法，它可以将原序列分解成为不 受频率影响的几条子序列，每一个子序列都能够反映原序列在不同的尺度下的特征。 文献 3 4 1 首先运用e m d 将非平稳的负荷序列分解，然后根据分解后各分量的特点构造不同的 动态神经网络对各分量分别进行预测，最后对各分量预测结果采用b p 网络进行重构得弼最终预测 结果； 文献 3 5 1 首先通过e m d 分解将原序列分解为多个子序列，然后分析各种影响因素和予序列之间 的关系，试图挖掘出各因素对各子序列的影响情况。 功率谱分解( 傅里叶变换) 文献 3 6 1 采用快速傅里叶变换对负荷序列进行变换得到功率谱，依据变换结果分析功率谱得出 负荷基频、低频和高频分量的频率范围。分析各个负荷分量的特点，对基频分量采用e l m a n 回归神 经网络进行预测，这部分较好地反映出基频分量的时间序列特性；对低频和高频分量分别采用自适 应线性回归神经网络进行预测，并引入实时气象因素提高预测精度。 由上可见，第一类方法总体上是不会考虑各种影响因素和子序列之间的对应关系，即使考虑( 如 文献【2 3 、3 5 、3 6 】) 也并没有明确指出在数量上的明确关系。 第二类方法每一种方法之间的最大区别点是“基本负荷”的选取不同和影响因素修正方法的不 同。当前该方面研究现状如下： 文献【3 7 】中的首先利用很多模型进行“常规负荷”( 就是基本负荷) 的预测，然后利用“知 识库”确定各因素( 如温度、降水、节日三种因素) 的修正模型。“知识库”是用决策树实 7 东南大学硕上学位论文 现的。该文献突出分析了温度和降水冈索造成的“典型”的非正常日修正模型。 文献【3 8 】首先采用a r m a 模型计算出负荷的预测值，然后再考虑温度、湿度、气压、降水 量的影响。但是该文在分析各因素对负荷的影响时并没有指出负荷变化量和某种因素的变 化量是如何获得，对丁采用修正模型的可行性也未作任何说明； 文献【2 4 】提出了由趋势项、周期项和节假日项之和预测日负荷、日最大负荷和日最小负荷。 该方法虽然提出了负荷分解为几个组合的形式，但是只能应用在日负荷的特征量上，对于 2 8 8 点( 或者9 6 点、2 4 点等) 日负荷曲线的预测适用性不强； 文献【2 5 】利用a r m a 模型预测后，再利用神经网络建立各影响因素与修正量( 文中为气象 变化的敏感因子) 问的关系，利用该关系对预测值进行修正。 综上所述，第一类和第二类的分解方法是完全不同的，但两者都存在一定的优缺点： 第一类方法的优点在于负荷可以自动分解。非人为的，基本上可以避免主观性，分解结果较为 客观，缺点是分解后每一个序列的物理意义不强，甚至个别文献只是针对预测精度提高，不谈分解 后每个序列的物理意义； 第二类方法的优点是物理意义基本明确，并分析各因素的影响具有更好的实际意义，但缺点是 分解的自动性比较差，方法较为繁琐，适应性差、操作差、分解后的效果不如第一类方法规整。 第一类方法的分解缺乏物理意义，仅对提高预测精度有效，对分析负荷的特点，特别是对负荷 的构成成分的分析缺乏指导意义，而第二类方法的出发点正是弥补了第一类方法的缺点，但是当前 的研究均缺乏对本身研究的物理意义有较好的认识，甚至有些文献根本没有很好的定义“基本负荷” 的概念。仅是从提高负荷预测精度的角度思考问题。本文通过深入分析负荷分解的相关文献，对第 二类的分解方法从趋势性的角度进行了深入研究，并提出了一套完整的充分考虑各种因素影响的、 基于趋势分解的电力系统负荷建模方法并给出了基于该方法的负荷预测公式。 2 2 考虑趋势分解的负荷建模方法的研究 本文提出的区域负荷建模思路是将整体负荷( 实际负荷) 进行分解，分解成若干个组成部分之 后再建立各部分的模型，所建立的各部分模型的整体就是最终的区域负荷模型。在这一建模方法中， 充分体现了负荷的趋势性交化和非趋势性变化之间的不同。 首先，可将整体负荷分解为如下两部分( 如图2 1 所示) ： 趋势负荷部分 非趋势负荷部分 2 第2 章基于趋势分解的负荷建模方法 图2 1 将整体负荷分解为趋势负荷和非趋势负荷两部分的示意图 所谓“趋势负荷部分”反映的是电力系统的趋势性变化规律，可用趋势负荷模型进行描述。下面 给出趋势负荷的定义： 定义2 1 ：趋势负荷 某一时刻的“趋势负荷”是基于该时刻前一阶段的负荷变化情况，在未知该时刻其他任何因素( 包 括该时刻的气象、节假日、信息不充分因素等) 的情况下，依据特定的预测方法所计算出的、该时 刻的估计负荷值。 趋势负荷可以依据特定的预测方法( 例如传统的a m a 模型方法) 计算得出。 所谓“非趋势负荷部分”反映的是电力系统的非趋势性交化规律。从图2 1 也可以看出，整体负 荷( 也即实际负荷) 减去趋势负荷就是非趋势负荷。 电力系统中负荷的非趋势性变化是由许多因素引起的，例如气温的突然变化( 突然由热变冷， 或由冷变热) ，天气的突然变化( 突然下雨) ，节假日( 这几天正在放假) ，重大经济和社会事件墩发 生地震、发生大的停电事故等) 等。显然，产生非趋势负荷变化的原因是这些影响因素的“非趋势性 变化”，也就是说，这些因素的趋势性变化( 即与前一阶段变化规律一致的变化) 所引起的负荷变化 是前述“趋势负荷”的一部分，并非“非趋势负荷”的一部分。 大致地，可将引起负荷非趋势性交化的因素分为两大类： 信息充分因素 信息不充分因素 对于一个具体的区域，在具体的条件下，有许多因素，例如气象因素( 包括气温、相对湿度、 降水量等) 、节假日因素( 包括周末、长假等) 等，在建模时可以获得比较足够的信息，因此可称之 为“信息充分因素”。与此相对应，也有很多冈素，例如偶然发生的停电事故、该地区的重大政治或 经济事件等，在建模时可能无法有效获得或难以有效获得( 例如需要较高的调研成本) 比较足够的 信息，因此可称之为“信息不充分因素”。 相应的，非趋势负荷部分就由两部分组成： 信息充分因素的非趋势性变化所导致的负荷非趋势性变化量； 信息不充分因素的非趋势性变化所导致的负荷非趋势性变化量。 这样就可以将整体负荷划分为趋势负荷、信息充分因素的非趋势性变化所导致的负荷非趋势性 o 东南人学硕： ：学位论文 变化量和信息不充分因素的非趋势性变化所导致的负荷非趋势性变化量3 部分( 即将非趋势负荷进 一步进行划分) ，如图2 2 所示。 厂 l i l l i 趋势负荷 筹兽妻翁宴嘉鬈耄冀篓藿釜卜 +一 整体负荷 所导致的负荷非趋势性变化量ii 能鬟霈髦器卜 所导致的负荷非趋势性交化量l l l 非趋势负荷 i 图2 2 非趋势负荷进一步划分的示意图 在此需说明的是，对于图2 2 中的趋势负荷、信息充分因素的非趋势性变化所导致的负荷非趋 势性变化量，我们是可以对其进行建模的。然而对于图2 2 中的信息不充分因素的非趋势性交化所 导致的负荷非趋势性变化量，由于无法获得相关信息，因此也就无法对这部分进行建模。对此我们 有如下理解： 对于一个具体的区域的一个具体的负荷建模问题，这类信息不充分因素总是会在不同程度 上存在的。 正是由于此类因素的存在，任何一种建模方法都会不可避免地、客观地存在误差的。误差 由两方面带来：建模方法本身的不足带来的：此类信息不充分因素的影响带来的。 通过分析最终的误差( 根据所建立模型计算出的负荷值与真实值之间的差值) ，也可以在一 定程度上计算出出这类信息不充分因素的影响。 下面就需要分析图2 2 中“信息充分因素的非趋势性交化所导致的负荷非趋势性变化量”。一般 情况下，有多种信息充分因素( 如气象因素、节假日因素等) ，同时这些因素对负荷的影响关系也应 该是复杂的，可能会存在一些动态关系( 例如延迟) 、耦合关系( 互相之间的交叉影响) 等。为简化 问题的分析，本文将从所能获得的所有信息充分因素中“筛选”出若干个主导因素，不妨设为主导因 素l 、主导因素2 、主导因素刀，同时“信息充分因素的非趋势性变化所导致的负荷非趋势性 变化量”( 即总变化量) 应尽量等于各主导因素( 1 、2 、刀) 的非趋势性变化所导致的负荷非 趋势性变化量之和。这样，图2 2 就可表示为图2 3 所示形式。 l o 第2 章基于趋势分解的负荷建模方法 趋势负荷 l - 工= 二一一_ 二二二= 1 一 i 信息充 主导因素l 的非趋势性变化 i i l 弓_ 卜冈紊所导致的负荷非趋势性变化晕i 明了f 趋 主导因素2 的非趋势性变化 势性变 化所导 所导致的负荷非趋势性变化量+ 整体负荷 致的负 尊蜚塑 ： l ：狞肚，义 ；化量 主导因素甩的非趋势性变化 ii ! 一 ! 一一霎茎圣望堡竺非趋势性变化量i ；：一 信息不充分因素的非趋势性变化li 所导致的负荷非趋势性变化量i ! 一 图2 3 信息充分因素进一步划分的示意图 这里需要再次强调的是，主导因素筛选的一个重要原则是应尽量保证“信息充分因素的非趋势性 交化所导致的负荷非趋势性变化量”( 即总变化量) 等于各主导因素( 1 、2 、刀) 的非趋势性 变化所导致的负荷非趋势性变化量之和。 接下来，若能够获得如下两组数据： 各个主导因素的“非趋势性”变化量； 各个主导因素的“非趋势性”变化所导致的负荷非趋势性变化量。 就可基于这两组数据计算( 或拟和、分析、归纳) 得到各个主导因素的“非趋势性”变化量与该 变化量所导致的负荷非趋势性交化量之间的关系，也即建立相应的修正模型，本文称之为各个“主导 因素的修正模型”。 同样的，我们可以定义信息不充分因素的修正模型( 虽然这部分修正模型是无法具体建模的， 但仍旧是整体负荷模型的一部分) 。这样，趋势负荷模型、所有主导因素( 1 、2 、刀) 的修正 模型、信息不充分因素的修正模型一起就构成了整体的区域负荷模型( 如图2 4 所示) 。 由于信息不充分因素的修正模型是无法建模的，因此在图2 4 中用虚线表示。 最后需要强调的是，上述将整体负荷分解为趋势负荷、非趋势负荷两部分( 包括进一步的分解) 的做法是本文进行电力系统区域负荷建模的一个基本思路和突出贡献。这解决了前面所提到的一些 文献在研究区域负荷建模时提出了先分解再逐个建模的思路的某些突出问题： 难以界定和求解基本负荷； 难以界定和求解各种因素影响的负荷成分。 1 1 东南人学硕十学位论文 相比之下，本文提出的将整体负荷分解为趋势负荷、非趋势负荷两部分的做法不仅概念清楚、 合理，同时有关部分也容易用数学模型表达，可行性强。 至堕亘 、 臣亟亟回l 臣一 日 匪至互l ：三堕巫至受三： 图2 4 整体的电力系统区域负荷模型示意图 2 3 基于趋势分解的电力系统短期负荷预测模型 前面的考虑趋势性变化的负荷分解建模方法为负荷预测提供了建模的依据，既然负荷可以按照 上述的原则进行划分，那么在预测领域也必然可以按照划分的原则逐一作出预测， 0 = + 她 ( 2 1 ) 其中，匆表示总的区域负荷预测结果( 考虑气温、降水因素等多种因素) ；勘表示趋势负荷；么厶表 示第f 个主导因素( 如气温、降水等) 的修正量。 趋势负荷可以依据特定的预测方法( 例如传统的a r m a 模型方法) 计算得出。而修正模型则是 首先根据历史数据建立模型，然后在预测领域时再根据某一因素的非趋势性变化量( 这里确切地说 应该是预测值和相关部门的预报数据的差别) 计算出相应的负荷修正量。 修正模型的建立需要完成3 部分工作： ( 1 ) 计算各主导因素的非趋势性变化量( 也可简称为x x 因素变化量”) ； ( 2 ) 计算各主导因素的非趋势性变化所导致的负荷非趋势性变化量( 也可简称为“负荷变化 量”) ： ( 3 ) 分析各主导因素的非趋势性变化量与其所导致的负荷非趋势性变化量之间的关系。 首先考察如何计算各主导冈素的非趋势性变化量。 先定义主导因素的趋势值如下： 定义2 2 ：主导因素i ( i = l ，胛) 的趋势值 1 2 第2 章基于趋势分解的负荷建模方法 某一时刻主导因素i ( i = 1 ，行) 的趋势值是基于该时刻前一阶段的，该主导因素的变化情况， 在不考虑其他任何因素( 包括其他主导因素( 1 ，i - 1 ，“1 ，聆) 和信息不充分因素) 的情况下， 依据特定的预测( 或估计、分析) 方法所计算出的，该时刻的该主导因素的估计值。 基于定义2 2 ，可进一步给出主导因素非趋势性变化量的定义。 定义2 3 ：主导因素i ( i = 1 ，刀) 的非趋势性变化量 某一时刻的主导因素i ( i = l ，刀) 的非趋势性变化量是该时刻的该主导因素的趋势值与真实值 之差。 举例说明：若选择气温作为主导因素，假设前一阶段( 例如前几天) 的气温变化情况是气温越 来越高，且升高速率恒定，如果该时刻的气温刚好也是上升的，且速率和前一阶段一样，则该时刻 气温这个主导因素的非趋势性变化量就为o ；如果该时刻的气温和前一个时刻一样( 例如和前一天 相同时间的气温一样) ，则该时刻气温的非趋势性变化量就为负；依此类推。 接着，可依据如下流程计算各主导因素的非趋势性变化所导致的负荷非趋势性变化量( 完成此 过程也就建立了区域负荷模型) ： 步骤l ：在所有的主导因素中，有许多主导因素只在某些时候出现，例如只有某些天会下雨， 只有某些天是节假日等。每时每刻都出现的主导因素是较少的，例如仅有气温、湿度等。如果每时 每刻都出现的主导因素有多个，就很难计算( 分离) 出它们的非趋势性变化所导致的负荷非趋势性 变化量。因此在本文中，仅选择一个最重要的、每时每刻都出现的主导因素( 不妨设为主导因素1 ) 。 此时，就容易获得一些“排除其他所有的主导因素影响的样本”，而只保留仅受该主导因素非趋势性 变化影响的样本，同时样本量也是充分的。 上述过程在负荷建模流程图( 图2 5 ) 中是这样描述的：整体负荷减去趋势负荷就是所有非趋势 负荷( 包括信息充分因素( 即主导因素l 、2 、刀) 和信息不充分因素的非趋势性变化所导致 的负荷非趋势性总变化量) ，其中的一部分数据( 基本排除除了主导因素l 以外的其他主导因素的影 响，不过很难排除信息不充分因素的影响) 就是主导因素1 的非趋势性变化所导致的负荷非趋势性 变化量。 分析比较主导因素l 的非趋势性变化量与其所导致的负荷非趋势性变化量之间的关系，就可以 建立主导因素l 的修正模型。 建立了主导因素l 的修正模型后，就可以针对所有数据进行修正，获得“主导冈素l 的非趋势性 变化所导致的负荷非趋势性变化量”的整体数据。 步骤2 ：从“所有非趋势负荷”中减去“主导因素l 的非趋势性变化所导致的负荷非趋势性变化 1 3 东南人学硕上学位论文 量”，就可以得到“主导因素2 、r 和信息不充分因素的非趋势性变化所导致的负荷非趋势性总 变化量”。 同时，可以选择除了主导因素1 以外，最普遍、最重要的主导因素( 设为主导冈素2 ) 。“主导 因素2 、行和信息不充分因素的非趋势性变化所导致的负荷非趋势性总变化量”中的部分数据 就为“主导因素2 的非趋势性变化所导致的负荷非趋势性变化量”( 如图2 5 所示) 。 同样可以分析比较主导因素2 的非趋势性变化量与其所导致的负荷非趋势性变化量之间的关 系，就可以建立主导因素2 的修正模型。接着，同样可以获得“主导因素2 的非趋势性变化所导致的 负荷非趋势性变化量”的整体数据。 步骤3 ：重复上述方法，建立主导因素3 的修正模型。 步骤1 3 ：重复上述方法，建立主导因素刀的修正模型。此时，在获得“主导因素甩的非趋势性变 化所导致的负荷非趋势性变化量”的整体数据之后，就可以获得“信息不充分因素的非趋势性变化所 导致的负荷非趋势性总变化量”( 如图2