（电力系统及其自动化专业论文）宜昌电网短期负荷预测系统设计及应用.pdf

华中科技大学硕士学位论文 a b s t r a c t l o a df o r e c a s t i n gi sa l li m p o r t a n tt a s ki nt h ep r o d u c t i o nd e p a r t m e n to fe l e c t r i ce n e r g y l o a df o r e c a s t i n gd e c i d e st h er e a s o n a b l ea r r a n g e m e n to f e n e r g yg e n e r a t i o n ，t r a a s m i s s i o a ， a n dd i s t r i b u t i o n ，a n di ti so fg r e a ti m p o r t a n c ef o re c o n o m i ca n ds e c u r eo p e r a t i o no fp o w e r s y s t e m sa n dt h ed e v e l o p m e n to f n a t i o n a le c o n o m y t h u s ，t h eq u a l i t yo f l o a df o r e c a s t i n gh a s a l r e a d yb e e na ni m p o r t a n tm o d e r n i z a t i o ns y m b o lo f p o w e rs y s t e m t h el o a dc o m p o n e n ta n dc h a r a c t e r i s t i c so fy i c h a n ga f ed i s c u s s e di nt h i sp a p e r a f t e r r e v i e w i n gp e r f o r m a n c e so fl o a df o r e c a s t i n gm e t h o d su s e db o t hh o m ea n da b r o a d ，an o v e l m e t h o df o rl o a df o r e c a s t i n gi sd e v e l o p e db a s e do ne x p o n e n t i a ls m o o t h i n g , u n i t a r yl i n e a r r e g r e s s i o na n da r t i f i c i a ln e u r a ln e t w o r k s n o r m a ld a yl o a dm o d e la n dh o l i d a yl o a dm o d e l a r ep r o p o s e dr e s p e c t i v e l yb a s e do nt h er e s e a r c ho fr e l a t i o n s h i pb e t w e e nl o a da n dw e a t h e r ， a n dt h ed a yt y p e c o n s i d e r i n gt h a th o l i d a yl o a dm a i n l yc o n s i s t so fc o m m e r c i a ll o a da n d r e s i d e n t i a ll o a d ，t h i sp a p e ru s e sh i s t o r i c a ld a t ao f h o l i d a yl o a dt of o r e c a s tt h en e x tf e wd a y s l o a d s ，a n dt h es i m i l a r i t yo f t h el o a dd a t ao f t h el o n gh o l i d a y si sa l s oc o n s i d e r e d s o m em a i n l yp r o b l e m so f s h o r t - t e r ml o a df o r e c a s t i n gs o f t w a r eu s e df o ry i c h a n g , s u c h a st h ep r i n c i p l eo f d e s i g n ，f r a m ea n ds t r u c t u r eo f s y s t e ma r e p r o p o s e d t h i ss o f t w a r ei sw i t h p o w e r f u lf u n c t i o n s ，h i g hc o m p u t a t i o n a ls p e e d ，g o o dm a l l m a c h i n ei n t e r f a c e ，g o o ds t a b i l i t y a n d e x p a n s i b i l i t y t oc o n f w mt h ee f f e c t i v e n e s s ，t h ep r o p o s e dm o d e lh a sb e e nt r a i n e da n dt e s t e do nt h e d a t ao ft h eh i s t o r i c a ll o a dd a t ao fy i c h a n gb yc o m p a r i n gt h ep e r f o r m a n c e sb e t w e e ns i n g l e m o d e la n dh y b r i dm o d e la b o v e f i n a l l y ，t h i sp a p e ri n d i c a t e ss o m ep r o b l e m si nt h er e s e a r c h ，a n dp r o p o s e sh o wt o i m p r o v et h ep r e c i s i o na n dt a k ef u r t h e rr e s e a r c ho n t h em e t h o do fs h o r t t e r ml o a d f o r e c a s t i n g k e y w 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 r t i f i c i a ln e u r a ln e t w o r k s h y b 瑚m o d e l s o f t w a r ed e s i g n i i 独创性声明 本人声明所呈交的学位论文是我个人在导师的指导下进行的研究工 作及取得的研究成果。尽我所知，除文中已标明引用的内容外，本论文不 包含任何其他人或集体已经发表或撰写过的研究成果。对本文的研究做出 贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明 的法律结果由本人承担。 学位论文作者签名：肖埒 矿吖年1 1 月f 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即： 学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许 论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段 保存和汇编本学位论文。 保密口，在年解密后适用本授权书。 本论文属于， 不保密回。 ( 请在以上方框内打“4 ”) 学位论文作者签名：曲、棒指导教师签名：嵇昔j 出 呵年t t 月1 日o l 才年，f 月f 日 华中科技大学硕士学位论文 1 绪论 1 _ 1 电力系统负荷预测的含义和意义 电力系统的作用是对各类用户尽可能地提供可靠的、合乎要求的电能，以随时满 足各类用户负荷的需求。而要满足这种需求，裁要对未来预期的负荷有一个量的估计， 这就是负荷预测。 电力系统负荷预测是从已知的用电需求出发，考虑政治、经济、气候等相关因素， 对未来的用电需求做出的预测。电力系统负荷预测包括两方面的含义：对未来需求量 ( 功率) 的预测和未来用电量( 能量) 的预测。电力需求量的预测决定发电、输电、 配电系统新增容量的大小：电能预测决定发电设备的类型( 如调峰机组、基荷机组等) 。 负荷预测是电力系统运行调度中一项非常重要的内容，是能量管理系统( e m s ) 的一个重要模块，是保证电力系统安全经济运行和实现电网学管理及调度的基础。电 力系统短期负荷预测提前一天至一周预测系统负荷值，不但对确定日运行方式有重要 的作用，而且也是确定机组组合方案、地区闻功率输送方案和负荷调度方案所不可缺 少的。 电力负荷预测是否准确，也会影响到电力系统计划、规划等管理部的工作。短期 负荷预测是电力系统发电计划的重要组成部分，是调度合理安排电网运行方式、机组 启停计划、交换功率计划等的基础，因此负荷预测精度的好坏会直接关系到产业部门 的经济利益。负荷预测不足可能会导致用电紧张和系统运行安全性下降。因而由费用 高的机组来承担负荷或者从邻近的电网买入价格较高的电能。另一方面，如果估计过 量可能导致过多的旋转备用因而增加运行费用，对于长期的负荷预测来说有可能造成 设置过多的设备，引起资金积压。另外，负荷预测也有利于计划用电的管理；节煤、节 油和降低发电成本；制订合理的电源建设规划；提高电力系统的经济效益和社会效益。 电力系统负荷预测可以分为长期负荷预测、中期负荷预测和短期负荷预测。长期 负荷预测一般为5 年或5 年以上；中期负荷预测一般指1 年以上，5 年以内。中长期 华中科技大学硕士学位论文 负荷预测主要用于确定新的发电机组的安装( 包括装机容量的大小、形式、地点、时 间) 与电网的增容和改建。 短期负荷预测主要针对几个小时、几天或几个星期的电力负荷，提供科学、准确 的预测。电网调度部门广泛使用短期负荷预测，主要用于电力系统运行的安全监视、 预防性控制和调度计划的安排。随着电力市场的发展，负荷预测越来越受到重视。英 匿哎研究结果表明，短期负苟预测的误差每增规1 ，将导致每年运行残本增翘约1 7 7 0 万元。在挪威，每增加l 的短期负荷预测误差将导致4 5 5 万元9 1 0 万元的附加运行 成本【”。因此提高电力系统短期负荷预测的精度，可以提高电网运行的安全性和经济 性，提高电能质量。 1 2 电力系统负荷预测研究情况综述 1 2 1 电力系统负荷预测研究方法 常用的短期负荷预测的方法有回归分析法、时间序列法、人工神经网络法以及神 经网络与模糊逻辑相结合等。 ( 1 ) 回归分析方法口1 1 4 1 回归分析是寻找自变量与因变量之间存在的相关关系及其回归方程式，即确定适 当的函数类型和响应参数，拟合一条最佳曲线，将此陷线外延至未来适当时刻，在已 知白变量取值时得到因变量的预测值。按自变量的多少可分为一元回归和多元回归分 柝；按照自变量与鼠变量之阊匿蛆方程的类型，可分为线性强归稻； 线性回归分析。 ( 2 ) 时间序列方法【5 】f 6 l 电力系统负荷的历史纪录是一个具有明显的随机性的序列，时间序列法是处理随 机序列的基本方法。其优点是原理成熟，应用简便，它根据历史负荷数据及干扰值来 推算未来的负荷，不需要相关因素的资料。与回归模型相比，本方法更适用于短期负 荷预测。 时间序列模型有自回归( a r ) 、动平均( m a ) 、自回归一动平均( a r m a ) 、累 积式自回归一动平均( a r i m a ) 模型。模型辨识的基本途径是对原时间序列的相关分 析，也就是计算序列的均值、自相关和偏相关函数从而确定模型的类型。模型辨识 2 华中科技大学硕士学位论文 后，就要利用原序列有关的样本数据，对模型参数进行估计。 缺点是它假定电力系统的负荷曲线是平稳的时间序列，不考虑任何非正常数据作 为坏数据。气候对负荷及负荷特性的影响越来越大，主要是空调负荷的影响季节不同 p l 。由于天气、季节和节假日等因素对负荷的影响，负荷曲线是不平稳的时间序列， 因此时间序列法不能考虑上述因素对负荷的影响。 ( 3 卡尔曼滤波方法1 8 l 1 0 1 卡尔曼滤波方法，是建立状态空间模型，把负荷作为状态变量，用状态方程和量 测方程来描述。卡尔曼滤波算法递推地进行计算，适用于在线负荷预测。这是在假定 噪声的统计特性已知的情况下得出的。事实上，估计噪声的统计特性是应用该方法的 难点所在。 ( 4 ) 人工神经网络方法1 1 1 】_ f ”1 人工神经网络( 简称a n n ) 方法是近几年来发展起来的新方法。人工神经网络 方法有很多优点，它能充分逼近任意复杂的非线性关系，可以方便地计及天气、季节 和节假日等对负荷有影响的因素，它具有人脑的联想记忆功能。虽然人工神经网络训 练时闯较长，但一旦训练好，向人工神经网络输入信息时，它能在己存入信息中寻找 一个与输入信息匹配最好的信息作为它的输出，因此人工神经网络实时性好。人工神 经网络己成功地应用于电力系统的负荷预测，成为电力系统中应用人工神经网络最为 成功的领域。用人工神经元网络预测电力系统负荷的良好性能已得到国际上公认。 目前，在短期负荷预测中，应用最多的是误差反向传播网络( 简称b p 网络) ，并 采用误差逆传播校正算法( 简称b p 算法) 对网络进行训练。但是传统的b p 算法存 在学习速度慢，可能陷入局部极小点和难以确定最佳的隐藏层神经元的个数等缺点。 人工神经网络的研究内容侧重于网络模型与算法和应用系统两方面。对于不同的 预测目的，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 负荷数据组成；另一种是诩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，考虑了影响负荷变化的因素。训练样本采用哪种镱略，一股视具体情况而 定，其目的都是取得有代表性的训练样本。通过学习，让神经网络形成记忆，具有了 经验，进行负荷预报。 华中科技大学硕士学位论文 ( 5 ) 灰色系统方法【1 6 】 灰色系统理论应用于电力系统负荷预测，如果将影响负荷的各种复杂因素联合起 来看成一个大系统，那么它兼有确定性和不确定性，本征性和非本征性灰色系统特征。 实际的负荷历史资料能够清楚地显示出其灰色系统特征，年、月、日的负荷既有逐年 增长趋势的确定性的一面，同时又有每年、每月、每日负荷随机变化的不确定性的一 面。因此，可利用灰色系统理论来研究电力系统负荷预测。在电力系统负荷预测中，主 要用来进行中期和长期负荷预测。 常用的其他预测方法还有最小二乘法【1 8 j 、类比法、概率预测法、弹性系数法、产 值单耗法、负荷密度法、比例系数增长法、专家系统预测n 9 1 、小波分析 2 0 1 1 2 ”、优选组 合预测【2 2 1 等，这些方法也为电力系统负荷预测提供了有利工具。 1 2 2 基于人工神经网络的负荷预测技术 基于人工神经网络的负荷预测技术已成为人工智能在电力系统最为成功的应用 之一。但是人工神经网络也存在一些缺点，如学习样本过于庞大，难以合理确定网络 结构和容易收敛到局部最优解等。 为克服以上a n n 的缺点。提高其收敛速度和精度，许多文献对b p 算法进行了 改进，如变步长、加入惯性项、引入遗忘因子( 对训练样本输入集) 和期望因子( 对 训练样本输出集) 、采用指数型能量函数来调整权值等；还有一些文献提出基于拟牛 顿法优化技术的学习算法、共轭梯度法等，这些算法改变了a n n 的收敛性和收敛速 度。在关于网络结构的问题上，一些文献提出用遗传算法、小波模型优化结构。 文献【2 3 】提出了一种用于短期负荷预测的理想神经元网络设计问题，着重阐述了 输入变量的选择和网络结构的设计。该方法可以除掉多余的输入变量，并选择合理的 隐藏层神经元数目。文献 2 4 t 提出了一种共生进化免疫神经网络来预测电力系统短期 负荷，其中利用共生进化原理设计神经网络，通过对神经元群体进行优化设计，显著 地减轻了计算量。在进化过程中，结合免疫算法中的浓度机制和个体多样性保持策略 进行免疫调节，有效地克服了未成熟收敛现象，提高了群体的多样性，加快了网络设 计速度。文献【2 5 】用a c o 算法对a n n 进行启发式学习训练( a c o n n ) ，可克服b p - n n 的不足，且可提高a c o - n n 的泛化能力和快速全局收敛等特点。文中提出的基于a c o 华中科技大学硕士学位论文 算法的递归神经网络( r n n ) 的s t l f 模型能有效地提高预测精度，且对非高温周的 工作日和休息日都具有良好的预测稳定性和适应能力，其预测性能明显优于b p r n n 和g a r n n 。文献【2 6 】介绍小波神经网络的构成原理、设计方法和优点。分析小波神 经网络在电力负荷预测领域的研究和应用现状。小波神经网络隐层节点数目和网络参 数的确定可以得到小波理论的指导，从而能够较好地解决传统人工神经网络在设计和 训练中的一些困难。 针对在短期负荷预测中温度发生突变时学习样本可能过于庞大的问题，文献 2 7 】 提出用相似日( s i m i l a rd a y ) 做样本，预测在相似目曲线上的修正值。 由各时点负荷分薰组成的负荷时间序列中，各数据点间具有一定的相关性和差异 性，在进行短期负荷预测时模型一般无法兼顾数据的共性和差异性。文献【2 8 】采用一 种改进的主成分分析法，在不损失负荷原始数据主要信息的前提下提取负荷数据的主 成分，有效地减少了预测模型的输入量。同时，针对电力系统短期负荷受温度影响较 大的特点，将温度因素引入b p 神经网络进行短期负荷预测。 由于月度负荷同时具有增长趋势性和波动趋势性这两种不同趋势，在用灰色模型 预测增长趋势，用人工神经网络模型预测波动趋势的同时，文献【2 9 】引入最优可信度， 建立了综合最优预测模型。该模型能较好地拟合月度负荷的二重趋势，有效地提高了 月度负荷预测的精度，并在实际应用中取得了较好的效果。此方法也适用于周、季负 荷特性等具有二重趋势的序列的预测。 a n n 的应用在理论与实践中还有一些问题有待于进一步的研究和探讨。如a n n 在学习上还存在收敛速度幔、在收敛过程中可能存在局部极小而停止、网络记忆稳定 性不够等问题。虽然采取了一些克服局部极小和加快收敛速度的算法，如模拟退火算 法、遗传算法 3 0 1 3 ”、蚁群算法、模糊理论【3 2 1 口3 1 等，并且提出了不少改进的a n n 模型， 但仍缺乏完全克服缺陷的理想方法。 目前，研究负荷预测偏重于将各种算法的优点结合从而提高预测的精度，发展混 合智能，即综合多种智能技术d 4 】。这些混合模型在预测的精度上有一定的提高，但同 时也增加了负荷模型的复杂性。 华中科技大学硕士学位论文 t 3 本文所做的工作 本论文的主要内容是基于宜昌地区负荷特性的研究，对所选的三种短期负荷预测 方法指数平滑法、一元线性回归法和人工神经网络法做了分析、比较。提出了负荷预 测系统的整体设计思路，并建立了实用化的模型。运用在宜昌电网进行短期负荷预测， 取得了较好的实用化效果。主要工作如下： 1 在第二章介绍了宜昌地区负荷特性的基础上，对宜昌负荷预测系统短期负荷 预澳9 模块采用的三种算法：一元线性回归法( u l r ) 、指数平滑法( e s ) 和人工神经网络 法( a n n ) 进行了具体分析、比较。 2 第三章就短期负荷预测过程中对历史数据的优化处理所采用的关键技术作r 阐述。重点讨论了正常日负荷预测模型、周负荷预测模型和节假日负荷预测模型的建 立。并就短期负荷预测实际应用中遇到的问题及处理方法进行了介绍。 3 第四章介绍了宜昌调度自动化系统的软、硬件构成及工作模式，提出了负荷 预测系统的总体结构，并就负荷预测的数据库设计和分布式系统的开发作了初步探 讨。最后介绍了宜昌短期负荷预测模块的基本特点及主要功能。 4 第五章针对宜昌短期负荷预测系统的实际使用效果进行了较为全面的测试、 分析，并针对使用过程中的不足，提出了进一步的改进意见。 6 华中科技大学硕士学位论文 2 短期负荷预测模型及计算方法 本章在介绍了宜昌地区负荷特性的基础上，对宜昌负荷预测系统短期负荷预测 模块采用的三种负荷预测模型及算法：指数平滑法( e s ) 、一元线性回归法( u l r ) 和人 工神经网络法( a n n ) 进行了具体分析，并对三种算法的优缺点作了比较。 2 1 引言 短期负荷预测是能量管理系统( e m s ) 的一个重要模块，在电力系统的安全和经济 运行中起着重要作用。他所提供的未来的负荷数据，对电力系统近期输变电建设、运行 和计划都非常重要。准确的负荷预测有助于经济合理的安排电网内部发电机组的启停， 维持电网运行的安全稳定，合理安排机组的检修计划，有效的降低发电成本。提高经济 效益和社会效益。 现在电力负荷预测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 标志之一，尤其在用电管理走向市场时期，电力负荷预测问题的解决已经成为一个重 要的课题。 目前，我国大多数系统的短期负荷预测都是由调度人员人工进行通过寻找相似 日等直观地预测。这就完全依赖于调度人员的经验，且一般仅限于提前一天预测。因此， 迫切需要有一个近期负荷预测系统，提前一天或一周预测系统负荷。以满足经济调度和 机组调停的需要。重要的是，这一系统应具有规范化的预报过程，减少对运行人员经验 的依赖性。 2 2 宜昌电网及负荷特性简介 宜昌电网位于湖北电网的首端，属于中型地区电网，年供电量6 0 亿千瓦时，最高 负荷约1 1 0 0 m w 。目前宜昌电网有2 2 0 k v 变电所1 2 座，主变1 5 台，总容量为1 6 6 5 万千 瓦。1 1 0 k v 变电站7 6 座，主变1 3 0 台，总容量为2 7 0 万千瓦。分五个电压等级，& p 2 2 0 k v 、 1 1 0 k v 、3 5 k v 、1 0 k v 、6 k v 。宜昌电网已经形成了以葛洲坝、隔河岩、高坝洲三大水 华中科技大学硕士学位论文 电厂的电力外送及相互联络形成的2 2 0 k v 网络为依托，以1 l o k v 网络为骨架的较为完 善的供电网络。2 2 0 k v 输电线路环网运行，l l o k v 网络具备环网结构，开环运行。供 电方式以网电为主，小水火电为辅。 宜昌境内水力资源丰富。小水火电装机容量为7 7 9 5 万千瓦，其中火电有2 0 9 万千 瓦，水电为5 7 0 5 万千瓦。大部分水电站为径流式无库容、无调节电站。水电电源点主 要集中在宜昌的西北部地区。 宜昌地区用电负荷较突出的特点是工业用电中化工、化肥、水泥以及炼钢、铁合 金等高耗能企业所占的比重大，约为总负荷的5 0 。 宜昌电网负荷特性 年负荷特性：各季节负荷分布不平衡，夏季负荷比冬季负荷高出约1 4 ；根据宜昌地 区的气候条件，居民生活用电占据很大份额，夏季制冷负荷明显加大，且电力负荷随气候 变化效果显著。另外，特殊长假期电力负荷特殊性明显。 周负荷特性：电力负荷基于周周期性发展，每周的周一至周日，电力负荷都经历了 低一高低的发展过程。即存在相似性。 日负荷特性：电力负荷存在非常明显的以日为间隔的周期性，日负荷曲线中日蜂、 晚峰和日谷的区分明显，且出现的时刻基本固定。另外，周末负荷的幅值较工作日为低， 但日负荷曲线的形状变化不大。气象条件对该地区电力负荷的影响很大。除温度外， 还需考虑相对湿度及其它气象因素对电力负荷的影响。 总而言之，该地区电力负荷具有以下特征： a 电力负荷随季节变化、日周期性、周周期性规律明显。 b 气象条件是影响电力短期负荷的最大因素。 c 节假日，特别是特殊长假期对电力负荷的影响明显。 d 民用负荷份额较大。 e 夏季制冷负荷明显。 负荷预测的核心问题是预测的技术方法，现在随着现代科学技术的不断进步，负 荷预测理论技术有了很大的发展。针对于地方的负荷预测，关键是要选择适合本地特 点的预测模型。在充分研究宜昌负荷特性的基础上。采用了三种负荷预测模型用于宜 华中科技大学硕士学位论文 昌电网的负荷预测。 2 3 指数平滑模型与算法 2 3 1 指数平滑模型 指数平滑模型可有效的分析负荷的变化趋势。对具有指数规律快速增长的历史数 据采用】，( f ) = a + ；对具有较慢指数规律增长的历史数据采用j ，( f ) = 口+ 。式中一，b ， d ，b 均为系数，y ( t ) 为预测值。但是，单指数平滑法只适用于变化不大的乎稳时间序 列。当时间序列发生变化，尤其发生突然变化时，预测结果就不甚理想，而且在比较长的 时间内一直跟不上实际的数据，反应缓慢。为解决这一问题，引进“追踪信号”来反映 时间序列的变化，一旦追踪信号大于某一特定的数值，就可以在一定的置信程度下推断 预测过程中存在着系统偏差。当追踪信号反映出预测过程中有系统偏差以后，意味着时 间序列发生了变化。此时重新修正平滑常数的取值，使预测模型自动响应这种变化，并 对预测重新加以调整，从而合理解决前面提出的问题。这就是自调整平滑参数的单指数 平滑法。这里称平滑参数不再是固定不变的常数，将随着每时期实际观测值的变化而 被修正，步骤如下： ( 1 ) 计算t 时刻预测平滑误差e 葺= p e 。+ ( 1 - 1 3 ) e l ( 2 - 1 ) e ，为t 时刻的预测误差，是用于计算平滑误差的“第二平滑误差”，常取值0 1 或0 2 。 ( 2 ) 计算t 时刻预测绝对平滑误差 t m ，= p 蚓+ ( 1 一p ) m 一( 2 2 ) ( 3 ) 计算t 时刻追踪信号z 7 ：= 巨m , ，一1 s z 1( 2 - 3 ) ( 4 ) 计算t 时刻的平滑系数口， ( 5 ) 对r + 1 时刻进行预测 q = k( 2 4 ) 9 华中科技大学硕士学位论文 e + l = ( j r z + ( 1 一q ) f( 2 - 5 ) 追踪信号表达了预测对实际时间序列的反映能力，平滑系数日，是时变的，增大近期 时间序列的变化，抵消时间序列中的随机变量。为了进一步提高预测的精度，对自动调 整平滑参数单指数平滑法可作如下改进： ( 1 ) 建立等维信息的自动调整平滑参数单指数平滑模型1 3 5 】； ( 2 ) 对原始数据序列进行处理。电力系统的负荷在本质上来说是不可控的，但是他 具有一定的固定变化趋势，如逐步增长或减小和按天、周以及按年周期性变化等特点。 尽管如此，由于负荷具有随机性，或者说由于众多影响因素使得负荷时间序列的变化在 趋势变量、周期变量的基础上叠加了随机干扰，以至实测负荷值表现不出明显的趋势或 周期来。对于这种非平稳随机过程，或称非平稳时间序列，采用单指数平滑法进行负荷 预测实际上只考虑到趋势项，而忽略了周期性及随机波动项。当原始数据离散性较大时， 预测模型一般很难通过假设检验。所以在预测前，需采用与自调整灰色预测法同样的方 法对原始数据序列进行处理； ( 3 ) 应用自回归模型对残差进行处理。单指数平滑法一般不对计算过程中产生的 残差进行处理，在灰色预测法中采用自回归模型对残差进行处理，对提高模型精度很有 效果。研究结果表明，采用自回归模型对残差进行处理后，在提高预测精度方面确有良 好的效果。 2 3 2 指数平滑法( e s ) 算法分析 对于时间上有序的一组观测值x o ，薯，x n ，一次指数平滑法的公式为： j 9 1 = 口e ( 1 一口) 。x ，。 ( 2 6 ) j = o 式中：g ”是j 期一次指数平滑值；a 是平滑系数0 a 2 + b 2 。例如：8 = 6 + 2 ，8 x 8 = 6 4 大于6 6 + 2 2 = 4 0 。该定理表明，若将大工作分解为若干个同样的小工作，总的工作时间会大大减 少。在本系统中，利用负荷数据的特点，将大型的计算过程化解为若干同样的，规模 小得多的过程，减少了计算量，从而减少了总的计算时间。 b 将非线性函数逐段线性化 在神经网络类的方法中，由于神经元的激励函数是s 形的非线性函数，求解权熏 是个反复迭代的过程，十分耗时。将s 形的非线性函数用三段线性函数代替，同样具 有s 形函数的优点，但在每个阶段，权重都可以直接求解，避免了反复迭代的求解过 程。 2 + 自动去刺与滤波 华中科技大学硕士学位论文 在数据采集和处理s c a d a 的实时曲线中，偶然可以看到一个向上或向下的尖刺， 这是s c a d a 系统的量测环节受到外界干扰产生误码所造成的，若不处理，将影响到 负荷预测的精确度。处理的方法如下： 1 ) 利用突变检测，将尖刺除去，尖刺所在点用其前后两点的平均值代替。 2 ) 进行维纳滤波。首先对原始负荷数据序列l 做快速傅立叶变换，得到l 的频谱 序y j j f = f f t ( l ) ：其次将原始负荷数据序列l 的频谱序列f 中对应于小扰动的频谱滤除， 得到新的频谱序列f l 。 3 ) 对新的频谱序列f 1 做傅立叶反变换，得到光滑的负荷序列l i = a f f t ( f 1 ) 。 经过以上步骤后，得到了一条光滑的负荷曲线，排除了楚体趋势之外的随机扰动， 用这条光滑的曲线做预测，可提高预测的精确度。 3 - 厶理处理冲击负荷 宜昌地区高耗能的企业较多，化肥、钢铁、黄磷、水泥厂矿众多。客观上存在较 多的冲击负荷。由于高耗能企业的用电负荷在宜昌地区总用电负荷中所占的比例比较 大，而且根据高耗能企业的生产工艺的特点，经常要出炉、倒渣等，通常就有几万负 荷的波动，负荷大小出现的几率较随意。故这部分负荷不能向其他负荷样等同考虑， 需要另行处理。 3 2 短期负荷预测模型的实现 3 2 1 日负荷预测模型 正常日负荷由两部分组成：基本负荷，主要由负荷的历史数据确定；修正负 荷，主要由气象、类型日等因素决定。 基本负荷的确定方法为：从负荷历史数据中取出前七天的数据，去掉极端情况同 如节假日、大事故日等，然后按近大远小的加权原则取加权平均，这样便可以得到次 日( 即预测日) 的基本负荷，同时还可以得到预测目的基本气象状况、基本类型等；修 正负荷的确定方法为：根据类型曰、气温、光照的变化，将它们按照不同的权值加权 求和来确定修正量。这些权值采用人工神经网络的方法训练，且能不断自修j 下。 在a n n 模型中，采用软件实现人工神经网络的训练过程，控制训练规模( 网络节点 华中科技大学硕士学位论文 数目) 是重要工作内容。例如，用单网络同时预测2 4h 负荷值，将产生庞大的参数矩 阵，由于可用样本容量有限，往往无法得到合理的收敛解。 结合宜昌电网负荷特性分析，本文设计的预测训练模型考虑到日负荷曲线分段研 究方式，图3 i 为宜昌地区( 2 0 0 5 0 6 2 9 、星期三、晴) 典型的日负荷曲线： 图3 1 宜昌地区典型的日负荷曲线 通过对日负荷曲线的分析，我们把电网的日负荷划分为4 个时段独立进行预测研究。 a 午夜段为o l 点，以0 点为特征时刻。 b 凌晨段为2 7 点，以4 点为特征时刻。 c 工作段为8 1 7 点，以l l 点为特征时刻。 d 生活段为1 8 2 3 点，以2 1 点为特征时刻。 研究表明： a 在4 个特征时刻，气象条件与电力负荷的关系最紧密。 b 同一时段中其它时刻与特征时刻间负荷比值有较强的规律。 c 不同时段之间负荷相关性不明显。 华中科技大学硕士学位论文 d 分时段预测结果的合理性可以通过连续性检验保证。 日负荷分时段的考虑，降低了网络训练规模，使得工业负荷和民用负荷基本区分，电 力负荷对气象条件的依赖程度也被粗线条区分，根据日负荷分段结果，就人工神经网络 的训练模型有如下考虑： a 以4 个特征时刻负荷值，及气象数据组成特征数据集。根据历史同类数据集，预测待 测日4 个特征时刻的负荷绝对值。 b 以非特征时刻与相应特征时刻负荷的比值，及气象数据作为对象，分别形成4 个非特 征数据集，根据历史同类数据集，预测各时段非特征时刻的负荷相对值。 3 2 2 周负荷预测模型 宜昌电网负荷同时具备以周为间隔的周期性。在以日、周2 种周期性的叠加作用 下，负荷发展情况比单一周期性更为复杂，人工神经网络映射出多重周期性的关系也相 对复杂。根据小波分析方法的思路，针对电力负荷不同的周期性特点构造了以星期为周 期的训练网络称为周模型。周模型主要研究周为间隔的电力负荷发展规律。典型的周 负荷曲线如图3 2 所示。 图3 - 2 典型周负荷曲线 华中科技大学硕士学位论文 在得出以日、周为周期的2 个负荷预测结果的基础上，设计一定的尺度因子将预测 结果合并，最终得到统一负荷预测结果。合并的尺度因子可以是一定的统计指标，也可 以是负荷连续性检验目标，还可以是程序实现的专家经验。以特征时刻数据集为倒，组 成人工神经网络训练周模型是以前五周内“相同日”( 与待测日同“星期几”) 的特征 时刻负荷及气象数据形成4 个训练样本对。 3 2 3 节假日负荷预测模型 节假日的负荷变化与平时显著不同，若仍按正常日预测模型进行预测，将会产生 很大的误差。所以，我们针对节假日负荷变化的特点，采用节假日的负荷预测模型。 该模型假设历年节假日期间负荷变动的模式高度相关，同时节假日负荷平均值高度相 关。具体步骤如下： ( 1 ) 建立历年节日负荷以及节前各时刻负荷的平均值数据库。 ( 2 ) 计算今年节前一段时间内某一时刻负荷的平均值aa v 。 霉= c 1j = 1 2 n ( 3 ) 根据“近大远小”的原则，确定时间权重p 采用指数权： ( 4 ) 将历年同时亥9 的节日负荷值乘以权重p f 后相加，得到历年节日负荷加权平均值： 毛= x p p i = l 2 。n ；j = 1 2 。2 4 ( 3 1 ) 1 = 1 ( 5 ) 将与aa v 同时刻的历年节前负荷的平均值乘以权重pi 后相加，得到历年节前负 荷的加权平均值占a v 。 ( 6 ) 计算今年节前负荷较历年负荷的增长比例 p i ：1 + a a , - b w( 3 2 ) 以 ( 7 ) 最后得到今年节日负荷预报值： 蜀= 最玛 f = l ，2 ，n ；j = l ，2 ，”，2 4 ( 3 - 3 ) 华中科技大学硕士学位论文 3 3 短期负荷预测中的实际问题 3 3 1e s 和u l r 方法历史参考日的选择 在e s 和u l r 方法中，我们把星期一到星期日分成七个类型日，预测日是什么类 型，历史参考日数据就取相应类型日的数据。所以这两种方法可进行周负荷预测。 3 3 2 温度的换算和天气情况的量车匕 由于温度在一定范围变化时，负荷几乎不变，所以将温度分为多个区问，同一区 间内的温度对应相同的值。温度区间的划分和对应的取值可根据实际系统情况进行调 整。根据宜昌地区的实际情况，各温度区间及其对应取值如图3 3 所示。 1 0 0 01 0 降雪晴朗降雨 图3 。3 温度区间及其对应取值表 结合宜昌地区天气预报的实际情况，将天气情况分为4 类：晴朗、多云、降雨、 降雪。各类量化值如下。晴朗0 0 、多云0 2 、降雨1 0 、降雪1 ，0 。 3 3 3a n n 模型进行节假日预测时的特殊处理 在a n n 模型中，特殊长假期的负荷特点比较突出。以周为间隔和以日为间隔的周 期性特点不适用于特殊长假期的电力负荷分析。但在各特殊长假期之间，电力负荷却具 有很大的相似性，这是由用电成份的简单化导致的。另外，由于特殊长假期期间，电力负 荷以居民生活用电为主，工业负荷成份仅维持在较低的恒定数值，导致电力负荷与气象 之间的关系表现得更为明显。 针对特殊长假期设计的预测方案是抽取历史中出现的特殊长假期的负荷数据，结 合气象指标对未来特殊长假期的电力负荷进行预测。另外，同一特殊长假期内几日之间 的负荷具有更强的相似性，所以，对于假期开始的第二日及之后待测日的电力负荷预测， 将充分利用同一假期中已出现的电力负荷数据，在此基础上完成人工神经网络的训练 及预测过程。因此对特殊长假期负荷预测处理的关键是要积累长期的历史负荷资料。 华中科技大学硕士学位论文 图3 4 五一黄金周负荷曲线 为提高节假日预报精度，在对a n n 进行训练时，可人为地复制训练样本集中各 个节假目的样本数。例如，在由一年的历史数据组成的样本集s 中，实际上只含有一 个预测“十一”的样本。人为地复制之后，s 中便包含了多个预测“十一”的样本。 同时，把节假日分成多组，认为一组内的各节假日有相似的日负荷模式，作为神经元 的输入变量时有相同的值。例如，如果把“十一”和“中秋节”划成一组，则认为这 两个节假日有相同的负荷模式，在训练或预测时相应神经元有相同的输入值。不同的组 有不同的输入值。当用于节假日预测时，a n n 输入层神经元的数据与正常日不同。输 入层中前两组的神经元不再分别对应预测日一周前和两周前的数据，而是对应最近的 且与预测目类型同属一个节假日组的那两天的数据。 3 3 4 综合方法中各方法权重系数的确定 限于a n n 的网络规模和计算速度，a n n 方法只用来预测未来1 日2 4 小时的负 荷。也就是说，预测第一日的结果是a n n 、e s 和u l r 三种方法的加权平均，预测第 二日至第七日的结果是e s 和u l r 这两种方法的加权平均。为了获得最佳预测结果， 华中科技大学硕士学位论文 t h s