（电力系统及其自动化专业论文）短期电力负荷预测关键问题与方法的研究.pdf

短期电力负荷预测关键问题与方法的研究 采用改进的g m ( i ，1 ) 模型和修正系统对短期负荷进行分析。该方法利用灰色模型具有要 求负荷数据少、可以不考虑负荷分布规律等优点，创建改进的灰色预测模型。同时，为 了考虑特殊日对负荷变化的影响，利用最新信息修正预测结果，从而进一步提高预测精 度。 在完成上述四部分研究工作的基础上，本文首次提出了一种能够综合考虑影响负荷 因素的短期负荷预测方法。该预测方法具备了对影响负荷因素的筛选、确定性负荷因素 的分析、不确定性负荷因素的分析及少数据负荷的处理等分析功能及计算模型，并将以 上研究的单一模型所包含的信息集结起来，利用了最大信息进行最优组合。创建了一个 既能保证预测精度又能对预测结果进行分析、说明的短期负荷预测模型，为高质量、高 可靠性的电力供给提供了有力的理论依据。 实例证明，本文提出的短期负荷预测方法具有实用性和有效性，该方法能够进一步 提高短期负荷预测的精度。 关键词：短期负荷预测，影响因素，预测精度，组合预测 一1 1 沈阳工业大学博士学位论文 a b s t r a c t n l ef o r e c a s t i n gf o rt h el o a do fe l e c t r i cp o w e rs y s t e mi sf u n d a m e n t a lt og f l s u r es a f ea n d e c o n o m i co p e r a t i o no fp o w e rs y s t e m f o rap o w e rs y s t e m , s a f ea n de c o n o m i co p e r a t i o no f p o w e r 商da sw e l la sg o o de l e c t r i cq u a l i t yd e p e n d so nc o r r e c te s t i m a t i o no f e l e c t r i cl o a d i ns h o r t - t e r m1 0 a df o r e c a s t i n g , i ti se s s e n t i a lt oh a v eac o r r e c tu n d e r s t a n d i n ga n da n a l y s i s o ff a c t o r sa f f e c t i n ge l e c t r i cl o a d b a s e do nw e a t h e ri n f o r m a t i o n , t h i sd i s s e r t a t i o nh a sa n a l y z e d v a r i o u sf a c t o r sa n dh a sm a d eap r o f o u n ds t u d yo f s h o a - t e r mi o a df o r e c a s t i n g t h u sas h o r t - t u r i n f o r e c a s t i n gm e t h o dh a sb e e np r o p o s e db a s e do na n a l y z i n gl o a d a f f e c t i n gf a c t o r s n er e s e a r c h m e t h o d sf o rt h ef a c t o r sa f f e c t i n ge l e c t r i cl o a dm a i n l yc o v e rl o a d - a f f e c t i n gf a c t o r ss e l e c t i o n , d e t e r m i n e df a c t o r s 锄日l y z i n 舀u n d e t e r m i n e df a c t o r sa i l a l y z i n ga n dl o a dp r o c e s s i n gw i t h i n s u f f i c i e n td a t a , e t c l o a d a f f e c t i n gf a c t o r ss e l e c t i o n ：am e t h o di sp r e s e n t e df o rs e l e c t i n gf a c t o r so fa f f e c t i n g l o a d ，a i m i n gt od e t e r m i n ef a c t o r sa n dr e m o v eb a d l y a f f e c t i n gf a c t o r s b a s e do nd a t am i n i n g t h e o r ya n dc l u s t e ra n a l y s i s t h i sm e t h o dd r a w so nm a j o rc o m p o n e n t so fp a t t i a ll e a s t - s q u a r e r e g r e s s i o n , r e a l i z i n gas e l e c t i o no fl o a d a f f e c t i n gf a c t o r sb ya n a l y z i n gf a c t o r si m p o r t a n c e , t h e r e f o r er e d u c i n gw o r k1 0 a do f f o r e c a s t i n gm o d e la n de a 隍s l i r ef o r e c a s t i n ga c c u r a c y ， a n a l y z i n go f d e t e r m i n e df a c t o r s ：i ti sc r i t i c a lt og i v ea c o r r e c tu n d e r s t a n d i n go f d e t e r m i n e d f a c t o r ss u c ha sw e a t h e rt e m p e r a t u r ea n dw e a t h e rc o n d i t i o i i s e s p e c i a l l yw h e nf i g u r e so f d e t e r m i n e df a c t o r sc h a n g e f o r e c a s t i n gm o d e l sc a l l tj u d g et h ec h a n g i n gt r e n d , t h u sr e d u c i n g f o r e c a s t i n ga c c u r a c y ，w h e r e u p o n , s t r u c t u r e in e u l 丑ln e t w o r k sm e t h o di ss u g g e s t e d t h sm e t h o d i st ol e a r ns u b n e t 、础a n dt h ew h o l en e t w o r ks oa st ok n o wt h ee f f e c t sb yd i f i e r e n tf a c t o r s ； b a s e do i la c t u a ls i t u a t i o no ff a c t o r sa f f e c t i n g , l o a dc h a n g i n gd i r e c t i o ni sm a s t e r e ds ot h a t f e a s i b l eb a s i si sm a d ef o rq u a m i t a t i v e l ys t a y i n gv a r i o u sf a c t o r sw i t hp r i o r i t yo f a c c u r a c y a n a l y z i n gu n d e t e r m i n e df a c t o r s ：e x c e p tf o r d e t e n n i n e df a c t o r s ，u s u a l l yt h e r ea l e t m d e t e m a i n e dr e g u l a rf a c t o r su l q k n o w nc l e a r l yf o ru s a c c o r d i n gt ot h ef a c t st h a te l e c t r i c1 0 a di s r e g u l a ra n ds o m ef a c t o r sa l eu n d e t e r m i n e d ，r b fn e u r a ln e t w o r ki su s e dt os e a r c hf o rg e n e r a l l a wo f c h a n g i n gl o a d f u z z yr e a s o n i n gi sa p p l i e dt oa n a l y z ep e a ka n dv a l l e yv a l u e c o m b i n i n g t h ea b o v et w o w es o l y et h ed i 历c u l tp r o b l e ma b o u tu n d e t e r m i n e df a c t o r s 1 1 1 i sm e t h o d e m p l o y i n gn e u r a ln e t w o r ka n d 昀r e a s o n i n gd e a l s a d v a n t a g e sa n dah i g h e ra c c u r a c y l o a dp r o c e s s i n gw i t hi n s u f f i c i e n td a t a - f o rs p e c i a ld a y sw i t ha b n o r m a lw e a t h e rc o n d i t i o n , h i s t o r i c a lr e f e r e n c ed a t ai sn o te n o u g ha n dc h a n g i n gt r e n di sn o tf e d i fw eu s eg e n e m l m e t h o d s f o r e c a s t i n ga c c u r a c yi sd i m c u l tt og u a r a n t e e t h i sd i s s e r t a t i o np r o p o s e si r e p r o v e d g m ( 1 ，1 ) m o d e la n dc o r r e c t i o ns y s t e mt oa n a l y z es h o r t - t e r ml o a d t h em e t h o du s eg r e ym o d e l c h a r a c t e r i z e db yl e s sd a t aa n dn on e e do f1 0 a dd i s t r i b u t i o nl a w , e t c a n dc r e a t ei m p r o v e dg r e y m o d e l m e a n w h i l e ，c o n s i d e r i n gt h a ts p e c i a ld a ya f f e c tl o a dc h a n g e ，l a t e s ti n f o r m a t i o ni su s e dt o c o f r e c tt h er e s u l t , s oa c c u r a c yi sh i g h e r 一1 1 1 短期电力负荷预测关键问题与方法的研究 a t i e rt h ea b o v ef o u rp a r t so fw o r ka r ec o m p l e t e d , t h i sd i s s e r t a t i o np u t sf o r w a r das h o r t - t e r mf o r e c a s t i n gm e t h o db a s e do nac o m p r e h e n s i v ec o n s i d e r i n go fv a r i o u sf a c t o r sa tf w s tt i m e t l i sf o r e c a s t i n gm e t h o dp r o v i d e sa n a l y z i n gf u n c t i o n s & c a l c u l a t i o nm o d e l so fl o a d - a f f e c t i n g f a c t o r ss e l e c t i o n , d e t e r m i n e df a c t o r s ，t m d e t e r m i n e df a c t o r sa n d1 0 a dp r o c e s s i n gw i t hi n s u f f i c i e n t d a t ae t c a n dg a t h e r si n f o r m a t i o nc o n t a i n e di nas i n g l em o d e la n dm a k e so p t i m a lc o m b i n a t i o n i t b u i l d su pah i 北a c c u r a c ya n dr e s u l t a n a l y z i n gm o d e i ，a n do f f e rap o w e r f u lt h e o r e t i c a lb a s i sf o r h i 曲q u a l i t ya n dr e l i a b l ep o w e rs u p p l y i t sp r o v e db ve x a m p l e st h a ts h o r t - t e r mf o r e c a s t i n gm e t h o d ss h o w ni n t h i sd i s s e r t a t i o n h a v ep r a c t i c a b i l i t ya n dv a l i d i t y a n di tc a ni m p r o v es h o r t - t e r mf o r e c a s t i n gp r e c i s i o nf u r t h e r k e yw o r d s ：s h o r t - t e r ml o a df o r e c a s t i n g , a f f e c t i n gf a c t o r s ，f o r e c a s t i n ga c c u r a c y ，c o m b i n e d f o r e c a s t i n g i v 独创性说明 本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究工 作及取得研究成果。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的研究成果，也不包含为获得 沈阳工业大学或其他教育机构的学位或证书所使用过的材料。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做了明确的说明并表 示了谢意。 关于论文使用授权的说明 弘0 7 f 弦 本人完全了解沈阳工业大学有关保留、使用学位论文的规定，即： 学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公 布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论 文。 ( 保密的论文在解密后应遵循此规定) 签名：监导师签名： 期：掣。f ! 塑 沈阳工业大学博士学位论文 第一章绪论 1 1 短期负荷预测的重要意义 电力负荷预测是指定发电计划和电力系统发展规划的基础。负荷预测根据用于不同 目标一般可分为超短期、短期、中期和长期预测 1 j o 超短期负荷预测指未来1 小时内的 负荷预测，主要用于电能质量控制、安全监视、预防和紧急控制等；短期负荷预测指未 来1 天到一周的负荷预测，主要用于机组优化组合、经济潮流控制、水火电协调等；中 期负荷预测指提前几个月到1 年的负荷预测，主要用于水库调度、燃料计划及机组维修 等：长期负荷预测指提前几年到十几年的负荷预测，主要是对电网的改建、系统的远景 规划、新电厂的投建等。 科学的预测是正确决策的依据和保证。精确的负荷预测对于电力系统经济安全可靠 地运行具有特别重要的意义。负荷预测既是电力系统发展与运行研究的重要内容，也是 电网调度部门和规划设计部门必须具有的基本信息之一，它还是能量管理系统饵m s ) 所 需未来数据的主要来源，因此，寻求有效的负荷预测方法提高其预测的准确度具有重要 的意义。 目前，电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的 显著标志之，尤其在我国电力事业空前发展的今天，电力负荷预测问题的解决已经成 为我们面临的重要而艰巨的任务。如何充分利用现有的数据资料、建立正确的预测理论 和方法、建立相应的预测模型、提高预测精度，己成为电力系统用电预测不容忽视的研 究课题之一。对于不同的负荷预测类型，其所用的理论及研究方法有很大区别，本文着 重研究短期负荷预测。 对于短期负荷预测来说，提高负荷预测的精度既能增强电力系统运行的安全性，又 能改善电力系统运行的经济性。并且，随着我国社会主义市场经济的不断完善，电力企 业逐步走向市场，电力系统的经营方式从垄断转变为市场竞争将成为必然。短期负荷预 测是电力市场的基础工作，随着电力市场改革的深入发展，其作用日益重要，它不但成 为发电厂报价的依据，更是保证电网安全稳定运行的重要前提，其预测精度直接影响到 了电网及发电厂的经济效益。 短期电力负荷预测关键问题与方法的研究 1 2 短期负荷预测的研究方法及现状 提高电力系统负荷预测的准确度，可以提高电网的安全性和经济性，并可以改善电 能质量。精确的负荷预测是人们所期望的，可是影响负荷预测的因素也是复杂多样，规 律各异的。其中主要包括：负荷的构成，负荷的时间变化规律，气象变化的影响以及负 荷的随机变动性。 从负荷构成方面来说，系统负荷大致可以分为城市民用负荷，商用负荷、农业用负 荷、工业用负荷及其他负荷。这些负荷在系统负荷中所占比重不同，变化规律也不同。 比如城市居民用电负荷具有年增长特性和季节变动特性，尤其是随着取暖设备和空调设 施这类敏感于气象的家用电器的使用，民用负荷对系统峰值负荷变化的影响越来越大； 商用负荷同样具有季节性变化的特点；而工业用负荷相对来说，受气象影响较小。 各类用电负荷的时间变化规律也是不同的，但是由各种各样负荷构成的系统负荷都 具有特定的变化规律。对于一定时期的负荷历史记录，一般可以看出两种变化趋势，一 种是固定的变化趋势，如逐步增长的变化趋势，另一种是按年的、按月的、按日的周期 变化趋势。 气象对负荷的影响是很明显的。随着温度、湿度以及降雨、降雪、台风等气象条件 的变化，系统负荷会相应变化，这些变化也有基本规律可循，例如，冬季若来寒流，由 于供暖的影响，负荷会增加；夏季若来热浪，大量空调的使用也会使负荷增加。影响负 荷的气象因素，一般呈现出规律性。 影响短期负荷预测的主要因素包括：同类型，如工作日( 周一至周五) 和休息同( 包括 周末和各种法定假日) ；天气因素，如日最高温度、同最低温度、湿度和天气状况( 阴、 晴、雨等) 等；特别事件，指一些非经常出现的事件对负荷的影响，如大型的政治或文 化活动，它们对负荷的影响是和日类型及天气因素无关的。 在长期的实践中，人们对负荷预测进行了研究，开发了多种负荷预测的方法，为短 期负荷预测的进一步研究奠定了基础。 ( 1 ) 短期负荷预测的传统方法 1 1 趋势外推法 一2 沈阳工业大学博士学位论文 趋势外推法是根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随 机性和不确定性，但在一定条件下，仍存在着明显的变化趋势，例如农业用电，在气候 条件变化较小的冬季，日用电量相对稳定，表现为较平稳的变化趋势。这种变化趋势可 为线性或非线性，周期性或非周期性等等。 应用趋势外推法有两个假设条件：假设负荷没有跳跃式变化；假定负荷的发展 因素也决定负荷未来的发展，其条件是不变或变化不大。选择合适的趋势模型是应用趋 势外推法的重要环节，图形识别法和差分法是选择趋势模型的两种基本方法。 趋势外推法的优点是只需要历史数据、所需的数据量较少且方法简单，对于负荷平 稳变化的预测较为有效。缺点是其精度的提高受限于随机负荷分量的影响，如果负荷出 现变动，会引起较大的误差。各种趋势外推预测模型 2 】较为简单，主要适用于有明显趋 势的中长期负荷预测，由于短期负荷数据包含随机波动的成分，一般预测精度难以保 证。 2 ) 时间序列法 时间序列法是针对整个观测序列呈现出的某种随机过程的特性去建立和估计产生实 际序列的随机过程的模型，然后用这些模型去进行预测。这是一种最为常见的短期负荷 预测方法，它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间 序列的分析处理，确定其基本特征和变化规律，预测未来负荷。 时间序列对于平稳或非平稳的负荷随机变化有较强的适应能力，但其难点在于模型 的选择，往往每过一段时间就需要调整参数，甚至重新建模。其方法可以应用于电力系 统短期负荷预测中唧。时间序列方法用于短期负荷预测的优点是所需历史数据少，工作 量少，在电网情况正常、气候和生产情况等因素变化不大时，预测效果良好；缺点是它 不能考虑各种不确定因素的影响，只致力于数据的拟合，对其规律性处理不足，在随机 因素变化较大或坏数据没有剔除的情况下，预测结果不甚理想。 3 ) 回归分析法 回归分析法是根据负荷过去的历史资料，建立可进行数学分析的数学模型，对未来 的负荷进行预测。其特点是将预测目标的因素作为自变量，将预测目标作为因变量，具 有较强的内插能力。回归分析法中，自变量是随机变量，因变量是非随机变量，根据给 - 3 短期电力负荷预测关键问题与方法的研究 定的多组自变量和因变量资料，研究各种变量之间的相互关系，利用得到的经验回归方 程式来表示变量之间的定量关系，预测系统将来的负荷值。 回归分析法的优点是：原理简单；预测速度快：外推特性好。对于历史上未 出现过的情况有较好的预测值。它的不足是：历史数据要求高：用线性方法描述比 较复杂的情况过于简单：无法详细地考虑各种影响负荷的因素，模型初始化难度较 大，需要丰富的经验和较高的技巧。 由于回归分析法是在统计平均意义下定量地描述所观察变量之间的数量关系，所以 存在着预测精度不高的问题，不太适合于短期负荷预测。文献【4 】采用牛顿法对电力负 荷的曲线参数非线性估计进行了探讨，在一定程度上提高了负荷预测精度。 ( 2 ) 现代负荷预测方法 近年来，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。这其中主要 有神经网络理论、灰色数学理论、专家系统、小波分析、模糊理论和优选组合预测法 等。 1 ) 神经网络理论 人工神经网络是人工智能领域的一个重要分支，人工神经网络也是人工智能技术用 于短期负荷预测最普遍的方法。人工神经网络是模仿脑细胞结构和功能、脑神经结构以 及思维处理问题等功能的新型信息处理系统。由于人工神经元网络具有复杂的动力学特 性、并行处理机制、学习、联想和记忆等功能，以及它的高度自组织、自适应能力和灵 活性而受到自然科学领域学者广泛重视i s 。它具有如下的优越性： 神经网络可以处理那些难于用解析规则描述的过程或系统，可以通过对样本数 据的学习，自动实现对系统的描述： 神经网络是并行结构，在处理实时性要求高的问题上显出极大的优越性； 神经网络是非线性系统，人们已从理论上证明了多层感知器能够任意逼近给定 的函数，甚至逼近各阶导数的能力； 神经网络具有很强的信息综合能力、很好的容错性，它能恰当地协调好相互矛 盾的输入信息。 神经网络的不足： 4 ， 沈阳工业大学博士学位论文 不同的应用模型中，没有现存的理论依据来指导人工神经网络模型输入参数的 选取及处理： 缺乏一种有效的方法来解决人工神经网络在训练过程中可能产生的学习不足或 过拟合现象； 对于周期性人工神经网络模型的输入参数，没有确定样本量的依据； 收敛速度慢且客易陷入局部极小，训练过程比较消耗时间； 神经网络的结构确定通常要在实践中摸索。 人工神经网络模型有多种形式，它取决于网络拓扑结构、神经元特性函数和学习算 法。根据网络模型的特点，人工神经网络模型可以分为前馈型人工神经网络( 如b p 网 络、r b f 网络) 、自组织竞争人工神经网络( 如a r t 网络、k o h o n e n 网络) 以及反馈型人工 神经网络( 如h o p f i e l d 网络) 等。 b p 网络是一种典型的前馈型人工神经网络。它由输入层、隐层和输出层组成，神 经元特性函数为非线性函数。理论上已经证明含有两个隐层的b p 网络可以以任意精度 逼近任意连续非线性函数，但对b p 网络模型结构的确定还没有系统化的理论和方法。 r b f 网络也是一种静馈型人工神经网络。r b f 网络与b p 网络的主要区别为其隐层节 点特性函数为r b f ( r a d i a lb a s i sf u n c t i o n ) ，并且在逼近能力、分类能力和学习速度等方面 均优于b p 网络。 k o h o n e n 网络是一种自组织竞争人工神经网络。在溺络结构上，k o h o n e n 网络出输 入层和竞争层两层组成，网络没有隐层。该方法利用k o h o n e n 网络的自组织特性，通过 输入适当的负荷样本对神经网络进行无导师训练，训练后的网络便可自动完成对负荷模 式的分类，进行预测。 人工神经网络适合于用来解决有如下特点的问题： 训练样例可用若干“属性值”对表示； 目标函数的输出是由若干实数属性或离散属性组成的向量； 训练数据可能包含大量的错误( 噪声数据) ； 可以容忍较长时间的训练； 训练结果可能被要求在实际使用中快速求出目标函数值； - 5 一 短期电力负荷预测关键问题与方法的研究 目标函数关系不需要用人类所能直接理解的公式表达。 因为电力系统负荷的影响因素可以被量化为数值然后组成向量，并且长期历史记录 中可能包含很多噪声数据，所以人工神经网络预测方法适合用来预测电力系统负荷。 1 9 9 1 年，p a r kd c 等人第一次将人工神经网络应用于电力系统负荷预测【6 】，并取得了令 人满意的结果。随后人们进行了较多的研究。总的来讲，基于人工神经网络的负荷预测 方法主要包括输入变量的确定1 7 - 2 0 l 、算法等的改进【2 卜。o l 、与其它理论相结合的应用【3 1 - - 4 6 1 等。其中文献【l1 - 1 4 为根据考虑的不同影响因素进行分类来选择神经网络输入变量；文 献 1 5 1 8 为根据相似日特征确定输入变量；文献【2 0 】提出了采用粗糙集理论对各种影响 负荷预测的因素变量进行识别并通过属性约简和值约简获得推理规则集，再以这些推理 规则构筑神经网络预测模型；文献【2 4 】利用剪枝和附加动量法对标准函数连接神经网络 进行改进，并将电力负荷的机理和先验知识有机融入，构成了改进的负荷预测网络：文 献【2 5 】采用改进的b p 算法，但本质问题仍然不同程度的存在；文献 2 6 】采用混沌学习算 法克服了b p 神经网络收敛于局部最小的缺陷，预测精度得到有效提高；文献 2 7 ，2 8 采 用径向基函数进行了研究；神经网络与其它理论结合方法主要有将神经网络与遗传算法 相结合的短期负荷预测四筇l ，主要基于利用遗传算法的交叉和变异算子优化网络的结构 参数以提高预测精度，使网络能自动适应解除管制条件下的负荷预测；将模糊神经网络 用于的短期负荷预测【3 ”，主要方法为对输入、输出变量进行模糊化处理，建立模糊推 理规则库，对输出变量进行去模糊化变换，然后根据预测目标函数应用神经网络的学习 能力对网络参数进行学习，二者的应用有效地将神经网络的学习能力和模糊理论的模糊 表达能力有机地结合起来，取长补短；文献 3 7 1 采用b p 神经网络和模糊推理方法对负 荷运行情况不规则的特殊： 作同中的短期负荷进行预测，指出神经网络与传统的时间序 列法等相比预测精度得到了提高 3 9 4 2 1 。在文献【4 3 】中，用到了多层体系结构的模糊逻辑 和人工神经网络模块。这种模型中，能够提供一天中五个时间段的负荷变化之间的相 关值的模糊全程处理器将对气候参数、工作日类型和季节倾向进行预处理。然后，人工 神经网络模块根据这些相关值预测2 4 个小时的负荷情况。在文献 4 4 1 中，人工神经网 络模型预测基本的负荷，然后由模糊专家系统模型通过考虑前一年的同一特殊日的负荷 变化来修改基本负荷。然而，这种系统在预测一些时期( 如节假同等) 存在困难。需要通 - 6 - 沈阳工业大学博士学位论文 过从对每个节假同负荷情况进行操作的操作员的知识和经验而获得的附加的具体的模糊 规则对模型进行修i e i 4 s l 。将小波分析和人工神经网络相结合的短期负荷预测【4 。删，主要 方法为利用小波分析将负荷序列分解为不同频段的子序列，再对这些子序列或部分子序 列分别采用相匹配的人工神经网络模型进行预测，最后通过序列重构得到负荷序列的最 终预测结果。就目前的研究来看，基于神经网络的电力负荷预测使预测精度得到了一定 的提高，但对于短期电力负荷预测来说还有许多问题需要解决，如对影响负荷因素不明 确，对天气、历史负荷及日期类型与预测负荷构成怎样的关系并不能给予说明等。 2 ) 灰色数学理论 灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用 结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰预测方法的共同特 点是允许少数据预测、允许对灰因果律事件进行预测和具有可检验性f 4 9 】。它的算法简 单，速度快。最显著的特点是用少量的数据做微分方程建立起预测的模型。将一定范围 内变化的历史数据列进行累加，使其变成具有指数增长规律的上升形状数列，可以对生 成的这个形状数列建立起灰n ( o r e ym o d e l ) 模型，g m ( 1 ，n ) 也就是对n 个变量用一阶微分 方程建立的灰色模型。在短期负荷预测中最常用的则是g m ( i ，1 ) 模型，数列的生成方式 有三种：累加生成、累减生成和级比生成。灰色系统理论把负荷序列通过生成变换，使 其变化为有规律的生成数列再建模，用于负荷预测。灰色预测模型较适用于短期负荷预 测。灰色系统预测的优点：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、短期预测精度高、易于检验。缺点：一是当数据离散程度越大，即数据灰度越 大，预测精度越差；二是不太适合于电力系统的长期后推若干年的预测。文献【5 0 将传 统的g m ( i ，1 ) 模型参数口看作是具有灰色特性的灰参数，提出了灰参数g m ( 1 ，1 ) 模型，用 于中长期负荷预测中；文献 5 1 1 通过讨论灰色模型a m 0 ，1 ) 和灰色差值模型在短期负荷 预测中的应用，提出了适合于日负荷预测的数据处理方法；文献 5 2 1 针对历史数据同时 具有空穴和不良数据时，将参数估计与不良数据辨识作为灰色预测的预处理过程，并将 处理后的数据建立灰色模型进行预测；文献 5 3 1 提出了一种灰色递推预测法，它将灰色 模型参数视为随时间变化的变量，并根据参数对时间的变化趋势对模型参数进行估计， 进而对数据序列进行预测。 一7 一 短期电力负荷预测关键问题与方法的研究 3 ) 专家系统 专家系统具有跟人类专家一样的决策功能，它能模拟人类专家的思维决策过程，对 问题求解并给出相当于专家水平的答案。一个完善的专家系统通常由知识库、推理机、 数据库、知识获取部分、解释部分共五个部分组成，如图1 1 所示为专家系统结构图。 图1 1 专家系统结构图 f i g 1 1e x p e r ts y s t e ms t r u c t u r e 其中，知识库是专家系统的核心组成部分，是问题求解知识的集合，含有显式地表 示的各种知识块，包括各种事实、规则和其它有关信息；推理机主要由调度程序和解释 程序组成，是实旌问题求解的核心执行机构；数据库是反映当前问题求解状态的集合， 用于临时存放求解问题所需的各种初始数据或证据，以及求解期间有专家系统产生的各 种中问信息，有时还包括中问假设或中间结论之间的“链”关系等；知识获取机制是专 家系统中把问题求解的各种专门知识从人类专家的头脑中或其它知识源那里转换到知识 库中来的一个重要机构：解释机制是专家系统中回答用户询问，对自己的问题求解过程 或对自己当前的求解状态提供说明的一个重要机构。 专家系统方法唧】是对于数据库罩存放的过去几年的负荷数据和天气数据等进行细致 的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家系统，负荷预测 8 一 沈阳工业大学博士学位论文 人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行 负荷预测。主要体现在： 可以避开复杂的数值计算并得到较准确的预测结果； 可以检查；争家系统推理过程，出现错误时，可以不断修改知识库而不用修改主 程序，使系统易于扩充。 其缺点是： 不具有自学习能力，受数据库里存放的知识总量的限制。由于不同地区的气 象、政治生活和人民日常生活各不同，不同地区的负荷具有各自固有的特征，开发的专 家系统都是针对某具体系统的，不能直接应用于其它系统，如果用于其它系统需要对专 家系统的知识库、推理机进行修改。 对突发性事件和不断变化的条件适应性差，从不同的专家得到的知识有可能不 同。由于该方法的知识多数是经验性的，对人的依赖性太强，因丽对研究者本人的知识 要求较高，而且把专家知识转换成数学规则也有较大难度。尤其在特殊的节假日以及有 重大活动和突发事件的时候，但是专家的知识转化为数学规则是一件非常困难的事情， 更多的人工调节是在程序预测结果出来后的调节和修正。 由于专家系统具有一定的局限性，很少有文献单独将其应用于电力负荷预测中，通 常的方法是将专家系统与神经网络等相结合。文献 5 5 1 针对电力负荷影响因素多的特 点，提出了基于三个智能化模块的短期负荷预溺法，第一个模块采用人工神经网络建 模，第二个模块采用自适应最优模糊逻辑系统建模，第三个模块针对前两个模块在天气 突变和社会活动等突发事件时预测方法的不足，采用模糊专家系统进行修正；文献f 5 6 】 针对r b f 神经网络在天气突变所占的比例小和气象数据的不完备时的日负荷预测精度 差的缺点，引入了专家系统对神经网络预测结果进行了修正；文献 5 7 1 先用人工神经网 络进行基本负荷预测，然后考虑天气变化和假日因素所引起的负荷变化，利用模糊专家 系统进行负荷预测。 钔小波分析 小波分析i s s l 是本世纪数学研究成果中杰出的代表作之一，已经被广泛应用于信号处 理、图像处理、语音识别与合成、音乐、天体识别、机械故障诊断与监控等众多领域。 9 短期电力负荷预测关键问题与方法的研究 它是一种时域一频域分析方法，在时域和频域上同时具有良好的局部化性质。小波变换 能将各种交织在一起的不同频率混合组成的信号，分解成不同频带上的块信息。通过对 负荷序列进行小波变换，可以将各子序列分别投影到不同的尺度上，子序列分别代表了 原负荷序列中不同“频域”的分量，因而各子序列的周期性更加明显，因此可对不同的 子序列分别进行预测，然后通过序列重构而得到完整的负荷预测结果。 小波分析应用于负荷预测主要分为三部分： 用小波变换将历史数据分解到不同的尺度上； 在每个尺度上分别应用不同的方法进行预测： 将各尺度上的预测序列进行信号重构得出负荷预测结果。 电力系统负荷具有周期性，即以天、周、年为周期发生波动，大周期中套有小周 期。小波分析在时域和频域上同时具有良好的局部化性质，并且能够根据信号频率高低 自动调节采样的疏密，容易捕捉和分析微弱信号以及信号，从而可以聚焦到信号的任意 细节，尤其是对奇异信号很敏感，能很好地处理微弱或突变的信号，其目标是将一个信 号的信息转化成小波系数，可以方便的处理、存储、传递、分析或被用于重建原始信 号。尤其在突发与短时的信息分析方面具有明显的优势。这些优点决定了小波分析可以 有效地应用于负荷预测中 5 州l 。文献【5 9 】利用小波变换将同负荷分解为受气象因素影响 部分和不受气象因素影响部分，对受气象影响分量采用回归预测法进行预测，而不受气 象影响分量则采用回归神经网络预测，并对预测结果进行重构获得最终预测结果；文献 6 0 1 应用小波变换将各序列分量分别投影到不同的尺度上，对不同子序列进行数据处理 和预测，并对预测结果通过小波重构获得完整预测负荷；文献 6 2 】则提出在负荷预测中 利用小波奇异性检测确定历史负荷数据中的错误数据位置和类型；文献 6 3 】通过小波变 换把负荷序列分解为不同频段的子序列，再对这些子序列分别采用相匹配的人工神经网 络模型进行预测，最后综合得到负荷序列的最终结果；文献 6 4 1 利用小波分析对负荷样 本做序列分解，对高尺度负荷分量采用常规预测方法，其它负荷分量采用模糊神经网络 预测技术，最后通过序列重构，得到完整的负荷预测结果。 5 1 模糊理论 1 0 沈阳工业大学博士学位论文 模糊理论是将已有的工作的经验、历史的记录数据或将二者的综合以规则的形式表 达出来，并转换成可以在计算机上运行的算法，进而完成各种工作任务。由于模糊推理 可以利用有限的规则近似任意的函数关系，所以将这一理论应用于预测技术是很容易理 解的，是合理的选择。 模糊预测系统的建模主要由两部分内容组成，即结构辩识和参数估计。结构辩识就 是对输入、输出空间进行划分和确定模糊规则。输入、输出空间的划分是由输入、输出 变量对应的隶属函数来决定的。因此，确定隶属函数的形状、变量的个数、模糊规则是 结构辩识的主要任务当模糊预测系统的模型结构确定后，依据某种算法进行参数估计以 求得其中的各种参数，这就是参数估计。就一个完善的模糊预测系统而言，参数估计和 结构辩识缺一不可，对两项工作都应采用合适的算法，最终确定满意的预测模型。 模糊集合将经典集合的绝对隶属关系模糊化，典型的隶属函数有三角函数、梯形函 数、正态分布函数、s 形分布函数和z 形分布函数。模糊推理基于模糊规则，模糊规则 以t h e n 的形式来表达模糊集合问的关系。模糊集理论适合描述广泛存在的不确定 性，同时具有强大的非线性映射能力，能够在任意精度上一致逼近任何定义在一个致密 集上的非线性函数，并且能从大量数据中提取它们的相似性。模糊预测方法用于电力系 统负荷预测中有以下优点： 模糊理论中的隶属函数可以比较明确的描述专家的意图、处理电力系统中许多 不精确的、模糊的现象； 对气象的影响和临时发生的重大事件这些难以用数学关系描述的因素，模糊方 法可以借用经验丰富的调度员的经验，往往比计算预测准确； 由于模糊预测系统的自适应能力，使系统具有较强的自适应性和鲁棒性。 但随着模糊理论的深入研究和应用，模糊理论也出现一些不足： 模糊的学习能力比较弱； 当其映射区域划分不够细时，影射输出比较租糙； 受主观人为因素的影响较大。 模糊控制方法为：首先将负荷预测的输入、输出空间划分为不等的模糊集合，然后 用一组模糊规则来表示负荷预测输入、输出间的关系。每一条模糊规则是一个模糊i f - 短期电力负荷预测关键问题与方法的研究 t h e n 关系，关系前件是对各输入变量不同模糊集合的组合，关系后件是输出变量表达 式，输出变量表示为各输入变量的线性组合，第f 条规则可表示为： i f i s d ；a n d x 2 i s a i a n d x 。i 叫： t h e n ，= p ；+ p ：x l + p ：x 2 + 一。+ p m 。x ， 其中，x ，( _ ，= 1 , 2 ，埘) 为输入变量：a ：( ，= 1 , 2 ，所) 为输入变量x ，的第i 个模糊 集合；，是第f 条规则的输出部分；p ：( j = 1 , 2 ，m ) 为规则的输出部分中输入变量x ， 的相应系数；氏为常数项。模糊理论在负荷预测上也有明显的优势，同样被用于负荷 预测中 6 5 一，文献 6 7 1 使用模糊逻辑与神经网络相结合的方法，由模糊逻辑系统根据气 象相似日对神经网络的预测输出结果进行修正。 国组合预测 在实际中，任何一种预测技术，对预测对象及其所处的环境都有一定的假设。在建 立模型时同样也受到两方面的限制：一个是不可能将所有在未来起作用的因素全包含在 模型中，另一个是很难确定众多参数之间的精确关系。因此也不能说建立的模型越复 杂，预测越准确。由于预测模型存在不同的条件限制，为保证预测的准确性和可靠性， 预测人员常对同一事件采用多种预钡0 方法，然后在这些预测方法种进行比较、分析及选 择，得到一个较好的预测模型。但是这种选择一般是依据现有的信息，而这些信息在未 来时段内如何发展变化几乎无法确定，因此，试图事先确定一种最好的预测方法是不可 能的。另外，对于同一个预测问题，不同的预测方法所用到的信息也各不相同，从信息 的利用角度来看，任何一种单一的预测模型都是只利用了部分有用信息，同时抛弃了其 它的一些有用的信息，为了尽可能地利用相关信息，人们提出了组合预测模型。 优选组合预测有两类概念：一是指将几种预测方法所得的预测结果，选取适当的权 重进行加权平均：二是指在几种预测方法中进行比