（电力系统及其自动化专业论文）基于模糊聚类和fnn预测模型组合的短期负荷预测研究.pdf

a b s t r a c t wit h t h e d e v e l o p m e n t o f p o w e r s y s t e m， t h e a d m in i s t r a t i o n o f p o w e r s y s t e m i s m o r e a n d m o r e m o d e rn i z e d . t h e p l a n n i n g , t h e e c o n o m i c o p e r a t i o n a n d t h e a u t o m a t ic d i s p a t c h i n g o f p o w e r s y s t e m a l l g r e a t l y d e p e n d o n lo a d f o r e c a s t i n g . wi t h t h e f as t d e v e l o p m e n t o f m o d e rn e l e c t r i c p o w e r s y s t e m s , t h e o p e r a t i o n o f p o w e r m a r k e t r e q u i r e s h i g h p r e c i s i o n o f s h o rt - t e r m l o a d f o r e c as t i n g ( s t l f ) f o r t h e m in im a l c o s t o f p o w e r s y s t e m o p e r a t io n . s o i t i s v e r y i m p o r t a n t t o d o s t l f f o r p o w e r s y s t e m a ft e r s t u d y i n g t h e m e t h o d s o f s t l f a t h o m e a n d a b r o a d a n d t h e c h a r a c t e r i s t i c s o f p o w e r s y s t e m l o a d b r o a d l y a n d d e e p ly , t h e i n fl u e n c e o f t h e u n c e r t a i n e l e m e n t s s u c h a s h o l i d a y , t e m p e r a t u r e a n d w e a t h e r c o n d i t i o n c a n b e d e s c r i b e d as f u z z y q u a n t it i e s a n d i s o f s o m e re g u l a r i t y t o s o m e d e g r e e . s o a s t l f m e th o d o f f u z z y p a t t e rn r e c o g n i z i n g i s p r o p o s e d， t h a t i s , t h e r e c o n s t r u c t i o n o f t r a i n i n g s e t s b as e d o n f u z z y i n t e g r a t e d c l u s t e r i n g a n a l y s i s a n d p a tt e rn r e c o g n i z i n g i s d o n e t o g e t t h e n o n l i n e a r t i m e - v a r i o u s r e l a t i o n b e t w e e n p o w e r s y s t e m l o a d a n d t h e u n c e rt a i n f a c t o r s s u c h a s h o l i d a y , t e m p e r a t u r e a n d w e a t h e r c o n d i t io n . t h e l o a d f o r e c a s t i n g c o m b i n a t i o n m o d e l p r e s e n t e d i n t h i s p a p e r e m p l o y s f u z z y n e u r a l n e t w o r k , f u z z y c l u s t e r in g a n a l y s i s a n d f u z z y p a t t e r n r e c o g n i z i n g . i n t h i s m o d e l , t h e h o u r l y l o a d i s d i v i d e d i n t o t w o c o m p o n e n t s , w h i c h a r e m o d e l e d in d e p e n d e n t ly : o n e i s l , , w h i c h c h a n g e s p e r i o d i c a l l y f o r e v e r y t w e n t y - f o u r h o u r s ; t h e o t h e r i s l d w h i c h i s a ff e c t e d b y u n c e r t a in f a c t o r s s u c h a s p e o p l e s l i f e , t e m p e r a t u r e a n d w e a t h e r c o n d i t i o n . b e f o r e t h e l o a d f o r e c a s t in g , t h e s a m p l e s p a c e r s r e c o n fi g u r e d a s s e v e r a l f u z z y c l u s t e r i n g s u b - s p a c e s 勿f u z z y c l u s t e r i n g a n a l y s i s . t h e m a i n f a c t o r s c o n s i d e r e d i n t h e f u z z y c l u s t e r in g a n a l y s i s o f t h e m o d e l o f 与 i n c l u d e l o a d d a t a a n d w e a t h e r c o n d i t i o n , h e n c e t h i s m o d e l i s r e f e r r e d t o a s w e a t h e r c o r r e c t e d m o d e l , w h i l e o n l y t h e l o a d d a t a i s c o n s i d e r e d i n t h e f u z z y c l u s t e r i n g a n a l y s i s o f t h e m o d e l o f l , . i n t h i s p a p e r , t h e f u z z y c l u s t e r in g a n a ly s i s a n d f u z z y p a tt e rn r e c o g n i z i n g a r e i n t e g r a t e d i n t h e m o d e l i n g o f l d , a n d t h e l i s m o d e l e d u s i n g f u z z y n e u r a l n e t w o r k . t h e m o d e l p r o p o s e d i n t h i s p a p e r , w h i c h c o m b i n e s n e u r a l n e t w o r k a n d f u z z y t h e o r y , m a k e s u p t h e l i m it a t i o n o f a n n a n d f l s s u c c e s s f u l l y . i t h a s p r o v e d t o b e a n a d a p t i v e n e w m o d e l w h i c h i s c a p a b l e o f l e a r n i n g , a s s o c i a t i o n a n d p r o c e s s i n g f u z z y i n f o r ma t i o n . k e y w o r d s : f u z z y s e t t h e o r y , f u z z y c l u s t e r i n g a n a l y s i s l o a d f o r e c a s t i n g , f u z z y n e u r a l n e t w o r k 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果， 除了文中特别加以标注和致谢之处外， 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 一 孟 建鱼吏或 其 他 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。 学位论文作者签名:签字日期: 年月日 学位论文版权使用授权书 本 学 位 论 文 作 者 完 全 了 解进生 有 关 保 留 、 使 用 学 位 论 文 的 规 定 。 特 授 权 玉建大堂 可以 将 学 位 论 文的 全 部 或 部 分 内 容 编 入 有 关 数 据 库 进 行 检 索， 并采用影印、 缩印或扫描等复制手段保存、 汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名;导师签名: 签字日期:年月日签字日 期:年月日 第一章电力系统负荷预测方法概述 第一章 电力系统负荷预测方法概述 概要: 木章主要论述电力系统负荷预测的意义、 理论体系、 研究现状及问题，为本文的研究 的基础，并简述本文的主要工作。 1 . 1 负荷预测的意义 ， 电力系统负荷预测是电网规划和运行的重要依据。负荷预测与电力系统的控 制、运行和计划都是密切相关的，提高负荷预测的精度能增强电力系统运行的安 全性、可靠性、实现电力系统运营费用的最小。竞争机制引入电力系统形成电力 市场后，对短期负荷预测的精度提出更高的要求。 电力系统的负荷预测是电力市场决策支持系统的重要组成部分，是主要的数 据源之一。负荷预测按预测周期性分为长期、中期、短期、超短期的负荷预测。 长期负荷预测主要是对电网的改建、系统的远景规划、新电厂的投建等有主要的 指导作用;中期及短期负荷预测则是对电网的经济和安全运行、紧急事故处理、 合理协调水、火电厂、负荷管理等具有重要意义。 在当前我国电力市场条件下，随着引入竞争机制的程度不断提高，电力系统 正由独家垄断经营阶段转向发电竞争阶段，负荷预测工作也随之逐步发生转变: 1 ) 负荷预测的重要性已 经得到普遍的重视。要掌握电力市场运营的主动性， 首先要做好市场预测。 j ) 电力市场条件下，发电计划制定的准确与否，直接取决于负荷预测精度的 高低，这使得预测的精度直接和效益相关。 3 ) 电力系统负荷预测同电 力市场的发电公司、供电公司和输电公司三者的关 系都很密切。 对于发电公司， 负荷预测是制定发电计划、 检修计划和报价的依据: 对于供电公司，负荷预测为供电方制定购电计划提供依据;对于输电公司，负荷 预测是进行电网规划及制定发电计划及安全、可靠、经济运行的基础。由此，负 荷预测在电力市场决策支持系统中的作用可见一斑。超短期和短期负荷预测功能 见图 1 一1 所示。 1 . 2 负荷预测的基本概念 13 (9 ) (3 3 3 负荷是指电力需求量或者用电量， 而需求量是指能量的时间变化率， 即功率。 因此是发电厂、供电地区或电网在某一瞬间所承担的工作负荷。对用户来说，用 电负荷是指连接在电网的用户所有用电设备在某一瞬间所消耗的功率之和。 负荷预测是为了考虑一些重要的系统运行特性、增容决策、自然条件与社会 条件的影响下，运用一套系统来理过去与未来负荷的数学方法。在满足一定精度 要求的前提下，确定未来某确定时刻的负荷值，称为负荷预测。 第一章电力系统负荷预测方法概述 4 石藏v m r s r f 飞 4 时史肠份理实盛女全较扭 r es一. 一， 叹 w n fi lb la i.2 it %14 9 中期负荷预测主要用于水库调度，机组检修、变换计划和燃料计划，需要 1 月一 1 年的负荷值; 长期负荷预测用于电源和网络规划， 需要数年至数十年的负荷值， 见图 1 -2 1 . 4 负荷预测的特点 由于负荷预测是根据电力负荷的过去和现在推测它的未来数值，因此负荷预 测工作研究对象是不确定事件、随机事件，需要采用相应的预测技术和模型来实 现，推出负荷的发展趋势和可能达到的情况。负荷预测具有如下特点。 第一章电力系统负荷预测方法概述 1一. ，望竺 竺口 分二 夔 三 卜实 时 校正 l一 1女 - 一 户r 51 型 书色 卜 扮 诱二 匕翌 竺 竺 1w 1 一 sl5it2懊 一 ， r 竺 ;- % v 日 ; w .- . , t 典型 日 1 + a t tt 奥 日 f% ntt a i._ 州 三 it #m二 知影喊引彭侧叫一 : 朴 亘 巫 竺 t fu m - 以 抓1 1a a 2 图 1 -2 负荷预测的组成和作用示意图 一、负荷预测中的不确定性 预测学本身就是一个研究不确定问题的理论和方法，在当今科学界，也是- 个新的、正在探索的领域，因此，其预测的结果应是一个概率的值。电力负荷未 来的发展是不确定的，它要受到多种多样复杂因素的影响，而且各种因素也是发 展变化的。这就决定了预测结果的不准确性或不完全准确性。 在负荷预测系统中，针对各类不同的负荷预测都有一定的精度要求。长期的 负荷预测甚至允许误差达到 1 0 f， 而短期的日负荷预测的误差一般不能超过 3 %e 其他类型的负荷预测的精度要求如表1 一1 所示。 表i - i 各种负荷预侧精度要求 负荷预测类型预测精度要求% 日负荷预侧均方差 3 日负荷预测各时段均方差4 超短期负荷预测各时段均方差 i 日负荷峰荷的预测均方差 2 日负荷谷荷的预测均方差 2 、负荷预测的条件性 负荷预测的过程是一个由历史向未来递推的过程，是在一定条件下做出的。 条件可以分为必然条件和假设条件两种。可靠的负荷预测往往依赖于电力负荷预 测的本质规律，这种预测条件就是必然条件。在很多情况下，由于负荷未来发展 的随机性， 需要一些假设条件， 给出的负荷预测的结果都是基于某种假设的前提。 如果负荷的过去和现在的发展直接延伸到未来，没有什么重大的干扰和破坏，或 完整的记录了这些突发事件，可将这些历史数据模型化来类比现在、预测未来。 第一章电力系统负荷预测方法概述 但是如果在预测其中发生了无法估计的重大事件( 如气象的剧烈变化， 突发事故， 国家政策变化等) ， 以至于负荷变化的正常规律被破坏使预测失效。 这种类型的负 荷预测在实际应用中并不少见，这些转折点是最难预测的。如果历史的数据含有 类似的事件，预测的趋势就比较好定。因此要尽量的保证负荷预测历史数据的完 整性。 三、负荷预测的地区效应 在不同负荷预测的范围内，由于用电目标不同所对应的负荷构成的比重是不 同的，因此影响负荷的因素的敏感性有所不同。一般来讲，大电网负荷变化有较 强的统计规律性，预测结果较准确，而地区级电网的预测精度则相对低一些。 四、负荷预测的多方案性 负荷预测的机理是一个数学建模的过程，而不同的数学模型的使用条件是有 一定的限制的，不是通用的，如果不注意各种数学模型的使用条件，一味的输入 相应的值去计算，其预测结果的误差肯定会很大。所以需要考虑不同负荷条件建 立模型。 1 . 5 短期负荷预测特性分析 负荷预测是根据负荷过去的历史资料，建立恰当的数学模型对未来的负荷进 行预测。所以了解负荷的特性对掌握负荷预测的本质，提高负荷预测的精度有重 要的意义，尤其是对预测精度要求较高的短期负荷预测。电力系统负荷的变化一 方而有其不确定性，如气候变化、意外事故的发生等造成对电力负荷的随机性扰 动。 另一方面， 在一定条件下，电力负荷按一定的趋势有规律的发展变化。因此， 进行电力系统短期负荷预测时，针对负荷变化的这些特点，既要充分分析、掌握 并利用其规律性，又要兼顾各种因素的影响。由于本文研究的重点是基于模糊理 论的预测，所以对影响短期负荷预测中的各种不确定因素是必须深入掌握，现将 负荷特性分成四部分进行分析。 1 . 5 . 1 短期负荷特性概述 ” ， ， 从对短期负荷预测长期研究以来，通过对大量的历史数据进行分析，可以发 现影响负荷变化的因素有:负荷构成、负荷随时间变化的规律、气象变化的影响 及负荷的随机波动。 本文根据文献 1 1 9 1 中的分类， 将任意时刻的负荷假定为以下 四种成分的组合，针对每种成分的特性分别进行分析，然后在预测模型中分别考 虑各成分如何进行处理。 一、典型负荷分量 典型负荷分量也称为正常负荷，它与气象无关，具有线性变化和周期变化的 特点。 线性变化描述日平均负荷变化规律， 而周期变化描述以2 4 小时为周期的变 化规律。典型负荷的不同主要是由于各地负荷不同的组成方式引起。负荷组成的 第一章电力系统负荷预测方法概述 差异性主要体现在两个方面:一是负荷种类，二是负荷成分所占比重。不同组成 的负荷在这两方面的差异决定了他们的负荷特性及对影响因素的响应特性互不相 同。究其原因，不同的组成成分对各种影响因素的灵敏度不同，表现出不同的响 应特性。可见，负荷的具体组成对负荷特性具有根本性和决定性的影响。 、天气敏感负荷 天气敏感负荷与一系列天气因素有关，如温度、湿度、风力、阴晴等。不同 天气因素影响负荷的方式不同， 一年中不同时期天气因素影响负荷的方式也不同 这就形成了负荷季节性周期变化的规律。 三、异常或特殊事件负荷分量 异常或特殊事件负荷分量使负荷明显偏离典型负荷特性，如政治事件、系统 故障、限电、特别电视节目 等。由于这类事件的随机性，需要由调度人员参与判 断。在各种负荷预测模型中这部分分量往往通过人工修正得以改进。 四、随机负荷分量 随机负荷分量是负荷中的不可解释成分，可以通过负荷预测的模型和算法来 考虑这些随机负荷分量。例如，在时间序列法中，将剩余的残差，即为各时刻的 随机负荷分量，看成是随机负荷序列。而在神经网络预测中利用模型良好的非线 性拟合能力，可以较好的考虑其中的随机负荷因素。 1 . 5 . 2 典型负荷分量的特性 典型负荷分量主要是由预测对象的负荷组成决定，其最大的特点就是负荷的 周期性变化规律。在不考虑其他负荷分量的情况下，负荷的规律性体现的尤其明 显，分为负荷的日周期性、周周期性、年周期性及节假日特性。 一、负荷的日周期性 负荷的日周期性是指以一天 2 4小时为周期的负荷变化所体现出的规律性。 在实际系统中，通常根据负荷变化规律的不同将每日内的负荷分为峰荷、谷荷、 腰荷三个时段的负荷。从本质上说，在这三个时段负荷的组成是不同的，因此， 它们的变化规律是不同的。在低谷期间，对应的时间是在夜间，这个时段中，大 多数人都处于休息的状态，负荷组合主要是看那些必须运行的不间断的负荷，他 们长期运行，组成了负荷的基础部分，即是一天负荷的较低部分;在峰荷期间， 对应的时间是在 白天，人们的活动较多，负荷的种类也体现出多样性，作为总体 负荷其幅值变化也明显高于其他时段的负荷，而且它的持续时间也相对较长，因 此这个阶段的负荷处于一种上升状态或一种下降状态。 二、负荷的周周期性 负荷的周周期性是以七天为一周期的负荷变化变化中体现出来的规律性。 周负荷可分成两类变化类型的规律:一类是从周一到周五的工作日，该类型的负 荷变化特点;另一类是周六和周日的双休日期类型的负荷变化特点。工作日负荷 第一章电力系统负荷预测方法概述 与双休日负荷的变化规律，除了具有相似的日负荷变化趋势，还具有不同之处。 究其原因，这主要是负荷组成和人们的生活规律决定。在工作日期间，负荷的主 要组成是工业负荷。这些工业负荷在工作日期间通常处于稳定的运转之中，因此 工作h的负荷变化具有相似性，而在双休日期间，工业负荷所占比重大幅下降， 居民生活和服务性行业用电所占的比重明显上升， 因此周末日负荷具有不同之处。 一般来讲，双休日类型的负荷明显较工作日类型负荷低。 三、负荷的年周期性 负荷的年周期性是指以一年为周期的负荷变化中体现的规律。由于对于特定 研究对象负荷的组成成分和比例在连续几年内不可能出现巨大的变化，所以其年 变化趋势大体相同。这种趋势主要在于负荷随季节变化引起。 四、负荷的节假日特性 长节假日除了具有日负荷变化趋势外，它与双休日负荷变化又有不同，这是 因为目前国内都有出外旅游的时尚。 1 . 5 . 3 天气敏感负荷分量的特性 天气敏感因素 ( 如温度、降雨量、日照等)对短期负荷具有非常明显的短期 效应。气候变化主要是对人们的生活规律产生影响，各种成分发负荷发生变化， 导致负荷的季节性变化规律。例如，工业负荷和城乡居民生活用电这两类负荷随 季节的波动较小;而企事业用电和农业用电负荷在系统总负荷所占的比例随季节 变化发生显著的变化，具有明显的季节变化特性。由于气候条件包含很多因素， 且气象数据很难准确到具体时间具体地点，本文重点考虑了温度和降雨量对负荷 的影响。 一、温度对负荷的影响 长期以来，负荷预测的各种技术将温度作为影响重要因素之一，其原因是温 度对日负荷预测的影响非常直接、明显。温度与当天的负荷有着直接的关系，但 一般不会影响第二天的负荷，因此温度可以作为负荷预测的一个重要的指标。在 温度与负荷的各种关系中，日总电量随日平均温度变化的离散图可以直观的反映 出温度对负荷的影响。其中，日总电量是一个日负荷统计信息，用以反映全天对 电能的需求情况:平均温度用来反映全天温度变化的水平。在冬季，日总电量与 日平均温度的变化呈相反变化趋势;在夏季，二者的关系恰好相反，呈相同变化 趋势;在春秋两季，处于过渡阶段。在本论文中，将温度作为影响负荷的主要因 素处理。 二、降雨量对负荷的影响 在众多的天气因素中，降雨量对负荷的影响也十分明显，但两者之1 i 的关系 很难量化。降雨量对负荷中的农业负荷影响较大，这主要是因为降雨量影响到每 年的春灌、排涝和秋播等农业活动，直接决定农业用电负荷变化的方式和大小。 第一章电力系统负荷预测方法概述 1 . 5 . 4 随机负荷分量的特性 在短期负荷预测中，负荷的随机变化因素很重要，是不可能忽略的。因此， 首先要有精确的负荷历史记录，这些记录本身反映了负荷的随机变化因素。在一 个大的电力系统中，有各种各样的用户会引起负荷的随机变化，引起这种变化的 随机因素相互独立，且总平均值为零。由于负荷数据是间隔一段时间采样记录， 且负荷总是一个符合某种统计规律的随机变量，所以这种随机变量描述的过程是 一个随机过程。随机过程有两种，一种是平稳随机过程，另一种是非平稳随机过 程。对于短期负荷预测来讲，预测前后的环境和主要条件都不随时间的推移而变 化， 即这个过程是在某一固定平均值的水平上保持平衡， 此过程为平稳随机过程， 而非平稳随机过程则不是这样的。 1 . 6 负 荷 预 测 方 法 概 述 1- (21 (38- 04 51 (541- (59 可以用作负荷预测的方法很多， 有: 外推法、相关法、 解析法、回归分析法、 时间序列法、神经网络法 ( a n n ) 、模糊指数平滑法、灰色理论预测方法、专家系 统法、分析预测法等，还有采用混合型方法，如:模糊神经网络法、模糊专家系 统法等。对这诸多方法进行归纳分类，大致可分为:经验预测、外推预测、回归 模型预测、时间序列预测、智能预测、组合预测。 经验预测方法中，多数方法过分简单，模型过分粗糙，无法精确描述负荷对 象，因此预测误差较大。单耗法的分析最细致，但它要求对本地区的所有产品都 要进行单位耗电研究，这些统计调查工作的工作量太大，因此很难在实际应用。 另外，经验预测方法主要用于长期预测。 外推法是根据已知的历史资料来拟合一条能反映负荷本身增长趋势的曲线， 然后对未来某一点，从趋势曲线上估计出该时刻的负荷预测值。外推法在本质上 是利用回归分析，得到描述负荷增长趋势最好的模型参数估计，从而模型可以用 来预测负荷增长趋势。线性拟合显得太单薄;而多项式拟合的次数又难以确定: 次数越高，公式越繁复;有限的几个增长模型也不能囊括负荷的变动;只有季节 型趋势预测揭示了负荷的周期特性。趋势外推法主要用于长期预测。 回归法是用数理统计中的回归分析方法，即通过对变量的观测数据进行统计 分析，确定变量之间的相关关系，从而实现预测的目的。主要分为线性回归和非 线性回归。一元线性回归将负荷看成是与某一因素有线性关系，事实证明负荷是 受多因素影响的，所以一元线性回归模型不可取;多元线性回归将负荷看成是多 个因素的线性组合，其实将所有因素都考虑全是不可能的，另外，事实上许多因 素并非以线性来影响负荷的;非线性回归模型多数是将负荷看成可线性化函数的 模型，但将其线性化的这些非线性函数的选取依据不好确定。回归模型描述中长 期的负荷尚可，对短期负荷 ( 以2 4 小时、7 天呈周期变化)的精确建模则很难。 相关分析法和解析法从建模方法上看都属于回归法。相关分析法是把系统负 荷预测与各种社会和经济因素联系起来，首先通过某模型来确定这些因素的影响 第一章电力系统负荷预测方法概述 系数，进而由各种社会和经济因素得到所要预测的负荷值。该法需要考虑的因素 太多，有些无法得到，所以很少采用。该法也只适用于长期预测。解析法的不足 在于电力负荷很难用解析式把所有影响负荷的因素包容进来，所以，纯解析法并 不很适合于负荷预测。 时间序列法的本质也是回归法，它们的相同点是都将预测目标作为因变量， 但回归法的自变量是各种影响因素，作为可控变量;而时间序列法的因变量自变 量都是随机的:因变量为待测负荷，自夺量为历史负荷。时间序列回归分析模型 是被认为最经典、最系统、也是被最广泛采用的一类方法。以往经常采用的时间 序列回归分析模型有以下几种: 1 ) 自回归模型 ( a r ) 在电力系统负荷预测研究中，引起负荷变化的因素很多，但是当作短期负荷 预测时，不可能把影响负荷等因素- 一 一列出并归入模型。我们所拥有的经常是负 荷的过去历史纪录。可以看到某一时刻的负荷显然与它过去的负荷有关，另外负 荷自己与自己也是相关的。这里因变量是待测的负荷，而自变量则是负荷自身的 过去值，所谓自回归模型就是基于该思想引出。 一个自 回归模型 描述是以 其现在值y , 可由 该过程的过去值的加权值的有a r 线 性及一 个干扰量a ， 来表 示。 在a r 模型中， 给定的关 键假设是: 对于不同的t 值， 。 ， 是 独 立于a ,- , , a ,- , , . . 等， 也 独 立 于耳 ， 一 。 ， y-,-, ， 一等， 但如 果 对该 模 型 进行 递 推， 则 可 看出 ， 于假设 不 符， 即a ， 不为独 立的， 它与 a r- l a ,- x ， 二 及x 一 。 一 、y - v - . . . 等都 有关， 并且可以 得出 过 去相隔越远的 干 扰对当 前值y , 所起的影响 越重要， 显 然这是不符合实际的。 为 此， 必须在模型中引 入另与a ,- 、 有关的 项， 以 消除a ， 与a ,- , 等相关的项，这就引出了a r m a 模型。 2 ) 动平均模型 ( m a ) 在a r 模型中， 干扰的影响理论上是在无限长的时间内存在的， 即一个初始时 刻的干扰将会影响到未来无限长时间内的负荷值。假设千扰的影响在时间序y w o 中 只表现在有限的儿个连续时间间隔内，其后忽略，则就得到另一种模型，即动平 均模型，常记作 m a 模型。 3 ) 自 回归一 动平均模型 ( a r m a ) 将 a r模型和 m a模型结合起来，可得到另一类模型，即自回归一 动平均模型 ( a r m a ) . 4 ) 累积式自回归一 动平均模型 ( a r i m a ) 前面的模型的应用的前提条件都是时间序列为平稳随机序列。即在应用这些 模型时，对于时间的起点是不做任何规定的，这也就意味着，无论抽出哪一段， 他的平均值是不变的。 电力系统的负荷变化虽然有一定的规律，但它受各种因素的影响是客观存在 的，如季节更替、天气突然变化、设备事故和检修、大的节假日、社会状况、国 家政策以及经济发展等，因而电网负荷是自 然和社会的综合产物，这使得它的变 化是一个非平稳的随机过程。所以，建立一个能适用于非平稳随机时间序列的模 第一章电力系统负荷预m方法概述 型，是更能符合客观实际的变化。为此，人们建立了累积式自回归一 动平均模型 c a r i ?j a ) , :p r i m a摸型的实质是将非平稳随机过程中的平稳随机变化负荷包含在 模型中。在获得该模型的过程中，最重要的是如何决定差分算子( t - b ) 0 的阶数。 为此，常常需要对自相关a数进行人工辨识，即进行离线分析，由于非常困难和 麻烦，故限制了此法的在线应用。 外推法和时间序列法通常都以回归分析法作为建模的基本理论依据，本质上 还属于回归法，而回归分析法存在着以下几个问题: ( 1 )输入和输出之间的非线性关系很难获得。 ( 2 )要求大样本量。 ( 3 )要求样本有较好的分布规律和确定的发展趋势。 ( 4 )输入变量的数目有 一 定的限制。 ( 5 )计算工作量大。 ( 6 )模型缺乏灵活性。 ( 7 )可能出现量化结果与定性分析结果不符的现象。 月 . 由于影响负荷变化因素的复杂性和随机性，也给负荷的准确预测带来了很 大的困难，黝此还没有一种公认的理想方法。为改善计算性能私提高预测精度， 人们一直致力于导找新的方法。近年来，出现了许多的智能型预测方法。如灰色 系统理论、专家系统原理、模糊逻辑系统预测法、人工神经网络理论和小波理论 进行负荷预测研究。另外， 近年还出现负荷预测的新方向: 如空间负荷预测， 即: 不仅能够预测未来的负荷量的变化规律，而且对未来的负荷地理分布情况也作相 应 的预测 。 灰色系统理论是介于白色、黑色系统而言的，即部分信息己知，部分信息未 知的系统。由于影响负荷的其他因素， 如天气、 政策的变化等是难以确切知道的， 因此电力负荷可看成是灰色系统。灰色预测具有要求负荷数据少、不考虑分布规 律、不考虑变化趋势、运算方便、易于检验等优点二但是，它和其他预测方法对 比，也存在一定局限性。由于其微分方程指数解比较适合于具有指数增长趋势的 负荷指标，对于具有其它趋势的指标则有时拟合灰度较大，因此，当数据离散程 度越大，即数据灰度越大，则预测精度越差。 专家系统是一个用基于知识的程序设计方法建立起来的计算机信息处理系 统，它拥有某个特殊领域内专家的知识和经验，运用这些知识，通过推理作出智 能决策。在用专家系统进行负荷预测时，由于预测知识规则的形成及知识库的建 立是有难度的工作，需要大量的知识、经验及模拟专家操作员，一旦知识更新将 很复杂，所以可维护性差。 模糊逻辑系统( f l s ) 预测是用模糊推理结合规则、 知识和数据， 模拟专家的推 理和判断方式对实际负荷进行预测的一种方法。一般由模糊化、模糊推理和学习 机制、模糊调整、去模糊化输出等几部分组成。在负荷动态过程中包含的大量的 随机性和非线性，几乎不可能建立精确的数学模型。而模糊系统不需要建立负荷 的数学模型，是通过模拟专家的推理和判断方式进行负荷进行预测。由于模糊推 理可用有限的规则近似任意的函数关系，因此利于负荷预测。但不足处是较弱的 第一章电力系统负荷预测方法概述 自学习能力，故提出了采用最近邻学习聚类算法的自适应最优模糊逻辑系统。基 于模糊理论的负荷预测研究也是本文要研究内容， 在本文的后几章将要详细阐述。 小波分析预测是基于小波变换的一种预测方法。利用小波变换，可将负荷序 列投影到不同的时间尺度上形成子序列。每个子序列表示初始负荷序列的不同的 频率成分。由于负荷序列多以天、周为周期，大周期中有小周期，如果将负荷序 列投影到不同的频率段，可较好地反映周期特性。这样可分别对小波子序列进行 预测后再用小波反变换重构得到预测值，其精度将更高。由于小波变换具有极敏 感的 “ 变焦”特性，从而小波分析在处理和分析非平稳、瞬变的信号时具有好的 优势。另外，利用小波系数沿尺度衰减的速度，来估算信号的奇异度，由此还可 以分离信号和噪声。 负荷预测中可在小波变换后采用周期自回归模型( p a r ) 进行预 测，也有文献在小波变换后采用神经网络预测，之后再来用小波反变换。 人t神经网络 ( a n n 一一a r t i f i c i a l n e u r a l n e t w o r k )理论自2 o 世纪 7 0 年 代起，其应用研究极其广泛，其优点是对大量非结构性、非精确性规律具有自 适 应功能，具有信息记忆、自主学习、知识推理和优化计算的特点。特别是它的自 学习和自适应功能是常规算法和专家系统技术所不具备的。a n n具有很强的自学 习和函数拟合能力，可方便地拟合出任意复杂的非线形关系，很适合于电力负荷 预测问题，因而基于a n n负荷预测得到了广泛的应用研究。 a n n应用于短期负荷预测要比应用于中长期负荷预测更为适宜。 目前在负荷 预 测领域内 的 研究，国内 外都相当 活跃国网， a n n预测性能效果优于其他方法 13 4 h 36 1 。 在预测n n模型已 从b p - n n模型发展为多 种其他类n n模型， 并且克服 了b p - n n的收敛速度慢，存在局部极小点等问题。 1 . 了电力系统负荷预测的误差分析指标 本文预测方法是建立在与以往预测方法的预测精度的比较的基础之_ f 的，评 价它们的预测精度的好坏要使用统一的性能指标。性能指标主要有:绝对误差、 相对误差、平均绝对百分误差( m a p e ) 、均方根误差( r ms ) 、标准误差、关联度误 差和后验差。后几种指标更适用与统计学的理论分析，本文采用的评价预测误差 的指标为负荷预测中通用的几项指标:绝对误差、相对误差、平均绝对百分误差 ( m a p e ) 、均方根误差( r ms ) 。它们的定义为: 绝 对 误 差 一 y 一 川 ( 1 一 1 ) 相对误差= 兰 二 兰x 1 0 0 % y , ( 1 - 2 ) a m p e ( 1 一 3 ) 第一章电力系统负荷预测方法概述 r人 招 = , h - l; 丫 i n) , y ;) ( 1 - 4 ) 其 中 之 为 预 测 负 荷， 耳 为 实 际 负 荷 ， n = 2 4 . 虽然电力系统负荷预测的研究己有半个多世纪的历史， 但随着科学领域的发 展，对它的研究一直未断，特别是基于 n n预测模型研究开辟了不少新的途径和 方法论，并取得了卓有成效的成果，也是本文要研究的方向之一。 1 . 8电力系统负荷预测中存在的问题 随着电力市场研究的开展，对负荷预测提出了新要求。近年来对负荷预测研 究也越来越多，取得一定的进展。但也还存在以下问题。 一、适合目前经济形势特色的电力系统负荷预测方法 电力负荷预测大致可以分为两大类: 一类是计划经济条件下的电力负荷预测。 另一类是市场经济条件下的电力负荷预测，许多发达工业国家工业发达国家根据 其自 身的条件，形成了适应市场经济条件下的电力负荷预测方法。我国现在己从 计划经济向市场经济转变，建立电力市场是当前电力系统发展的重要目标。因此 负荷预测模型应能适应现实的要求。 二、要重视原始数据的收集和分析 近年来对电力负荷预测模型的研究投入的力度较大，而对原始负荷数据的深 入分析、收集和管理是很不够，以至造成原始数据的筛选分析与模型不配套的弊 端。具体问题有:应尽可能包含全面的信息，而气候信息现就不配套;数据库信 息筛选和分析不够;预测模型或推演逻辑的假设应尽可能地符合实际; 1 . 9 本文的主要工作: 本文的研究课题是基于模糊理论的聚类方法和模糊原理的负荷预测模型结合 研究。即是由三部分组成:( 1 )在对不同模糊聚类原理和方法掌握的基础上，提 出两种模糊聚类方法，考虑影响负荷的内外随机因素不同的聚类法。根据仿真测 试和性能分析比较来评估，确定选用方法;( 2 )提出两种或以上的基于模糊理论 或常规的负荷预测模型的研究，并仿真测试和性能分析，确定性能好的负荷预测 模型;( 3 )将前两部分结合形成基于模糊理论聚类特征和负荷预测模型结合的研 究 1 ) 详细分析电力系统短期负荷特性、 对己研究的各种短期负荷预测方法作出 分析和综合，它们为本文的研究开展奠定了必要的专业和理论基础。提出了本文 负荷预测模型的研究总体模型结构。先将负荷分解成两部分来研究:2 4小时/ 日 为周期变化的周期性负荷分量的负荷预测模型的结构研究;气象因素影响的负荷 分量模型结构的研究。为了使负荷预测模型能对全年内各种负荷变化特征模式都 能适应，获得更好的预测性能。因此提出对负荷序列进行模糊聚类分析方法的研 究，在此基础上提出将模糊理论深入融于三部分的研究中:即聚类分析、负荷预 测模型、气候模型三者形成负荷预测的级联组合模型。 第一章电力系统负荷预测方法概述 2 ) 本文对原始样本空间进行模糊聚类分析，从而使全年负荷序列映射为若干 个模糊聚类子空间，解析出原始样本空间中隐含的气象与各种负荷的模糊关联特 征。并利用模糊聚类法对原始样本空间进行重构，用于负荷预测模型的前处理。 本文在广泛和深入了解国内外电力系统短期负荷预测研究基础上，对电力系 统负荷特性进行研究发现:节假日、温度和气象条件等不确定因素对负荷的影响 具有一定的规律性。深入分析这种规律性，可发现:节假日、温度和气象条件等 不确定因素对负荷的影响具有若干典型的模式，为提取这些模式，本文应用模糊 综合聚类分析方法对输入空间进行重构，从而解析节假日、温度和气象等不确定 因素与负荷非线性时变关系。提出了模糊综合聚类和模糊负荷聚类两种聚类分析 方法。 本文中对模糊聚类研究提出了基于最大最小模糊算子计算各个样本之间的模 糊关系得出模糊关系矩阵，然后根据自反性与对称性定理得到模糊关系矩阵的等 价闭包，对等价闭包进行兄 一 截集分解进行聚类。 本文对天津 2 0 0 0 年3 6 6 天的负荷数据进行模糊聚类与k - n n聚类两种原理的 聚类分析。 对模糊聚类多次反复聚类运算确定截矩阵系数a = 0 . 9 2 1 5 。 模糊聚类结 果为九类，k - n n 聚类结果亦为九类;将这两种聚类结果作:总体性能比较和特 征性能两方面比较。 由模糊聚类图得出:类 1 一类 9内部元素的相似性程度很高，负荷总体趋势 平稳，而k n n聚类只有类5 、类 6性能较好。故模糊聚类内部元素的相似性好、 聚类特征明显，总体优于 k - n n聚类。这是因模糊聚类可对原始数据进行筛选， 剔除差异点，有一定的滤波作用;而k - n n聚类仅是重组原始数据，因此若原始 数据中存在畸变的样本将干扰 k - n n聚类的总体性能。 负荷特征性能比较:模糊聚类与k - n n聚类都可以很好的表征负荷的季节 特性。但在聚类内部元素的相似性上和季节划分上也是模糊聚类更好一些。夏 季高温时段特性由模糊聚类5 负荷曲线图3 -9 与2 0 0 0 年温度趋势图3 -1 1 二者 在对应区间曲线走势十分相似;k - n n聚类 3的负荷曲线为高温时段特性，深入 分析其内部元素的分布可发现在 3 -4月 1 1 -1 2月的样本占聚类元素总数的 3 0 % 以上，因此恶化 k - n n聚类的总体性能。 所以模糊聚类可很好的表征夏季高温时段的负荷特性。这是由于温度因素对 负荷的影响具有模糊性，模糊理论处理该类问题优于 n n o 一般节假日与特长假期特性比较:k - n n聚类 9的内部元素包含有春节、五 一、十一以及普通节假日，与模糊聚类有一定的差异，k - n n聚要比模糊聚类好。 所以在该问题上可采用两者的结合。 3 ) 对于周期性的负荷分量，本文是以基于 n n原理为主方向，提出了基于模 糊神经网 络 ( f u z z y n e u r a l n e t w o r k 一一f n n ) 和常规n n负荷预测模型。 模糊神 经网络的输入空间维数根据负荷序列的自相关性系数分析和相空间重构理论确 定。 将序列作为样本进行模糊聚类。在充分考虑气象因素的影响以及负荷的时间 连续性特性的基础上以模糊神经网络进行建模。 第一章电力系统负荷预测方法概述 4 ) 根据上述各部分的研究，最后本文提出了基于模糊理论为核心的组合式短 期负荷预测模型。 它是由模糊综合聚类、 模糊模式识别、 模糊神经网络或常规n n 三部分组合成新型级联模型。由于通过模糊综合聚类、模糊模式识别将负荷特征 和气象因素进行了两级组合模型的调整和修正，使气象因素对负荷影响的适应性 有很高的灵敏度。它充分发挥模糊理论处理气象等不确定因素的优势，模糊的综 合聚类对原始样本空间依据多种影响因子来重构，通过模糊综合聚类法提取负荷 与气象的关联特征，并又用模糊模式识别进行实时性再聚类。在预测性能方面， 对于夏季高温时段预测的精度较传统预测的方法有明显的改进，对于节假日的预 测性能也得到提高。