（电力系统及其自动化专业论文）缺电指数预报系统的研究与开发.pdf

a b s t r a c t a b s t r a c t w i t ht h ed e v e l o p m e n to ft h eg n po fc b g n a , 1 0 c a le l e c t r i c a l l d a da l s oi n c r e a s e sy e a rb vy e 甄e s p e c i a l l y t h ep r o m o t i o no ft h ec i t i z e n sl i v i n gs t a n d a r d ，r e s i d e n t i a ll d a d 。e s p e c i a l l y 血ep r o p o r t i o no fa i r - c o n d i t i o n 1 0 a dw h i c hc a u s e st h es e r i o u ss i t u a t i o no fs h o r to fe l e c t r i c i t yi nc h i n ar e c e n ty e a r sb e c o m e sl a r g e ra n d l a r g e r s od s m m e a s u r e sa r eb e i n gt a k e na l lo v e rc h i n a s u c hm e a s u r e si n c l u d el o a dm a n a g e m e n ta n d i m p r o v e m e n to ft e r m i n a le n e r g ye m c i e n c y b u tm o s to ft h e ma r ee m e r g e n c ym e a s u r e s w ec a l ld om u c h b e n e ri fw ec a np r e d i c tt h ef u t u r es i t u a t i o n s oi t sn e c e s s a r yf o rp o w e rs y s t e mt ob ea s s i s t e db ya n e a r l y w a m i n gs y s t e mt h a tc a nb e u s e da sar e f e r e n c ef u rd a i l yp r o d u c t i o na n dc o n 仃0 1 s o c a l l e dl a c k - o f p o w e ri n d e xi sc a l c u l a t e db y1 0 c a lf u t u r el o a dd e m a n da n dt h ec a p a b i l i t yo fd o w e r s u p p l y t h e nl o c a ll a c k - o f - p o w e rd e g r e ew i l lb ea c q u i r e d b yt h ei n d e xt h es y s t e mc a na s c e r t a i nt h el o c a l g r a d eo fa b s e n te l e c t r i c i t yp o w e ra n dg i v es o m ea d v i c e st ot h ed e c i s i o n m a k e r m e a n w h i l ec i t i z e n sa n d e n t e r p r i s e sc a nk n o wt h ei n d e xa n dd e g r e et h r o u g hm e d i a t h i ss y s t e mi ss i m i l a rt oas m a l le a r l y w a r n i n g s y s t e m f o rc l i m a t eh a sg r e a ti n f l u e n c eo nt h ed a ym a x i m u ml o a d ，t h em o d e lc o n s i d e r st h e s ef a c t o r ss u c ha s t e m p e r a t u r e ，h u m i d i t ya n ds oo n i no r d e rt od e c r e a s et h en u m b e ro fi n d e p e n d e n tv a r i a b l ea n ds i m p l i f yt h e m o d e l ，t h ep a p e ru s e sc o m f o r ti n d e xo fh u m a nb o d yt or e p l a c ep r e v i o u sc o n v e n t i o n a lc l i m a t i c - g e n e m e a n w h i l et h i sp a p e rp r o v e st h a tu s i n gc o m f o r ti n d e xo fh u m a nb o d yi nl o a df o r e c a s t i n gi sf e a s i b l ea n d c o n v e n i e n tb yc o m p a r i n ga ne x a m p l e m a x - 1 0 a dp r e d i c t i o no faf e wd a y sl a t e ri sk e yp o i n to ft h ee a r l y w a m i n gs y s t e m l i n e a r i t yr e g r e s s i o n ； a r t i f i c i a ln e u r a ln e t w o r k ：g r a yp r e d i c t i o na r ec o n v e n t i o n a la r i t h m e t i c b u tw ef i n dt h a tf o r e c a s t i n g a c c u r a c yi sr a t h e rw o r s ee s p e c i a l l yt h em a x i m u mo fr e l a t i v ee r r o ri sb i g g e rb yt h e s ea r i t h m e t i c s s oa f o r e c a s t i n ga r i t h m e t i cb a s e do n1 0 a d - d e c o m p o s e w h i c hd i v i d e sd a ym a x i m u ml o a di n t on o f l n a ll o a da n d w e a t h e rs e n s i t i v e1 d a d i sm e n t i o n e dh e r e i tu s e sc o m p o s i t em o d e lc o m b i n i n ge x p o n e n f i a li n c r e a s i n g 订e n d a n dc y c l et r e n dt of u r e c a s tt h en o r m a l1 0 a da n du s e sa r t i f i c i a ln e u r a ln e t w o r kt of o r e c a s tw e a t h e rs e n s i t i v e 1 d a d t h ef i n a lr e s u l td r o v e st h em e t h o di sf e a s i b l e a tl a s tt h ep a p e ri n 订o d u c e st h ep r o c e s so fc o n s t r u c t i o no ft h i ss y s t e ms i m p l y , i n c l u d i n gm a i nm o d u l e s a n df u n c t i o no f t h el a c k - o f - p o w e ri n d e xs y s t e ma sw e l la ss o m ew e b s i t e sa r es h o w n k e yw o r d s ：l a c k o f - p o w e ri n d e x ；e a r l y w a r n i n gs y s t e m ；d e m a n ds i d em a n a g e m e n t ；l o a df o r e c a s t i n g ； c o m f o r ti n d e xo fh u m a nb o d y ；l i n e a r i t yr e g r e s s i o n ；a r t i f i c i a ln e u r a l n e t w o r k ；g r a yp r e d i c t i o n ； l o a d - d e c o m p o s e ；n o r m a ll o a d ；w e a t h e rs e n s i t i v el o a d 第一章绪论 1 1 课题背景和意义 第一章绪论 近年来，随着国民经济的持续增长，用电需求不断增加，全国大范围内出现了电力短缺，曾经 一度消失的“拉闸限电”现象又开始频频出现，2 0 0 4 年全国有2 4 个省市、自治区出现了拉闸限电 的情况。特别是随着人民生活水平和生活质量的提高，季节性负荷在电网负荷中所占的比重也越来 越大，造成夏、冬季的电力短缺形势尤为严峻，2 0 0 4 年夏季华东电网最大缺口达到2 0 7 8 万k w ，比 去年增加1 4 2 l 万k w ，华北、华中电网的电力最大缺口也分别达到7 4 7 万k w 、1 5 8 万k w ，很多省市 由季节性缺电变为全年性缺电。这直接影响到电网的安全经济运行，同时由于缺电而采取的限电、 拉电措施也给人民的生活带来了不便，因此对一个地区缺电情况的分析和预报显得尤为重要。 要了解一个地区未来的缺电形势，首先必须了解该地区的用电需求，特别是地区的最大用电负 荷，这就涉及到电力系统负荷预测工作。目前该项工作已经在供电部门广泛地开展起来，并成为能 量管理系统( d i s ) 的一个重要组成部分。它是制订电力系统发展计划和规划的基础，也是计划和规 划工作的重要组成部分“。其目的是为合理安排电源和电网的建设提供宏观决策的依据，使电力建 设满足国民经济增长和人民生活水平提高的需要，以保证电力系统经济、安全、可靠地运行。提高 负荷预测的水平，有利于节煤、节油和降低发电成本，提高电力系统的经济效益和社会效益。近几 年随着计算机技术和数理统计理论的发展，负荷预测的方法越来越多，精度也越来越高，这更为供 电部门进行电力调度、制定有序用电方案提供了良好的依据。 而要克服严峻的缺电形势，就必须加紧、加强实施电力需求侧管理( d s m ) 工作。需求侧管理是 综合资源规划( i r p ) 的一项主要内容，重在提高终端用电效率和改善用电方式，提供节电资源，减少 对供电的依赖“。从九十年代d s m 介绍到我国后，政府和供电部门就通过经济、技术、行政、宣传 等手段推广和实施d s m ，特别是在这两年供需紧张的情况下，d s m 得到了更快地推广和应用。通过实 施d s m ，可以缩小电网峰谷差，改善电力负荷特性，缓解电力紧缺矛盾，保证电网安全稳定运行； 可以进一步优化地区电源结构，增强电网调峰的能力；可以提高能源的利用率，减少或推迟新建电 厂，减少发电燃料消耗，缓解环境污染；可以降低电力供应成本，减少电费支出，提高高耗能企业 的竞争力。 但是要克服严峻的缺电形势除了依靠政府的宏观调控外，更要依靠用户自主的错峰、避峰，因 此供电部门有必要建立一个预警系统，向全社会发布缺电警报。基于这点，本文在最大负荷预测的 基础上构建了缺电指数预报系统，以具体的数字给出地区缺电指数，来表征地区未来缺电的紧迫程 度，这样就可以使人们事先了解地区未来的缺电形势；同时系统还给出具体的措施引导人们合理、 有序地安排用电，使人们谅解供电部门采取的拉限电措施，协助供电部门一起度过用电高峰期。广 大用户对目前缺电形势认识的增强，也有利于节电观念的深入人心和需求侧管理工作的推广。 1 2 课题内容 课题内容主要分为两部分：最大用电负荷预测方法的研究和缺电指数预报系统的构建。 1 2 1 最大负荷预测方法的研究 季节性负荷受气候条件的影响最大，故此本文在建模中充分考虑了温度、湿度和风力等气象因 数，并在此基础上提出了使用人体舒适度这个能够综合反映气象条件的指数代替以往常规的、单一 的气象因子，并通过算例证明了采用人体舒适度的可行性和优越性。 未来几天的最大负荷预测是缺电指数预报系统的核心，目前有线性回归、人工神经元网络和灰 色算法等几种常用的算法，其特点是简单、实用，但是预测的精度尚有不足。本文在以上三种算法 东南大学硕士学位论文 的基础上提出了基于负荷分解的预测方法，即将日最大负荷分解为正常负荷和天气敏感负荷两类， 前者使用结合指数增长趋势和周期趋势的组合模型实现正常负荷的预测，后者用神经网络法实现天 气敏感负荷的预测，最终的预测结果表明了该方法较之传统的三种方法有明显的优越性，预测精度 有较大地提高。 最后论文对各种方法的预测结果进行了比较，对预测误差产生的原因进行了分析。 1 2 2 缺电指数预报系统的构建 缺电指数预报系统的构建主要考虑两方面内容：系统的功能和界面。 系统的主要功能有三块：一是数据的管理，由于历史负荷数据、气象数据等是进行负荷预测的 依据，系统首先必须能实现历史数据的输入、查找和修改等功能；二是缺电指数的计算，这部分根 据需要分为年、月、日缺电指数的计算，首先根据历史负荷数据计算未来年、月、日最大用电负荷， 再结合地区发电厂出力和外购电或上一级供电部门下达的用电指标计算用电缺口，最后得出相应的 缺电指数。三是结果的输出，这部分显示最终的计算结果，同时根据缺电指数的大小得出地区的缺 电等级，给出相应的应对措施。 系统界面的实现：采用a s p n e t 实现整个预报系统的界面，使用a s p n e t 语言有两大优势：一 是可以实现缺电指数的网上预报和查询，用户可以在供电部门的授权下通过i n t e r n e t 预报缺电指数 或查询预报结果，这样只需在一台服务器上安装预报系统，易于维护和更新；二是可以方便地使用 a d o n e t 实现对数据库的操作，从而根据最新的负荷数据更新预报结果。 1 3 负荷预测简介 1 3 1 电力负荷的分类与特性 电力系统中有各式各样的负荷，总负荷预测常常是各种不同类型负荷预测的总和。按用电部门 属性划分，负荷可以分为工业负荷、农业负荷、商业负荷、城乡居民用电负荷以及其他负荷。 虽然总负荷是系统中千千万万个用电个体的用电总和，而且每一个个体的用电目的和模式千差 万别，但是系统负荷在整体上仍然表现出一定的规律性。从时间上看，电网负荷具有年负荷不断增 长及年内周期性波动两种特性。年内周期性波动又可分为以年为周期的波动、以周为周期的波动、 以日为周期的波动。对于不同的负荷，由于用电性质的差别，相应特性也有显著区别。如住宅负荷 及商业负荷具有经常的年增长以及明显的季节性波动特点，而这种季节性变化在很多情况下直接影 响系统峰值负荷的季节性变化，影响程度取决于民用负荷在系统总负荷中所占的比例。商业负荷同 民用负荷特性接近，也具有季节性变化趋势【i - jj 。工业负荷季节性波动不大，一般做基础负荷对待。 另外，在高度工业化地区，很多工业负荷由于生产水平有正常周期变化，其年间增长趋势呈现周期 性波动特性【i oj 。同时负荷还同社会经济、天气状况等存在着复杂的非线性关系，又包含有丰富的随 机变量，因而负荷还具有不可控制性。综上所述，负荷可以看成由长期趋势、周期性趋势、随机变 化趋势这三种不同类型的负荷组成。 从空间上来看，随着用户增多及区域的扩大，电网负荷同时率及负荷增长行为的变化也是有规 律的。用户越多，负荷同时率越低。用户数及每户平均用电量的增长将导致电网负荷持续增长，增 长曲线的形状与区域大小有很明显的关系。供电区域面积越大，曲线就越平滑t 4 , 6 】。 1 3 2 影响负荷的因素 1 经济因素的影响 经济环境对电力需求有着明显的影响，其主要影响负荷的增长或下降趋势，象国家宏观产业结 构调整就必然会影响电力需求的变化。譬如，基建项目实行“宏观调控”，直接“刺激”或“抑制” 国民经济的发展和耗电大企业的用电，造成电力负荷的变化。 2 第一章绪论 电力网络运行地点的经济环境对电力负荷需求模式也有显著影响。如供电区域人口、工业生产 水平、电气设各数量变化、政策发展趋势变化等因素造成的影响。另外，电力网络本身的管理政策， 如需求侧管理及电价政策也会对负荷变化产生影响。 2 时间因素的影响 对负荷模式有重要影响的时间因素主要有三种：季节变化、周循环、国家法定节假日及传统节 日。不同季节的日照小时和温度变化不同，社会需求也不同使得不同季节的负荷模式有较大的变化， 常见的季节事件有：日照时间长短的变化、季节需求比率结构的变化、学校学年开始、假期生产大 幅度减少等。系统负荷还表现出很强的周周期和日周期特性。法定节假日及传统节日的影响体现在 其日负荷与平时相比显著降低，而且节日前和节日后的若干天，负荷也受节假日的影响略有降低。 3 气候因素和自然灾害的影响 随着人民生活水平的提高，取暖器、空调等电气化取暖、降温和制冷设备地使用越来越广泛， 气候变化对负荷的影响也越来越显著，生活用电比例呈逐年增加的趋势。据统计，华东电网2 0 0 3 年 夏季高峰负荷中空调降温负荷的比例己超过3 0 ，其中3 5 以上每升高l 约增加1 5 0 万k w 负荷。 2 0 0 3 年夏季上海市空调负荷接近6 0 0 万k w ( 约占统调最高用电负荷的4 4 ) ，江苏省空调负荷超过 7 0 0 万k w ( 约占统调最高用电负荷的3 2 ) 。温度是影响负荷的最主要的气候因素，此外湿度、风。 速、降雨量和云层遮盖度( 日照小时数) 也对负荷的变化有影响。 严重的自然灾害如洪涝、大旱等，也会造成电力负荷的大幅度波动。1 9 9 8 年的全国性洪涝灾害 使众多大中型工业企业停产，负荷大幅度下降便是最好的说明。 4 随机因素的影响 通常将其他大量的能够引起负荷波动，而又无法归入以上三类的随机事件通称为随机因素。系 统中一些大负荷用户( 如钢铁厂、同步加速器及风洞等) 的用电行为会引起系统负荷较大的波动， 而调度人员一般无法事先掌握这种行为。此外，一些特殊事件如重大政治活动、工业设备损坏、热 门的电视节目等也会对系统负荷产生影响，虽然它们发生的时间可以预先知道，但是它们对负荷的 影响程度是未知的。 1 3 3 负荷预测的常用方法 负荷预测是一个相当复杂的问题，不同电力系统由于负荷特性不同，适用的预测方法就不同。 即使同一电力系统，根据预测时间的远近及负荷特性的变化，不同时期也可能采用不同方法。 常用的预测方法一般分为 主观预测方法 客观预测方法 当与负荷预测相关的定量信息不存在或很少，而有足够的定性知识存在时，通常采用主观预测 方法。主观预测方法不建立数学模型，而是依靠预测者的直观思考、判断和知识积累。这种方法完 全依赖于预测人员的经验和主观判断能力，含有的主观因素较多，误差显然较大。但与定量模型相 比，其优势在于利用人们的经验，从而可计入许多无法量化的影响因素。 随着电力系统的发展，负荷变化模式越来越复杂，影响负荷的因素也越来越多，主观预测方法 已无法满足需要，人们对客观预测方法的研究越来越多。应用客观预测方法有两个基本假设：一是 负荷及相关因素可以定量表达，二是负荷过去的模式在将来也要继续存在。客观预测方法可以不受 主观愿望的影响；对预测模型的处理是根据过去的预测误差作出的，是科学的；比主观预测方法所 花的时间少，而且可以用计算机进行预测 5 】o 按照所使用的数据分类 自身外推法 相关分析法 客观预测方法可分为： 3 东南大学硕士学位论文 自身外推法只需要负荷本身的历史数据，通过寻找负荷历史数据中的变化规律与特性，将其变 化模式外推到未来从而实现预测。该方法的优点是需要数据少，缺点是未考虑其他因素对负荷的影 响。这种方法较适合预测规律性强、周期较短的负荷。 相关分析法是将负荷同各种社会和经济因素联合起来考虑，通过寻找电力负荷与影响其变化的 相关因素间的关系建立数据模型，达到预测目的。这种方法的预测结果一般更为合理，需要的数据 较多，给数据采集造成一定困难。相关分析法适合负荷模式变化较大，周期较长的情形。 目前较成熟的客观预测方法大致可分为两类 时间序列法 回归分析法 时间序列法将负荷数据当作一个随时间变化的序列进行处理，寻找负荷历史数据随时间的变化 规律，利用该规律外推预测。回归分析法假定负荷同一个或多个变量存在因果关系，寻找描述这种 因果关系的数学模型，据此预测未来负荷。 随着人工智能技术的不断发展和完善，人们又提出了以下几种方法：模式识别法h j 、模糊预测 法1 9 - “】、灰色理论预测法 1 2 - 1 4 1 、专家系统法 1 5 - 1 7 】、神经网络法 1 8 - 2 1 1 等。神经网络法通过对人脑神经系 统的结构模拟来实现预测，具有非线性、自组织、自适应、大规模并行处理等优点，是目前使用较 多的一种方法口“。 1 4 人体舒适度简介 1 4 1 人体舒适度定义及计算公式 随着居民生活水平和生活质量的不断提高，夏季防暑降温负荷和冬季采暖负荷，也就是天气的 变化导致人体舒适感觉变化引起的用电负荷在电网负荷中所占的比重越来越大。而人们开停空调不 仅仅只是根据最高或最低温度，因为人体对小气候的感觉是多种因素的综合反应，它不同于大气探 测器获取的各种气象要素结果。但是以往负荷预测方法的研究中，大部分只是针对气温这一气象因 素，而忽略了湿度、风力等对人体舒适感觉影响也很大的气象因素“，因此本文在预测日最大负荷 时引用了人体舒适度的概念。 所谓“人体舒适度”，就是在不特意采取任何防寒保暖或防暑降温措施的前提下，人们在自然 环境中是否感觉舒适及其达到怎样一种程度的具体描述“。影响人体舒适度的主要因素是气温、湿 度和风，但是气温、空气湿度和风，对人的舒适感来说，并不处于同等重要的地位。夏季人体反映 最强的气象因素是气温，空气湿度和风在加强蒸发冷却和交换冷却方面具有重要性，其中风的作用 大于湿度。风能使机体散热加快，风速每增强l m s ，使人感觉气温下降了2 0 c 左右。风愈大，散热 愈快，当气温稍高于皮肤温度时( 3 0 0 c t 2 7 0 c ) ，如果气流速度的散热效率达到最佳状态( v 3 m s ) ， 会感到轻风徐来，当v 3 s ，会使排汗效率降低，感到炎热、闷热。气温适中时，湿度对人体的影 响不明显；当气温较低或较高时，湿度对人体的热平衡就显得很重要。气温高时，湿度不大时，感 觉炎热；气温较高，湿度较大，静风或小风时，由于人体散热效率降低，感到闷热。气温低时，若 湿度较大，由于空气中相对湿度较高，身体的热辐射被空气中的水汽所吸收，加上衣服在潮湿的空 气中吸收水分，导热性增大，加速了机体的散热，使人感到寒冷不适”“。 人体舒适度指数就是为了从气象角度来评价在不同气候条件下人的舒适感，根据人类机体与大 气环境之间的热交换而制定的生物气象指标。该指数反映了人体对空气的温度、湿度、风速、辐射、 天空状况等气象要素的感受，其计算公式如式1 1 所示： d = ，p ) + g 妙) + h ( v ) ( 1 1 ) 式中d 、体舒适度指数； r 日平均气温( ) 4 第一章绪论 u 日平均相对湿度( 百分数) ； y 日平均风速( m s 1 。 近年来国内和国际上对人体舒适度的研究取得了较快的发展，也有很多计算人体舒适度的公式 2 4 - 2 8 由于各地气候存在差异，影响人体舒适度的主要因子不同，因此，人体舒适度的具体计算公式也 不一样。考虑到南京地区和安徽地区的气候条件基本相似，程序中采用了安徽安庆市气象局提出的 人体舒适度公式，它是在综合考查气温、相对湿度、风速等因素的基础上并对经验公式作了修改而 得出的，其具体形式见式1 2 ，同时表1 1 还给出了人体舒适度指数( d ) 数量、指数等级及人体感觉描 述【2 3 】。 d i = 1 8 t + 0 5 5 ( 1 一心) 一3 2 矿+ 2 7 ( 1 2 ) 式中，t 、r h 、v 分别为平均温度、相对湿度、风速。 表1 1 人体舒适度指数数量、指数等级及人体感觉描述 d指数等级人体感觉描述 8 0 6 级 人体感觉酷熟，希注意防暑降温，以防中暑 1 4 2 人体舒适度与最大负荷之问的关系 这里使用e x c e l 计算了单个气象因子( 主要是温度因素) 与最大负荷之间的相关度，表1 2 给出 了南京地区1 9 9 9 年到2 0 0 2 年的分析结果。 表1 21 9 9 9 2 0 0 2 各年最大负荷与各温度因子的相关系数 1 9 9 9 正2 0 0 0 正2 0 0 1 年2 0 0 2 定 n o 8 0 1 90 ，8 1 0 40 8 2 9 5 0 7 9 6 0 r 2 o 7 5 1 40 8 4 3 4 0 8 5 6 9o 7 8 8 7 r 3o 8 1 0 40 8 6 2 40 8 8 2 20 8 2 6 7 h0 7 7 0 70 7 6 4 40 8 0 7 90 7 2 4 7 其中h9 2 、r 3 、 4 分别表示日峰荷与最高温度( 品。) 、最低温度( z 盅) 、8 点温度( 乃) 及1 4 点温度 ( t 1 4 ) 的相关系数。 由表1 2 可以看出：1 9 9 9 2 0 0 2 年的夏季日最大负荷都和矗有最强线性相关性。这是因为夏季 负荷的波动，并不单纯取决于当天或前一天的最高温度，而是与气候过程中的热量积累有关，而如 能较好地反映一天的气候状况和前几天的热量积累效应；并且4 年中日峰荷出现在早高峰的比例均 大于5 0 ，因此必然导致孔与日峰荷之间呈现较强的相关性。 常规的负荷分析方法一般只分析负荷与温度的关系，而不考虑其它气象因子的影响。由上述分 析可知，夏季负荷与气温的相关性较强。图1 1 为2 0 0 1 年7 月日最大负荷与平均气温的变化关系曲 线。 东南大学硕士学位论文 3 0 0 0 喜篇5 0 辩： 5 。： 2 5 82 6 52 7 42 8 43 003 0 53 1 93 2 33 2 9 平均温度 图1 12 0 0 1 年7 月日峰荷与平均气温的变化关系曲线 由图1 1 可知，尽管从总体趋势上看，负荷水平是随着温度的升高而增大，但是在一个月3 1 个 数据中存在1 0 个转折点，这说明在1 年当中夏季日平均气温并不是决定日峰荷变化的唯一因素。 图1 2 是2 0 0 2 年夏季2 天的负荷曲线，这2 天的平均气温及最高温度都相同。其具体天气情况 如表1 3 所示。 3 0 0 0 妻茹5 0 盖|l。1。500 5 0 ： 0 12 3 45 678 9 1 掰3 1 4 1 5 1 6 1 7 1 8 坞2 0 2 1 2 2 2 3 图1 , 22 0 0 2 年夏季相同温度日典型负荷曲线 表1 32 0 0 2 年相同温度日2 天的具体天气情况表 平均温度o c最高温度。c湿度日照小时数h风速( m s ) 7 月1 8 日2 93 38 42 56 8 月6 日 2 93 37 11 1 66 由图1 2 及表1 3 可以明显地看出，夏季日负荷和日最大荷不仅与温度有关，还与当天的相对湿 度、日照小时数等气象因子有关，并且日负荷还受温度累积效应的影响。因为常规负荷特性分析只 分析负荷与温度的关系，虽然在所有气象参数中，温度对于负荷的影响较大，但这也必然造成相对 较大的误差。由前述结果可知，在单个温度因子中，夏季日最大负荷与孺的相关性最强，因此对 2 0 0 3 年6 8 月南京市日最大负荷与孺和人体舒适度指数( 式1 2 ) 的相关性进行比较，图1 - 3 给出 了它们的变化趋势图。 4 0 0 0 3 5 0 0 3 0 0 0 至2 5 0 0 杂2 0 0 0 $ ：1 5 0 0 1 0 0 0 5 0 0 0 日峰荷 1471 0 1 31 61 92 22 5 2 8 3 1 3 4 3 74 04 34 64 9 5 25 55 8 6 1 日期 图1 32 0 0 3 年6 8 月南京市日峰荷与霓和人体舒适度指数的变化趋势图 6 第一章绪论 由图1 3 可以看出，日峰荷与人体舒适度指数的变化趋势基本相同，计算可得出该时间段内日 最大负荷与人体舒适度指数和孺的相关系数分别为o 9 1 2 0 和o 8 2 1 7 ，日最大负荷与人体舒适度指 数的相关性较强。同时，人体舒适度指数可以更精确地划分敏感负荷的区间，比如最高、最低、见 等温度因子以10 c 为标准最多只能有1 0 个区间，而人体舒适度指数可以划分2 0 甚至更多区间，这 样得到的敏感负荷更为精确，况且人体舒适度指数同时包括了平均温度、平均湿度和风速，更能够 综合地反映气候的状况，因此用人体舒适度代替常规气象因子来预测日最大负荷应该效果更好。 1 5 论文结构 为了条理清晰，循序渐进地阐述缺电指数预报系统的构建，论文分为五章： 第一章绪论，阐述论文的选题背景、课题研究的内容、使用的基本概念如负荷预测及人体舒适 度、文章的组织结构等。 第二章负荷预测方法的介绍，详细介绍系统中使用的三种常规负荷预测方法：线性回归、神经 网络和灰度预测法，其中在预测中使用了新的变量人体舒适度，并对使用常规气象因子神经网 络法与使用人体舒适度神经网络法的预测结果进行了比较，说明使用人体舒适度作为输入变量的可 行性。 第三章基于负荷分解的负荷预测方法是第二章的继续，它详细讲述了该预测方法的具体实现， 如何使用结合指数趋势和周期趋势的组合模型对正常负荷分量进行预测；如何使用结合人体舒适度 的神经网络实现天气敏感负荷分量的预测。 第四章缺电指数预报系统介绍，详细介绍缺电指数预报系统的各种功能以及预报系统的界面。 第五章总结，对论文已完成的工作做出总结，对后续需要进行的工作提出建议，并对整篇论文 做了简短回顾和评价。 7 东南大学硕士学位论文 第二章常规预测方法的介绍和预测结果分析 由于缺电指数的计算是建立在负荷预测基础上的，因此负荷预测就成为缺电指数预报系统的关 键，负荷预测的精度直接影响到缺电指数的准确程度。而可用于电力系统负荷预测的算法多种多样， 各种算法均有一定的适用场合，具体选择某种算法视预测需要而定。实际应用中往往采用试验比较 法，利用地区电网历史负荷数据进行模拟预测，从而确定该电网最有效的算法，在精度允许情况下， 选择效率最高的算法。 本文主要研究了日最大负荷的预测，并用人体舒适度代替常规气象因子作为最大负荷建模时最 主要的输入变量，因此论文使用了相关分析法，首先用最简单的回归分析法实现了对日最大负荷的 预测，其后论文采用神经网络法对日晟大负荷进行预测，因为神经网络在描述输入量与输出量非线 性关系方面，具有其特殊的优势。同时为了丰富整个系统的预测算法，论文还应用了目前比较常用 的灰度预测法来实现日最大负荷的预测。 2 1 回归分析法 2 1 1 基本原理及参数估计 回归分析方法“”是研究变量和变量之间依存关系的一种数学方法，根据回归分析涉及变量的多 少，可以分为单元回归分析和多元回归分析。在回归分析中，自变量是随机变量，因变量是非随机 变量，由给定的多组自变量和因变量资料，研究各自变量和因变量之间的关系，形成回归方程。回 归方程根据自变量和因变量之间的函数形式，又可分为线性回归方程和非线性回归方程两种。回归 方程确定后，求得相应的参数，拟合一条最佳的曲线，然后将此曲线外延至未来的适当时刻，在己 知自变量取值时得到因变量的预测值。 单元线性回归分析法可看作是多元线性回归分析法的特例。而对于非线性回归问题，常将其转 换为线性回归问题求解。 在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响电力系统负荷的各 种因素，如社会经济、人口、气候等。设它们之间的关系是近似线性的，回归方程为： y 。= 6 0 + b l x l 。+ b 2 x 2 。+ + 6 。x 。，+ t ( 2 1 ) 式中b o ，6 1 ，b 。是模型回归系数，占是除自变量x l ，x 2 ，z 。的影响之外对y ，产生 影响的随机变量，即随机误差。 估计参数时，首先给定h 组观察值( x l ，x 2 ，x 。，y ，) ( f _ 1 , 2 ，玎) ，代入式2 1 可得 n 个方程，写成矩阵形式为： 式中 y = 肖= y = 翼露+ s 1 x 1 1 1 x 2 1 1 x ”l x l x 2 m x n m b = b o 岛 ( 2 2 ) 下面用最小二乘法求未知参数，b l ，b m 的估计量，做离差平方和 8 s= q s 2 ： 屹 第二章常规预测方法的介绍和预测结果分析 q = ( y ；一b 。一b t t 一b m z 。) 2 ( 2 3 ) j 1 1 依据高等数学中求多元函数极值的方法，取q 分别b o ，b 1 ，b 。的偏导数，并令它们都等于 零，得方程组： 面a q = - 2 窆i = l 。，一6 0 - b l x , - 如x i 2 b r n x i m ) = 。 署= 乞善n ，_ 6 0 吨，_ 6 2 砀吨x 。b n = 。 ( 2a ) 詈。2 善n ，- 6 0 吨也勘一h 矿。 整理上式得 6 。+ 岛x f l + 6 2 z ，2 + - i = 1 r = 1 6 0 x 。+ 6 。x ：+ 6 ：x 批+ 将式2 5 写成矩阵形式为 + 6 。x 。= y ； + 6 。x l l x 。= x ；l y 。 ( 2 5 ， x 船= x 7 + 6 。x 三= y ( 2 6 ) 由于而，x 2 ，x ，线性无关，所以z 的列向量线性无关，这样方程式2 6 的系数矩阵x x 是可逆的，故可得式2 ，6 的唯一解为： b = 伍互) 。1 2 7 ( 2 7 ) 从而可以求出回归方程的参数估计值玩，毛，6 。，确定回归方程。 2 1 2 预测结果 本课题是预测第二日的最大负荷，回归方程的因变量取预测日与历史相关日最大负荷之差，由 于采用人体舒适度作为日最大负荷的主要影响变量，因此取自变量一为预测日与相关日人体舒适度 之差，由式1 2 可以看出，人体舒适度计算中未考虑天气状况的影响，所以增加一个自变量为预测 日与相关日天气状况之差，而由于天气状况不是一个可量化的值，因此在程序中按表2 1 给天气状 况依次赋值。 表2 1天气状况赋值表 数值 123456789 天气状况晴少云多云阴雨阵雨大到暴雨雪大雪 从而建立一个二元线性回归方程进行预测，即y f = b o + 6 1 x l 。+ 如z 2 ，+ f ，。分析历史负荷数据 可以看出，工作日的最大负荷受前一工作日的最大负荷影响较大，而休息日的最大负荷受前一天的 最大负荷影响较大，因此预测时按照工作日和休息日两种类型日分别建立回归方程。根据南京地区 1 9 9 8 年1 月2 0 0 3 年6 月的历史负荷数据，预测2 0 0 3 年6 、7 、8 三月的日最大负荷，考虑到最大 负荷具有周期性、季节性特点，程序中使用2 0 0 2 年同期的历史数据作为观察样本估计回归方程系数 9 + 2 x 肼 x 。日 如 +x m x 。h 6+ 删 x 。 东南大学硕士学位论文 ( 工作日选取6 0 个样本，休息日选取3 0 个样本) 。其最终预测结果见表2 2 和图2 1 。 表2 2南京市2 0 0 3 年6 8 月日最大负荷预测结果( 回归分析法) 日期实际值预测值误差日期实际值预测值 误差 2 0 0 3 6 12 0 5 0 2 82 0 1 6 81 6 3 2 0 0 3 7 1 62 5 5 1 6 72 6 4 4 8 7- 3 6 5 2 0 0 3 6 22 1 7 5 4 1 2 1 7 7 9 60 1 2 2 0 0 3 7 1 72 7 9 5 8 62 6 3 4 1 45 7 8 2 0 0 3 6 32 2 0 8 1 92 2 0 2 90 2 4 2 0 0 3 7 1 82 5 6 2 4 42 7 5 5 5 87 5 4 2 0 0 3 6 42 1 3 1 0 22 1 8 3 6 42 4 7 2 0 0 3 7 1 92 8 0 7 5 32 4 9 2 91 1 2 1 2 0 0 3 6 52 2 2 7 0 42 1 9 7 7 61 3 2 2 0 0 3 7 2 02 6 8 6 5 22 7 5 1 8 824 3 2 0 0 3 6 62 3 6 5 6 82 2 8 4 9 63 | 4 1 2 0 0 3 7 2 13 0 2 4 1 12 7 7 6 4 78 1 9 2 0 0 3 6 7 2 1 9 6 1 12 2 8 3 2 l 一3 9 7 2 0 0 3 7 2 22 9 1 l - 2 72 9 3 4 7 40 8 1 2 0 0 3 6 82 1 3 1 3 52 1 2 2 2 60 4 3 2 0 0 3 72 33 1 0 2 3 42 9 5 0 5 24 8 9 2 0 0 3 6 92 3 7 7 3 62 2 6 7 4 84 6 2 2 0 0 3 7 2 43 2 9 5 5 13 2 7 7 1 2o 5 6 2 0 0 3 6 1 02 3 7 7 5 62 4 1 0 7 31 4 0 2 0 0 3 72 53 2 1 0 _ 3 83 2 7 9 7 82 1 6 2 0 0 3 ，6 1 l2 1 7 1 1 92 1 4 0 914 0 2 0 0 3 7 2 63 1 6 6 9 83 1 3 8 7 5o 8 9 2 0 0 3 6 1 22 2 4 3 72 2 8 4 0 91 8 0 2 0 0 3 7 2 73 2 1 1 ，4 13 0 9 8 9 63 5 0 2 0 0 3 6 1 32 2 3 4 9 72 3 2 0 2 83 - 8 2 2 0 0 3 7 2 8 3 2 5 8 6 9 3 2 4 3 7 5 0 4 6 2 0 0 3 ，6 1 42 2 2 7 ，7 52 1 6 9 ，0 52 6 4 2 0 0 3 72 93 2 5 0 2 63 3 4 1 1 62 8 0 2 0 0 3 6 1 52 1 7 0 2 92 1 5 2 5 l0 8 2 2 0 0 3 7 3 03 4 2 3 2 93 1 9 1 3 26 7 8 2 0 0 3 6 1 62 2 5 8 7 82 2 2 8 0 71 3 6 2 0 0 3 7 3 l3 3 5 4 9 33 4 7 5 3 23 5 9 2 0 0 3 6 1 72 3 7 92 2 6 7 64 6 8 2 0 0 3 8 13 2 3 4 7 73 3 5 4 9 2- 3 7 1 2 0 0 3 6 1 82 3 6 4 5 32 3 6 3 2 7 0 0 5 2 0 0 3 8 23 1 8 0 4 63 1 6 1 6 2o 5 9 2 0 0 3 6 1 92 4 5 2 5 32 4 4 7o 2 3 2 0 0 3 8 ，33 1 3 9 9 33 1 1 03 50 9 4 2 0 0 3 6 2 02 5 1 6 92 5 2 6 1 70 3 7 2 0 0 3 8 43 0 2 6 4 23 0 7 1 7 51 5 0 2 0 0 3 6 2 12 2 1 6 0 92 4 2 2 8 99 3 3 2 0 0 3 8 53 1 9 1 33 0 9 9 0 52 8 9 2 0 0 3 6 2 22 3 3 4 62 1 7 3 3 86 9 l 2 0 0 3 8 63 1 6 9 ，6 43 1 6 9 6 9o o o 2 0 0 3 6 2 32 4 4 9 3 82 4 7 9 5 71 2 3 2 0 0 3 8 73 2 8 8 8 33 2 2 7 5 61 8 6 2 0 0 3 6 2 42