（电力系统及其自动化专业论文）电力系统短期负荷预测模型与优选的研究.pdf

性本文提出了最优小波基及分解尺度的多目标最优决策方法。该方法可针对不 同地区的负荷，进一步在小波一神经网络模型中自适应地选出适合该地区负荷 特性的最优小波基和分解尺度。 本文还将上述各种方法应用于不同地区的负荷预测，进行比较，可以看出 小波一神经网络模型在负荷预测中具有很强的适应性和巨大的应用潜力，同其 它方法相比具有显著的优势。同时，由于不同地区不同时段负荷特点不同，本 文提出了对模型进行优选的思路，从而可以根据电力系统的实际应用情况，自 动选择出恰当的特合要求的预测模型，即对模型的选择具有自适应性。 关键词：短期负荷预测；累积式自回归动平均；人工神经网络；小波分析 多目标决策 r e s e a r c ho np o w e rs y s t e ms h o r t _ t e r m l o a df o r e c a s t r n gm o d e la n d o p t i m u ms e l s c t i o n e l e c t r i c a lp o w e r s y s t e ma n d i t sa u t o m a t i o n g r a d u a t e ：x nj u n h u aa d v i s o r ：l i ut i a n q i p o w e rs y s t e ms h o r t t e r ml o a df o r e c a s t i n g ( s t l f ) i sa l li m p o r t a n tt a s ko fp o w e r u t i l i t i e s ，af o u n d a t i o no fp o w e rs y s t e mp r o g r a m m i n ga n dd e c i s i o n ，a n d a p r e c o n d i t i o no fe l e c t r i c i t ym a r k e t i ti s a l s oi m p o r t a n tf o rp o w e rd e p a r t m e n tt o i m p r o v ee c o n o m i cb e n e f i t w i t ht h ed e v e l o p m e n to fe l e c t r i c i t ym a r k e t ，t h em e t h o d o f s h o r t t e r ml o a df o r e c a s t i n gi sb e c o m i n gm o r ea n dm o r ei m p o r t a n t a tf i r s t ，t h i sp a p e rd i s c u s s e st h ec o n s t i t u e n t sa n dc h a r a c t e r i s t i c so ft h ee l e c t r i c l o a d ，a n a l y z e sa n dc o m p a r e st h em e r i t sa n ds h o r t c o m i n g so fs o m ef o r e c a s t i n g m e t h o d s t h e na i m i n ga tt h el o a do fc h e n g d ur e g i o n ，a r i m a ( a u t o r e g r e s s i v e i n t e g r a t e dm o v i n g a v e r a g e ) m o d e la n da n n ( a r t i f i c i a ln e u r a ln e t w o r k ) o fa n i m p r o v e db pa l g o r i t h mm o d e la r ep r e s e n t e d a c c o r d i n gt ot h ef o r e c a s tr e s u l t s ，t h e p r e c i s i o na n da d a p t a b i l i t yo fa n n i s i m p r o v e dt o a r m a b u tt h ew e e k e n d p r e d i c t i o nl o a dp r e c i s i o ni sa l s op o o r i nd i f f e r e n td a t et y p et h el o a dc h a r a c t e r i s t i c s a r ed i f f e r e n tb a s e d0 1 3 t h es e c o n dm o d e l ，t h i sp a p e rp r o p o s e st h et h i r dm o d e l ，w h i c h b u i l da n nt r a i n i n ga n df o r e c a s t i n gm o d e l sr e s p e c t i v e l yw i t hw o r k i n gd a ya n d g e n e r a lh o l i d a y t h i sm o d e li m p r o v e st h ep r e c i s i o no fm o n d a ya n dg e n e r a lh o l i d a y s l o a dp r e d i c t i o nt oac e r t a i ne x t e n t ，b u tt h ep e a ka n dv a l l e yp r e d i c t i o nl o a di sn o t “】。 i m p r o v e do b v i o u s l yt h el o a ds e r i a l sc a r lb ec o n s i d e r e da s al i n e a rc o m b i n a t i o no f s u b - s e r i a l sc h a r a c t e r i z e db yd i f f e r e n tf r e q u e n c i e s t h e r e f o r e ，t h ef o u r t hm e t h o d b a s e do na 。r t i f i c i a ln e u r a ln e t w o r ka n dw a v e l e tt r a n s f o r m a t i o nf o rs h o r t t e r m1 0 a d f o r e c a s ti sp r e s e n t e di nt h i sp a p e r t h el o a ds e r i a l sa r ef i r s td e c o m p o s e di n t o d i f f e r e n t s u b s e r i a l sb yu s i n gt h ep r o p e rw a v e l e tf u n c t i o na n dt h er e s o l u t i o nl e v e l e a c ho f t h e mv a r i e sw i t hs p e c i f i cp e r i o d i c i t i e sa n dr e g u l a r i z a t i o n t h e r e f o r ed i f f e r e n ta n n m o d e l sa r ed e s i g n e dt oc a p t u r ee a c hs u b s e r i a l sc h a r a c t e r i s t i c s a f t e ra l ls u b - s e r i a l s a r ef o r e c a s t e d ，t h ew h o l ep r e d i c t e dl o a ds e r i e sw o u l db ec o m p o s e do rr e c o n s t r u c t e d t h eo u t c o m eo ft h es t u d yc l e a r l yi n d i c a t e st h a tt h ep r o p o s e dc o m p o s i t em o d e lh a s h i g h e ra c c u r a c ya n ds t a b i l i t ya n dr e d u c e st h ee r r o ro fp e a ka n dv a l l e yl o a d r e m a r k a b l y w en e e dc o n s i d e rt h eh i g hp r e c i s i o na sw e l la sq u i c k l yc a l c u l a t i n gr a t ea n d a c c u r a c yt ot h es h o r t t e r ml o a df o r e c a s t i n g s oam u l t i o b j e c t i v ed e c i s i o nm e t h o di s p r o p o s e dt os e l e c tt h eo p t i m u mm o d e lo nt h ef o u rg i v e nf o r e c a s t i n gm o d e l s t h e r e s u l t ss h o wt h a tt h ew a v e l e tt r a n s f o r ma n da n nb a s e da p p r o a c hi st h eo p t i m u m m o d e l ，w es h o u l dc h o o s et h er i g h tw a v e l e ta n dd e c o m p o s e dl e v e la c c o r d i n gt ot h e l o a d ，b e c a u s ei nd i f f e r e n tr e g i o n st h el o a dc h a r a c t e r i s t i c sa r ed i f f e r e n tt h e nt h e m u l t i o b j e c t i v ed e c i s i o nm e t h o di sa l s ob u i l tt os e l e c tt h eo p t i m u mw a v e l e ta n d d e c o m p o s e dl e v e la u t o m a t i c a l l y t 1 i sp a p e ra p p l i e st h em e t h o dt ot h ed i f f e r e n tr e g i o n st oc o m p a r ea n da n a l y z e t h eo u t c o m ei n d i c a t e st h a tt h ew a v e l e tt r a n s f o r mh a ss t r o n ga d a p t a b i l i t ya n d a p p l i c a t i o np o t e n t i a li nl o a df o r e c a s ta n dh a sr e m a r k a b l es u p e r i o r i t yt h a no t h e r m o d e l si nd i f f e r e n ta r e a sa n dd i f f e r e n tt i m et h el o a dc h a r a c t e r i s t i c sa r ed i f f e r e n t 1 1 1 i sp a p e rp u t sf o r w a r dt h et h o u g h to fo p t i m u ms e l e c t i o n st op r e d i c t i o nm o d e l s t h e nt h es u i t a b i ef o r e c a s t i n gm o d e lc a nb es e l e c t e da u t o m a t i c a l l ya c c o r d i n gt ot h e p r a c t i c a la p p l i c a t i o no f p o w e rs y s t e mb yt h em e t h o d k e y w o r d s ：s h o r t t e r m l o a df o r e c a s t i n g ( s t l f ) ；a u t o - r e g r e s s i v ei n t e g r a t e d m o v i n g a v e r a g e ( a r i m a ) ；a r t i f i c i a ln e u r a ln e t w o r k ( a n n ) ；w a v e l e tt r a n s f o r m ； m u l t i o b j e c t i v ed e c i s i o n 四川大学硕士学位论文( 2 0 0 4 ) 第一章绪论 1 1 负荷预测的意义及研究背景 电力负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然 条件与社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学 方法，在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值。它是 电力系统颂非常重要的工作，在电力系统的运行、规划、控制等方面均有十 分重要的作用，是保证电力系统安全运行、适应联合电网实现科学管理和统一 调度，以及进行合理规划和电网逐步实现商业化运营所必需的重要内容。 电力系统负荷预测可以分为长期、中期、短期及超短期负荷预测，分类的 不同对应于不同的用途：长期预测覆盖时间从未来数年到数十年不等，主要用 于电源发展规划及网络发展规划；中期预测是指未来一年( 1 2 个月) 之内的用 电负荷预测，用于安排大修计划以及水库的经济运行；短期预测通常是指2 4 小时的目负荷预测和1 6 8 小时的周负荷预测，目的是给各个电厂安排日n 发电 计划等；超短期预测是指未来一小时以内的负荷预测，主要用于a g c 和安全 监视。 短期负荷预测可对未来一天到七天的负荷进行预测，是调度中心制订发电 计划及发电厂报价的依据。它也是能量管理系统( e m s ) 的重要组成部分，对 电力系统的运行、控制和计划都有着非常重要的影响，提高电力系统短期负荷 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。 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开展，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 到了电网及各发电厂的经济效益。 ( 1 ) 在电力市场下，高精度的负荷预测是有效的维护各实体经济利益的前 提条件之一； ( 2 ) 准确的负荷预测为发电商投标竞价提供了一个真实的依据，它可以使 发电商和电网公司签订的预购合同更接近实际交易合同，避免了因合同变更而 产生的交易费用； 四川大学硕士学位论文( 2 0 0 4 ) ( 3 ) 准确的负荷预测能够使电阿公司在保证电网安全的前提下，减少冗余 的旋转备用，从而降低电网公司的运营成本； ( 4 ) 在电网公司与其他电网公司进行功率交换谈判时，准确的负荷预测起 着非常重要的指导作用； ( 5 ) 准确的负荷预测对电力市场的投资规划提供决策依据； ( 6 ) 负荷预测是电价预测的基础和未来电力市场预测期货交易的基础。 通过以上叙述可以看出，电力市场运营对负荷预测提出了更高、更严格的 要求，提高预测精度是负荷预测的重中之重。 但准确的负荷预测并不容易做到，原因有： ( 1 ) 未来可能引起负荷变化的情况，并不能事先确切掌握： ( 2 ) 某些复杂因素，即使知道它们会对负荷发生影响，但要定量准确判断 它们的影响，常常是很困难的； ( 3 ) 没有种足够完善的理论方法适用于所有的负荷预测场合； ( 4 ) 在预测中出现的许多实际问题，还决定于预测人员自身的判断能力与 经验。 因此，现在我们所采用的负荷预测方法只能尽可能的提高其预测精度，不 可能绝对精确的进行预测0 1 。 为了准确的预测市场对电力这商品的需求，当前世界各个电力公司和供 电公司都在积极进行满足电力市场要求的短期负荷预测研究。英国的研究表明， 短期负荷预测的误差每增加l 导致每年增加成本l 千万英镑；在挪威，1 的 短期负荷预测误差的增加将导致5 1 0 百万克朗的附加运营成本。所以准确的 电力系统负荷预测具有很大的经济效益，必须进行深入的研究“6 3 。 1 2 负荷预测的研究和应用现状”4 传统的负荷预测，主要是靠预测人员的干预完成的，对预测人员的素质、 分析能力和运行经验都有很高的要求。其发展可分为两个阶段：第一阶段，预 测人员完全依靠自己的经验独立完成预测；第二阶段，引进具有一定分析能力 的负荷预测软件，参考软件分析结果，以人工干预和修正完成预测。 随着我国市场经济及电力工业的快速发展，电力负荷所受的影响因素大大 增加，并目趋呈现社会化、复杂化。面对更趋混沌的电力负荷变化规律，传统 四川大学硕士学位论文( 2 0 0 4 ) 的以人为主的负荷预测方式难以适应需求。同时，随着电力市场的进一步开放， 各调度中心对负荷预测的准确性、实时性、可靠性及智能性都提出了更高的要 求。 目前实际运用中使用的负荷预测方法主要有回归分析法、时间序列法、指 数平滑法、灰色模型法、专家系统法、人工神经网络法、小波分析预测技术和 数据挖掘理论等。 ( 一) 回归分析法 回归分析法是研究变量与变量之间的一种数学方法。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，求解回归方程后，给定各自 变量数值，即可求出因变量值。回归分析法根据历史数据和一些影响负荷变化 的因素变量来推断将来时刻的负荷值。主要利用多元线性回归模型建立负荷与 其影响因素之间的关系，表达式如下： y ( t ) = a o + 口1 z l ( t ) + + a n x 。( f ) + o ( t ) ( 1 - 1 ) 其中，y ( r ) 是t 时刻的负荷 x ，( 0 是与y ( r ) 有关的变量 o ( t 1 是白噪声 d o ，a ，翰是自回归系数 回归分析法的特点是：原理、结构简单，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。 存在的不足：历史数据要求高，采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。 ( 二)时间序列法 时间序列法是目前电力系统短期负荷预测中发展最为成熟的一种算法。电 力负荷时间序列预测技术，就是根据负荷的历史资料，设法建立一个数学模型 来描述电力负荷这个随机变量变化过程的统计规律性，在数学模型的基础上确 立负荷预测的数学表达式，对未来的负荷进行预报。其基本模型如下： y ( t ) = b 1 ( f ) + b 2 ( r ) ( 1 - 2 ) 其中，y ( 力是r 时刻系统的总负荷 四川大学硕士学位论文( 2 0 0 4 ) b 1 ( f ) 是f 时刻系统基本正常负荷分量 岛( r ) 是r 时刻系统随机负荷分量 时间序列方法的特点：计算速度快；反映负荷近期变化的连续。 存在的不足：主要是基于对平稳随机时间序列分析来建立模型”；，对天气 等影响因素考虑不足；当原始时间序列不满足平稳性时，其平稳化后建模、辨 识比较繁琐3 。 ( 三) 指数平滑法 指数平滑预报法用过去数周的同类型目的相同时间的负荷组成组时间上 有序的y ( o 、y ( t i ) 、y ( t 一2 ) ，对该数组加权平均，计算时应该加大新近数据的 权系数，减小陈旧数据的权系数，以体现过程的时变性。 ( 四)灰色模型法 灰色系统理论将一切随机变化量看作是在一定范围内变化的灰色量，常用 累加生成( a g o ) 和累减生成( i a g o ) 的方法将杂乱无章的原始数据整理成规律性 较强的生成数据列。用灰色模型( g m ) 的微分方程作为电力系统单一指标( 如负 荷) 的预测时，求解微分方程的时间响应函数表达式即为所求的灰色预测模型， 对模型的精度和可信度进行校验并修正后即可据此模型预测未来的负荷“。此 法适用于短、中、长三个时期的负荷预测。 ( 五) 专家系统法 专家系统是依据专门从事短期负荷预测的技术人员提供的经验，总结出一 系列的规则。并建立相应的历史负荷和天气的数据库，利用i f - t h e n 规则对待预 测目的负荷进行估计。由于专家系统将天气条件作为一个重要因素引入预测模 型，因而预测的结果更为令人满意。 专家系统预测的优点在于较好的解决了天气等因素对负荷的影响，有力的 克服了时间序列法不能处理数据序列中出现大扰动的情况。但是这种方法过分 依赖规则，如没有一系列成熟的规则负荷预测就无法进行。而规则本身不具有 普遍适应性，预测模型不能推广到所有的系统，这j 下是专家系统存在的弱点。 ( 六) 人工神经网络法 人工神经网络方法是九十年代以来发展起来的新方法，用人工神叠网络进 行负荷预测是电力系统负荷预测的个新发展方向。人工神经网络法利用人工 神经网络( a n n ) ，选取过去一段时间的负荷作为训练样本，然后构造适宜的网 四j f i 大学硕士学位论文( 2 0 0 4 ) 络结构，用某种训f 练算法对网络进行训练，使其满足精度要求之后，用a n n 作负荷预测。一般而言，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，因为短期负荷变化可以认为是个平稳随机过程，而长期负荷预测 与国家或地区的政治、经济政策等因素密切相关，通常会有些大的波动，而并 非是一个平稳随机过程。 人工神经网络具有大规模分布并行处理、非线性、自组织、自学习、联想 记忆等优良特性。它为解决电力系统中应用传统方法尚未解决的问题提供了前 所未有的先进手段。目前，人工神经网络已在负荷预测、安全分析、经济调度、 系统优化、电网规划等领域得到广泛应用。 由于电力负荷变化受天气情况和人们的社会活动等诸多因素的强烈影响， 存在大量非线性关系，而人工神经网络特别擅长处理此类非线性问题，因此被 认为是一种非常有效的负荷预测技术。进入9 0 年代以来，国外利用人工神经网 络进行负荷预测的研究达到了高潮，有许多成功的实例“。在电力系统负荷 预测领域内，应用较广泛的模型有：反向传播( b a c kp r o p a g m i o n ) 模型“、自组 织特征映射( s e l f o r g a n i z a t i o n m a p p i n g ) “。传统的反向传播( b p ) 模型是一种比 较成熟和简单的方法，但存在一些缺陷，诸如：局部收敛、收敛速度慢、隐含 层神经元的层数和单元数的选择无理论指导，需根据实际经验调整等。 人工神经网络的研究内容侧重于网络模型算法和应用系统两方面。对于不 同的应用目的，在组织训练样本上，一般有两种策略：一种是训练样本全部由 过去的历史数据组成：另一种是训练样本由过去的历史负荷数据和影响负荷变 化因素的历史记录组成，因而考虑了影响负荷变化的因素“。训i 练样本采用哪 种策略，般视具体情况而定，其目的都是通过对有代表性的训练样本的学习， 使神经网络形成联想记忆，并具有实际经验，从而进行负荷预测。 目前用人工神经网络进行负荷预测还存在一些问题，比如，模型结构的确 定，输入变量的选取，人工神经网络的学习时间较长等问题。但它仍具有许多 其他方法所不能比拟的优点，例如：良好的函数逼近能力，通过对样本的学习， 能够很好的反映对象的输入输出之间复杂的非线性关系。因此人工神经网络受 到许多学者的高度评价。 ( 七) 小波分析预测技术 小波分折是f o u r i e r 分析深入发展过程中的一个新的里程碑，是本世纪数学 四川大学硕士学位论文( 2 0 0 4 ) 研究成果中最杰出的代表，己成为众多学科共同关注的热点。一方面，小波分 析发扬了f o u r i e r 分析的优点，克服了f o u r i e r 分析的某些缺点。另一方面，小 波分析现在己经被广泛应用予信号处理、图像处理、量子场论、语言识别与合 成、地震预报、机器视觉、机械故障诊断与监控、数字通信与传输等众多领域。 原则上讲，凡是传统方法中采用f o u r i e r 分析的地方，基本上都可以用小波分析 来取代，而且其应用结果会得到深化和发展，因此小波分析作为一种多方面运 用的数学工具，具有巨大的潜力和广泛的应用前景”。 小波分析方法的提出，可以追溯到1 9 1 0 年h a r t 提出的“小波”规范正交 基及1 9 3 8 年l i t t l e w o o d p a l e y 对f o u r i e r 变换的相位变化本质上不影响函数的 l p 理论。自此开始，许多的学者和科学家进一步推动了小波分析的发展。在 1 9 9 0 年，d a u b e c h i e s 在美国作了1 0 次小波讲座，把小波介绍到工程界中，“小 波热”就开始了。此后，学者崔锦泰和王建中构造了基于样条函数的单正交小 波函数，并讨论了具有最好局部化性质的尺度函数和小波函数。 电力系统中日负荷曲线具有特殊的周期性，负荷以天、周、年为周期发生 波动，大周期中嵌套小周期。而小波分析是一种时域一频域分析方法，它在时 域和频域上同时具有良好的局部化性质，并且能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、图像精细的采样步长，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，能很好的处理微弱或突 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，这些优点决定了小波分析可以有效地 应用于负荷预测问题的研究。“。 综上所述，各种方法都有其各自的优缺点，我们需要根据不同地区不同时 间的负荷特性，来选择适合的预测模型。 1 3 影响负荷预测的因素 负荷预测的建模是依据历史数据资料所包含的信息，由于大量影响负荷的 因素对历史数据的影响目前是没有记载的，而且对未来负荷的影响也存在随机 性，使负荷预测很难做到没有误差1 。 影响负荷预测准确性的因素主要有o ： 1 经济因素 四川大学硕士学位论文( 2 0 0 4 ) 电力网络运行地点的经济环境对电力需求模式有显著影响。比如，供电区 域人口、工业生产水平、电气设备数量变化及饱和水平和特性、政策发展趋势 以及更为重要的经济发展趋势对电网负荷增长下降趋势的影响。经济发展也是 系统负荷增长的主要因素。在年或季节的预测中应考虑该因素，在更短期的负 荷预测中一般不考虑他们的影响。 2 时间因素 对负荷模型有重要影响的时间因素主要有三种：季节变化、周循环、法定 节日及传统节日。随温度及日照时间的季节变化，负荷模型也逐渐发生变化。 电网的高峰负荷主要出现在夏季或冬季。常见季节因素有：日照时间变化、季 节需求比率结构的变化、假期生产大幅度减少。对于短期负荷预测来说，季节 相对于每天2 4 小时是缓慢变化的，因此当以近几日负荷为基础，构成基本负荷， 并综合温度、云量等方面的因素，对未来2 4 小时负荷进行预测时，就相当于将 季节因素考虑在内了。 3 气候因素 气候条件对负荷模型变化有显著影响，温度是最重要的气候变量。由于许 多电网有大量气候敏感负荷，如空间电热器、空调及农业灌溉等存在，温度对 正常值的偏差将引起负荷的明显变化。此外，过去温度对负荷特性也有影晌， 比如，持续高温将引起整个电网负荷持续上升，可能会产生一个新的负荷高峰， 这可能使本网难以满足这样的负荷高峰，而从邻网输入功率。同样，冬季的寒 流也会使负荷急剧增加。对负荷有影响的因素还有湿度、风速、降雨量、云遮 或日照强度等。 4 随机干扰 由于系统是由大量分散的单独需求组成，负荷不断受随机干扰影响，因此 系统负荷也具有一定的随机性。还有一些特殊事件，其发生时刻可以预先知道， 但对负荷影响程度却是未知的。 l 、4 本文主要工作 短期负荷预测不仅在电力系统规划和运行方面具有重要地位，而且随着电 力体制向电力市场的转变，其明显的经济意义也越来越突出。因此迫切需要有 一套科学的、符合地区电力负荷特点的预测模型和方法。本文提出了一种基于 四川大学硕士学位论文( 2 0 0 4 ) 小波分析的神经网络负荷预测模型，并且根据负荷特性的不同，采用多目标最 优决策法来对四种不同预测模型进行优选，得出最适合该地区负荷的预测模型。 所做工作主要有以下几点： 1 对成都电力系统负荷历史数据进行了认真和仔细的分析，找出其特有的 周期性和频率特性，分析负荷的组成部分和影响负荷预测的重要因素，确定对 负荷数据的分析方法。 2 对传统的a r i m a 模型和a n n 模型的建模过程进行详细的论述，通过 对实际数据的预测证明，a i u m a 方法的计算速度快，但预测精度有待提高， 而a n n 模型相对来院预测精度有所提高，但学习训练时间较长。为了提高周 末和周一的预测精度，在a n n 模型的基础上提出了模型三，把日期分为工作 日和公休日，并分别建立神经网络训练集和预测模型。但以上这三种模型对峰、 谷负荷的预测效果均较差。 3 采用小波多分辨率分析方法对负荷历史数据进行分解，通过计算比较选 择合适的小波函数及分解层数，使得分解后的各分量比原负荷序列呈现出更强 的周期性及规律性，并对应系统负荷序列中不同的组成部分。 4 根据经过多分辨率分析分解所得到的不同分量的频率特性，建立相应的 神经网络预测模型对各子序列进行预测。最后将各分量预测结果叠加以获得最 终预测结果。结果表明使用该模型具有较高的准确率及稳定性和一定的适应性， 并且可以较为显著地提高目峰、谷负荷的预测精度。 5 大量理论分析与应用揭示：没有一种固定的预报模型可以适用于一切电 力系统并且是绝对准确的。因此不结合具体情况，单纯地讨论某种模型最优是 没有意义的。本文提出采用一种多目标最优决策方法来对上述四种负荷预测模 型进行优选，从结果可知，在综合考虑几个性能指标下，基于小波分析的a n n 法为最优模型，具有很强的适应性。进而讨论了小波基及分解尺度对该预测方 法精度的影响，并针对不同实例对它们分别进行优选，自适应地选出最佳模型。 6 对上述几种模型进行综合比较分析，并将最优决策法应用于不同地区的 负荷，进行实例仿真，自适应地选出适合该地区的负荷预测模型。该方法能够 根据要求对不同地区不同时间的负荷自动地选择出最优模型，提高了预测方案 的自适应性，具有良好的应用前景。 四j i | 大学硕士学位论文( 2 0 0 4 ) 第二章负荷预测分析 2 1 电力负荷的构成和特点 2 1 ，1 电力系统负荷的构成 电力系统负荷一般可分为城市民用负荷、商业负荷、农村负荷、工业负萄 以及其它负荷1 “。不同类型的负荷具有不同的特性。 1 城市民用负荷 城市民用负荷具有经常的年增长以及明显的季节性波动特点。随着空调、 电冰箱、取暖设备等敏感于气候的家用电器日益广泛地采用，使民用负荷变化 对系统峰值负荷变化的影响越来越大。民用负荷的特点是与居民的日常生活和 工作规律紧密相关的。由于我国人们生活水平日益提高，居民的家用电器越来 越多，使得民用负荷在整个电力负荷中所占比重越来越大。尤其是在夏季和冬 季，空调、冰箱负荷和取暖负荷已经成为影响电力负荷的重要因素。 2 商业负荷 商业负荷，是指商业部门里的照明、空调、动力等用电负荷，用电增长平 稳，同样具有季节性变动的特性。商业负荷所占的比重不及工业和民用负荷， 但商业负荷对每日负荷晚高峰的出现有明显的影响。另外，商业部门由于商业 行业在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之 一口 3 农村负荷 农村负荷是指农村居民用电和农业生产用电。农业生产的特点决定了农村 负荷受季节影响大，对降水量、天气等自然因素的变化十分敏感。农业用电负 荷受农作物种类、耕作习惯的影响，农忙期恻负荷相对较大，农闲期白j 相对鞍 小。在用电构成中，农业用电所占的比重不大。 4 ，工业负荷 工业负荷一般都被视为受气候影响较小的基础负荷。除个别地区外，工业 负荷的比重在用电构成中居于首位，它不仅取决于工业用户的工作方式，而且 与各工业行业的行业特点、季节因素都有紧密的联系。它由工业生产的规律决 定，晚阐的负荷较轻而白天的负荷较重：工作目的负荷重而节假日的负荷轻。 总的来看工业负荷与其它类型的负荷相比要稳定得多，不容易受天气等因素的 四川大学硕士学位论文( 2 0 0 4 ) 影响。 负荷组成方式的不同，决定了负荷特点的不同，也决定了相应因素的不同， 其结果是，不同地区的负荷对同一影响因素的相应特性具有差异。对同一地区 的不同时期，同一影响因素的影响也会不同。 对工业负荷和商业负荷而言，它们随季节的波动较小；对民用和农业用电 负荷而言，负荷在系统总负荷的所占比例随季节变化发生显著变化，具有显著 的季节变化特性。其它负荷由于在总负荷中所占的比例较小，因此对负荷的影 响较小。 2 1 2 电力负荷的特点 电力系统负荷是一个周期性和随机性都很强的系统，它与社会、经济、政 治、气象等众多的因素有着极为复杂的关系。一方面，电力负荷按一定趋势有 规律地发展变化；另一方面，负荷受众多因素的影响，随时都可能发生一定的 波动。在进行电力系统负荷预测时，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。 一般地，电力系统短期负荷具有周期性，具有按季节周期性变化的特性， 还有按星期周期性变化和按一天二十四小时周期性变化的特性，例如相邻星期 一的f 1 负荷变化上基本上遵循相同的规律，每天相同时间的负荷也呈现大致相 似的变化趋势。 ； 至 一 枢 t ：e 1 8 0 0 1 6 0 0 1 4 0 0 1 2 0 0 1 0 0 0 8 0 0州 煳舯n时 04 89 61 4 41 9 2 2 4 0 2 8 83 3 g 第一周时闰( h )第二周 图2 1 负荷的周周期性曲线 f i g 2 - 1w e e k l yp e r i o d i cf e a t u r eo fl o a ds e r i e s 四川大学硕士学位论文( 2 0 0 4 ) 负荷变化的周周期性是指从以七天为一周期的负荷变化中体现出来的规律 性。从图2 1 中可以看出，公休目的负荷水平较低，工作目的负荷水平较高。 这一特点与人们的日常生产、生活习惯紧密相连的。一般工作同期间，负荷的 主要组成为工业负荷，这些工业负荷在工作日期间通常处于稳定的运转之中， 因此工作日的负荷变化具有相似性；而周末期f 刮，工业负荷所占比重大幅度下 降，而居民生活用电、餐饮业等服务性的行业所占比重明显上升，因此节假日 类型的负荷具有相似性，但此类负荷明显较工作日类型负荷低。 负荷变化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。需要指出的是负荷的周期性变化并不是每一周期简单地重复前一个周期的 数值，实际上后一个周期和前一个在数值上是不同的，数值改变的大小具有一 定的随机性。图2 2 给出了冬季和夏季的典型负荷曲线图。从图中看出，电力 负荷具有季节性的特点。春秋季节的负荷受温度和天气影响较小；在夏季，空 调负荷所占比重较大，因此负荷总量将随着温度的变化相应增减；而在冬季， 取暖负荷所占比重增加，遇到寒潮来临取暖负荷还有可能会激增。 玲玲 、。 i 8 1 6 2 4 时间( h ) 3 口 一2 5 0 0 三2 0 0 0 搪 9 1 5 0 0 1 0 0 0 ：- a ：五他a ， h f ， 一v 181 52 4 时间( h ) ( a ) 典型冬季日负荷曲线( b ) 典型夏季日负荷曲线 图2 - 2 典型日负荷曲线 f i g 2 - 2t y p i c a ld a i l yl o a d 综上所述，电力负荷具有周期性的特点，且负荷变化的大周期( 向周期) 中又存在小周期( 日周期) ，形成多个周期相嵌；负荷具有季节性的特点，四季 中典型负荷曲线各不相同；同时不同地区的气候，以及温度的变化都会对负荷 0 0 口 0 d 撇 姗 础 伽 一；亏辖蜢 婴型查堂堡圭堂垡堡茎! ! ! ! 型 造成一定的影响。以上均是传统的负荷特点，随着电力市场的逐步深入，电力 负荷会有新的特点出现，如负荷变化将会对电价进行响应，用户将会将用电计 划安排在电价较低的时段，这不但对本时段负荷有影响，也会影响其它时段负 荷，起到转移峰荷的作用。电力负荷在电力市场中的新特点需要更深入豹研究， 在探索中不断补充对新形势下的电力负荷的认识。 2 2 负荷数据的预处理方法 由于负荷的历史数据可能存在缺损或错误，为了保证负荷预测中样本数据 的真实可靠性，需对所用数据进行预处理，即对历史资料中的异常值的平稳化 以及缺失数据的补遗。 a 缺失负荷数据的修补 如果某一天的数据出现大量缺失或不良数据，这一天就可以认为是数据缺 损，对于缺失数据的处理通常可以利用相邻几天的正常数据进行补遗。由于不 同的日期类型的负荷数据差异较大，因此修补数据时一定要采用相同日期类型 的数据，进行加权平均处理： 三( d ，f ) = 甜1 l ( d 1 ，f ) + ( 92 ( d2 ，f ) ( 2 1 ) 式中：工( j ，r ) 是与第d 天具有相同日期类型，且距离该天最近的两个负荷值 ( i = 1 ，2 ) ，与：则是加权平均的权重。 b 数据的水平处理 在进行分析数据时，将前后两个时间的负荷数据作为基准，设定待处理数 据的最大变动范围，当待处理数据超过这个范围就视为不良数据，采用平均值 的方法平稳其变化，计算公式如下： 1 fi ( d ，f ) 一三( d t - i ) i 口( ) ( 2 - 2 )1 f0 。 j “ | | 三( d ，t ) 一工( d ，r + 1 ) l l ( r ) t h e n三( d ，r ) = ( d ，f i ) + ( d ，f + 1 ) 2 ( 2 - 3 ) 式中：三( 吐f ) 代表第d 天f 时刻的负荷值，d ( f ) ，卢( f ) 为阀值。 c 数据的垂直处理 电力负荷是有周期性的，负荷数据预处理时考虑其2 4 小时的小周期，即认 为不同日期的同一时刻的负荷应该具有相似性，同时刻的负荷值应维持在一定 婴型奎堂堡主堂垡笙茎! ! ! 坚! 的范围内，对于超出范围的不良数据修正如下： i f i l ( d ，f ) 一z ( r ) | 臼( f ) ( 2 4 ) t h e n 上c 矗，；，= ；：；：三l ( d d ：；：；：； c 2 一s ， l 三( f ) 一目( r )，) 5 址f d 、 t h e n l ( d ，r ) ：盟尘芒坐业+ 刚一l ，r ) l ( d 一1 ，r 一1 ) + l ( d 一1 ，f 十1 ) 、 _ = 一j ( 2 8 ) 其中，云( c f ) 为一天中负荷变化量的平均值，当负荷变化率超过5 时，对 该负荷数据进行修正，修正公式为式( 2 - 8 ) 。 2 3 负荷预测误差分析指标 由于负荷预测只是一种对未来负荷值的估算，不可避免地，它与客观实际 之间仍然存在着一定的差距，这就是预测误差。研究产生负荷预测误差的原因， 计算并分析误差的大小是很有意义的。这样不但可以认识预测结果的准确程度， 从而在利用预测资料作决策时具有重要的参考价值，同时它对于改进负荷预测 工作、检验和选用恰当的预测方法等方面也有很大的帮助。 产生预测误差的原因很多，主要表现在以下几个方面： ( 1 ) 进行负荷预测用到的数学模型大多只包括所研究现象的某些主要因素， 而省略了很多次要因素。但对于错综复杂的电力负荷变化来说，这样的模型只 四川大学硕士学位论文( 2 0 0 4 ) 是一种简单化了的反映，仍与实际负荷之间存在差距，这样进行预测时无可避 免的会与实际负荷产生误差。 ( 2 ) 电力负荷所受影响是千变万化的，进行预测的目的和要求又各种各样， 因此就要从许多预测方法中选择一个恰当的预测方法，如果选择不当，将随之 产生误差。 ( 3 ) 由于进行预测所需的大量历史资料并不能保证其准确可靠，这必然会带 来预测误差。 ( 4 ) 某种意外事件的发生或情况突然变化，同样会造成预测误差。同时，由 于计算或判断上的失误，也要产生不同程度的预测误差”。 在负荷预测工作中，不论采用何种方法，最大目标都是寻求准确的预测结 果。衡量负荷预测结果准确性的指标主要有如下几个： l 绝对误差和相对误差 设y 表示实际值，多表示预测值，则称a e = y 一多为绝对误差，称 r e ：型为相对误差。 y 2 平均绝对误差 m a e 蒋 多 ( 2 9 ) 由于预测误差有正有负，为了避免正负相抵消，故取误差的绝对值进行综 合并计算其平均数，这是误差分析的综合指标法之一。当8 ，= r e 时，即为平均 相对误差。 3 均方根误差 r m s e 隔1 n 2 j = 丽 ( 2 一1 0 ) 由于对误差g 进行了平方，加强了数值大的误差在指标中的作用，从而提 高了这个指标的