电力系统短期负荷的研究.doc

I 39 华中科技大学文华学院华中科技大学文华学院 毕毕业业设设计计 论论文文 题目题目 电力系统短期负荷的研究 学学 生生 姓姓 名 名 学号 学号 学学 部部 系 系 专专 业业 年年 级 级 指指 导导 老老 师 师 职称或学位 职称或学位 讲师讲师 20102010 年年 5 5 月月 2525 日日 I 39 目 录 电力系统短期负荷的研究电力系统短期负荷的研究 II 摘 要 II SHORT TERM LOAD FORECASTING III ABSTRACT III KEY WORDS IV 1 概述概述 1 1 1 目的及意义 1 1 2 国内外负荷预测的发展现状 3 2 电力系统短期负荷预测的流程电力系统短期负荷预测的流程 9 2 1 电力系统负荷的结构及其特点 9 2 2 电力系统短期负荷预测 11 3 短期负荷预测模型的建立及程序实现短期负荷预测模型的建立及程序实现 14 3 1 人工神经网络 14 3 2 前向型神经网络 BP 网 的结构和基本算法 15 3 3 短期负荷预测模型的建立和程序实现 18 4 实际算例的运行与分析实际算例的运行与分析 26 4 1 历史负荷数据预处理 26 4 2 负荷预测的结果与分析 26 5 结论与展望结论与展望 29 5 1 电力系统短期负荷预测的结论 29 5 2 电力系统短期负荷预测工作的展望 29 参考文献 31 致 谢 34 II 39 电力系统短期负荷的研究电力系统短期负荷的研究 摘 要 电力系统短期负荷预测是电力部门的一项重要工作 对其预测方法的研究一直为 人们所重视 短期负荷预测的准确与否将直接关系到电力系统的安全运行和经济调度 便于更合理地安排电网设备调度及检修计划 还能提高电力系统运行的稳定性 减少 电网的发电成本 随着我国区域性电力市场的逐步建立和完善 短期负荷预测工作将 在电力市场运营中占据十分重要的地位 本文首先分析了电力系统负荷的组成 特点 进一步阐述了当今多种电力负荷预 测方法的差异 优缺点 着重阐述了人工神经网络 ANN 进行负荷预测的基本原理 并 针对一个实际地区电力负荷的具体情况 提出用人工神经网络建立模型来预测其负荷 的变化 其次 该模型将电力负荷的变化考虑成 系统的基本负荷 温度的差异 天 气的改变和同期的类型 工作日与节假日 这些主要因素共同决定的 因此 本文采 用改进的三层 BP 型人工神经网络来建立负荷预测模型 以上述影响负荷的主要因素作 为数据样本 进行神经网络的自我训练和学习 并且在不断地训练和学习的过程中引 入误差反方向传播算法 即 BP 算法 来修正神经网络的连接权重 从而达到对负荷预测 模型的改良和完善 进一步贴近实际的负荷变化 同时 在负荷预测模块运行结束后 本文还将因电力线路或设备检修损失的负荷量也作为影响因素进行了考虑 从而得出 更精确的预测负荷值 在实际的负荷预测算例结果与分析中 上述的预测思路得到了较好的印证 其预 测的精度也较高 完全满足了电力部门运行和经济调度的实际要求 减少了购电成本 提高了电力部门的经济效益和电网调度技术人员的工作效率 保障了电网运行的安全 关键字关键字 短期负荷预测 人工神经网络 BP 算法 III 39 Research For Power System Short Term Load Forecasting Abstract Power system short term load forecasting STLF is all important task of power utilities So great attention has always been paid on methods of STLF Load forecasting is related to operation security and economical dispatching of power system which is used to arrange the equipments dispatching and repairing Also it can advance the stability of power system and save generation costs With the development of area power market in China STLF will play an important role in the operation of power market In the first step this paper analyses the constituents and characteristics of the electrical load and the difference of several present STLF methods The basic theory of ANN for load forecasting are emphasized and a forecasting model for all actual power system is presented in this paper to forecast the load In the second step The model devises the load into a few main pans basic load difference of temperature and weather different day type working day and holidays So improved BP Network of three layers are used to set up the model The factors which effect the load are the samples and through self training and study to finish the model This paper uses three BP ANN to set up a load forecast model above factors are used as data samples Though the self training and self study of the network and in the process of training and study continuously introduces BP method to revise the weight value of ANN Thus improved the model of load forecast After the end the repairing of lines and equipments in power system is also considered in this paper and because of that the exactly result are concluded In practical above forecasting method is proved to be prefect and its forecast accuracy is very well too which satisfy the operation requirements of power system and economical dispatching save the costs of purchasing and improve the efficiency of operators and keep the security of power system IV 39 Key words Short Term Load Forecasting Artificial Neural Network BP Algorithm 1 39 1 概述 1 1 目的及意义 近几年来 中国电力工业正在进行前所未有的电力体制改革 电力市场运营机制 将逐步在我国建立 随着国内电力市场的逐步开放并投入运营 对电力系统负荷预测 的研究也越来越引起人们的关注 电力系统负荷预测的实质是对电力市场的需求进行预测 是保证电网安全稳定运 行 合理编制电网运行方式 做好电网供需平衡的关键性工作 也是 三公 公正 公平 公开 调度和电力市场运营的重要基础工作 众所周知 电力工业与一般其它 1 产业不同 其产品是无法存储的 电力的生产和消费必需在一瞬间进行 电站建设投 资大 建设周期长 电能在国民经济的各个行业和人民群众日常工作中占有举足轻重 的地位 尤其现在面临一个相当长的时期内电能供需矛盾 这一切使得电力系统负荷 预测变得尤其重要 现在负荷预测工作已经完全提到电力系统调度 生技部门和计 2 规部门等管理部门的重要日常工作中来 成为在电力市场运营机制中考核供电企业的 一项重要指标 准确的负荷预测 将为电源的合理分布 适时的电网规划建设 最佳 的投资时间以及获得最大的经济效益和社会效益提供科学的决策依据 并能为电网的 安全 经济 可靠地运行提供最基本的保证 如果负荷预测的结果比实际值偏低 将 会导致电网的供电能力不足 电能质量降低 无法满足用户正常的供电要求 甚至严 重的会造成系统瓦解崩溃 反之负荷预测的结果比实际值偏高 则会导致超前投资 安装好的设备不能充分利用 被闲置一边 降低了企业的投资效益 另外 我国经 3 济正处于发展阶段 并且具有很大的潜力 从长远来看 我国电力供需形势不容乐观 依然面临很大的挑战 所以做好负荷预测工作具有十分重要的意义 它决定了发电 输电和配电等方面的合理安排 负荷预测的准确与否直接关系到电力系统的安全经济 运行 国民经济发展等诸多方面 4 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 长期负荷预测所覆盖时间从未来数年到数十年不等 主要用于各类 发电厂机组检修安排和电网发展规划 中期负荷预测是指未来一年之内的负荷预测 用于安排电气设备大修计划及水库的经济运行 短期负荷预测一般是指 24 小时的日负 荷预测和 168 小时的周负荷预测 作用是给各个电厂安排日 周发电计划等 超短期负 荷预测是指未来一小时以内的负荷预测 目的主要用于 AGC 和电气设备的安全监视 5 其中从实际应用程度的角度来看短期负荷预测占据当前电力系统负荷预测的主要部分 到目前为止已有多种形式的预测方法 主要用于安排电网调度计划 包含水火发电厂 的协调 发电机组合理的经济组合 负荷的经济分配和电网联络线的交换功率等等 为了准确地对电力负荷进行预测 必须认真全面地分析所搜集各种不同的信息和 相关数据 采用最优的预测方法来模拟预测 提高负荷预测的精度 在以后的电力市 场中 各个发电厂 发电公司 作为独立的经济实体进行竞价上网 电网供电计划的安排 2 39 也不再是按照全网发电成本最小 而是以购电成本最小为目标 原来的发电自动控制 等软件将会被实时的调度自动化系统所取代 每个调度时段 5 10 15 30 60 分钟 实时调度系统会根据短期负荷预测的结果和发电厂报价来计算电力市场的清算电价 从而安排各机组发电计划 可见负荷预测的结果将直接影响供电企业和发电厂的经济 效益 目前我国正在进行的电力市场改革对负荷预测工作提出了更高的要求 随着电 力市场地进一步的发展和完善 短期负荷预测在电力系统的安全 经济运行方面的影 响将会表现得更加明显 其影响主要表现在以下几点 1 短期负荷预测对制定电力市场实时电价的影响 实时电价即动态电价 是电力 市场的重要表现 也是电力市场的杠杆和核心内容 它会直接决定供电企业和发电 6 厂的经济效益 只有在参考短期负荷预测的基础上 才能制定出适宜的实时电价 取 得市场竞争的主动权 而不是消极地 被动地接受 这样才能保证企业 电力市场健 康地发展 2 短期负荷预测对结算电量的影响 在电力市场中 结算电量是按不同的时段 低谷 平段和高峰 进行的 所以要将结算电量按负荷预测后的曲线分配到各个时段上 然后按实时电价和合同电量进行结算 如果短期负荷预测与实际值偏差太大 将会造 成不同时段的结算电量不正确 导致发电厂和供电企业之间收入不合理 产生不必要 的矛盾 3 短期负荷预测对电力市场分析与评估系统 Analysis and Assessment of Electricity Market 简称 AAEM 的影响 电力市场分析与评估系统是对电力系统未来供需状况进 行信息采集及分析的综合系统 通过采集 分析相关信息 模拟未来时段内的市场行 为 分析预测系统在短期 中期供求平衡和安全情况 及时向市场公布 目的是使市 场成员尤其是发电公司能够提前了解市场一周乃至一年的负荷预测 发电计划 用电 计划 检修计划及电网安全约束条件等 在此基础上 进行投资和发电报价的决策 从而减少发电公司生产的盲目性 可见 精确的负荷预测对电力市场的发展具有重 7 大的作用 4 短期负荷预测对广大用户的影响 由上述 1 所言 实时电价是建立在负荷预 测的基础上 每日不同的时段对应不同的电价 所以用户基于从用电价格考虑 特别 是大 中用户 总是希望尽可能地了解不同时段的出现时间 来安排低电价时段用电 减少电费支出 达到降低生产成本 提高经济效益的目的 这样也可以使得整个电力 系统的负荷曲线变得平稳 光滑 从而达到电力部门所希望的削峰添谷的良好用电局 面 从目前研究短期负荷预测的众多方法上看 已经积累了丰富的理论和实际经验 然而 需要重点明确 电力系统的负荷是受很多因素的影响 这些因素包含负荷的组 成 负荷随时间的变化 外界气象 气温 能见度 风力等 的变化 节假日等等 所以 不同的电力系统对应有不同的负荷规律性 还需人们具体地开发和研究 纵观国内外 3 39 的负荷预测方法 很难找出一种适用于不同地区行之有效的普遍方法 于是研究适用 于具体电力系统的短期负荷预测方法已经成为电力系统调度自动化专业中的一个重要 课题 选择这个研究题目后 经过我的学习 查找的资料和自己的分析 深刻体会到负 荷预测对于电网经济运行和安全调度的重要性与必要性 尤其是在短期负荷预测方面 具有更加现实的意义 在国家电力公司对一流电网调度机构的考核标准中 明确规定 日负荷预测准确率 95 适用于 用电负荷低于 5000MW 的电网 可见国家电力 8 公司对短期负荷预测工作的重视 我作为一名电力工程方面的本科毕业生 更应该在 短期负荷预测研究方面尽到自己微薄的努力 1 2 国内外负荷预测的发展现状 1 2 1 电力系统负荷预测基本模型 根据影响电力负荷的基本因素 电力系统负荷预测模型可以用以下四个模型分量 进行描述 L t B t W t S t V t 1 1 在 1 1 式中 L t 为 t 时刻的系统总负荷 B t 为 t 时刻的系统基本负荷分量 W t 为 t 时刻的系统天气敏感负荷分量 S t 为 t 时刻的系统特别事件负荷分量 V t 为 t 时刻的系统随机负荷分量 在短期负荷预测中 系统基本负荷分量 B t 一般说来是呈周期性变化的 可以采 用代学中的线性函数变化模型或者周期性函数变化模型加以描述 对于系统天气敏感负荷分量 w t 是由天气变化而引起的负荷变化量 这些天气 敏感因素有 能见度 温度 湿度 降雨量 风力等 对这个因素的处理可结合以前 的负荷资料 利用线性回归或者曲线拟合的方法来进行 系统特别事件负荷分量 s t 是指重大政治事件 国家节假日等对负荷造成的影响 一般是采用简单的人工修正或者专家系统方法进行处理的 由于经济发展社会进步 系统负荷不断变化 这种方法在修正 估计上有一定难度 需要注意 系统随机负荷分量 V t 是对于已确定一段时期的历史负荷记录 剔除系统基本负 荷分量 天气敏感负荷分量以及特别事件负荷分量后 所剩下的残余部分 这部分可 以作为一个随机发生的时间序列 1 2 2 短期负荷预测的主要方法 1 2 1 1 回归分析法 回归分析法属于因果分析法 通过对观察值的统计分析来确定对象及其影响因素 之间的相关关系 进而对预测对象的变化作出估计 其关键在于建立回归模型 回归 分析法所采用的数学模型为 4 39 1 2 K n22110 ttxtxKtxKKtL n n 0 1 2 n 上式中 是与对应的有关变量 是白噪声 一组随机干扰 服从正 txn tL t 态分布 Kn 是一组回归系数 这种预测方法的特点在于 必须由给定的自变量和因变量的历史数据资 txn tL 料中 分析其变化规律 研究出二者之间的函数关系 形成最终的回归方程组 回归 系数 kn 可以通过最小二乘法的求解获得 于是通过对一组回归方程的求解 来生成回 归分析法的数学模型 由此作出对未来某一时刻的负荷进行预测 在电力系统实际负 荷预测中 自变量是影响负荷的各种因素 因变量是系统负荷量 常规的回归分析法有 一元线性回归 多元线性回归 一元非线性回归 多元非线性回归 指数曲线回归 对数曲线回归 但该方法的缺点在于 由于考虑的影响因素太多 很难全面建立起准 确的模型 运用于短期负荷预测结果都不理想 1 2 2 2 时间序列法 又称趋势外推法 负荷预测的时间序列法是在 Box Jenkins 所提出的用于解决随机时间序列问题的 时间序列法的基础上发展而来的 它的模型主要有 白回归模型 AR 动平均模型 MA 自回归动平均模型 ARMA 累积式自回归动平均模型 ARIMA 等 它们的区别在于 自 回归模型表示函数值可以用它本身的过去值的有限项的加权和以及一个干扰量来表示 动平均模型表示函数值可以用现在值和过去值的干扰量的有限项的加权和来表示 自 回归动平均模型则表示函数值可以用其过去值的有限项的加权和以及现在和过去的干 扰量有限项加权和进行叠加 累积式自回归动平均模型则适用于方程中含有趋势分量 的非平稳随机过程 当预测对象复杂 影响因素较多而且之间又相互制约时 使用该 方法较好 时间序列法就是对历史负荷资料进行整理归类 设法建立一个数学模型来描述负 荷的变化规律 并通过对有关数据的分析研究确定模型的方程和参数 形成预测模型 以后即可利用已知的负荷数据对未来的负荷进行预测 由于该方法的前提是假设事物 过去的演变规律将持续到将来 以此推测负荷的发展趋势 故也称趋势外推法 在目 前电力系统短期负荷预测中时间序列法已经是最为成熟的一种有效算法 其基本数 9 学模型如下 L t B1 t B2 t 1 3 在 1 3 式中 B1 t 为 t 时刻系统基本正常负荷分量 B2 t 为 t 时刻系统随机 负荷分量 在实际算例中证明 时间序列法在预测天气和温度变化不大即具有较高相似度的 时段 其预测的结果是令人满意的 相反 如果天气变化较大时或者遇到重大事件 节假日等特别的时间 该方法预测的结果就有很大的误差 为了较准确地处理天气因 素 国外学者 T Haida 等人设计出一种基于自回归和转化技术 Transformation 5 39 Technique 的最大日负荷预测模型 其前提是假设当年的天气负荷关系与去年的天气 现象相近 随着研究地深入 人们发现用自回归平均模型法在确定相应参数时 预 10 测模型容易陷入到局部极小值 对此 H T Yang 等人又成功引入进化过程 Evolutionary Programming 来解决上述问题 11 虽然时间序列法广泛地使用在各种负荷预测之中 但是都存在着对天气等关键因 素处理得不好的问题 致使预测精度普遍不高 于是有的学者又提出了利用已经发展 很完善的专家系统和模糊理论来进行负荷预测 1 2 2 3 专家系统和模糊理论法 专家系统是根据从事电力系统短期负荷预测的技术人员和阅历丰富的电网调度人 员的经验 总结出的一套规则 由于专家系统将天气因素作为一个重要方面进行考虑 所以就有关天气方面的负荷预测结果是比较精确的 学者 S Rashman 等人就利用了专 家系统的方法 建立起基于实践经验的短期负荷预测方法 并较深刻系统地讨论了天 气和节假日等变化因素的处理办法 12 模糊理论发源于 LA Zadeh 在 模糊集 一文中 并首次提出了模糊数学和模糊 控制问题 给出了定量的描述方法 模糊理论法是利用负荷在变化过程中受随机因 13 素和非线性因素影响较大的特点 模拟专家的推理和判断进行负荷预测 这种方法主 要用来描述含有不确定方面的问题 解决求解信息不完善系统的数学方法 利用模糊 集理论在处理从大量数据中抽取出具有相似性的代表量和非线性问题的强大功能 将 大量看似杂乱无章的原始数据整理成规律性很强的数据排列 再进行仔细地研究 并 能从高精度上逼近任何定义在一个数掘集合上的目标函数 最终建立负荷预测模型 这些特点也正是短期负荷预测所需要的 有别于上述方法所欠缺的优势所在 近几年 来 模糊理论法也大量运用于电力系统负荷预测中 例如 在文献中 就对模糊理 14 论进行了充分地分析与研究 并从电力负荷预测角度提出了短期负荷预测的基本思路 和方法 效果也比较好 而在文献中 作者将数据挖掘技术中的分类思想和回归树 15 C1assifiation And Regression Tree 算法引入到模糊建模之中 从而解决了模糊建 模的难点 输入变量选择和输入空间划分 保证了模型能客观地反映出相关变量与 负荷值之间的复杂关系 国外学者 H Mori 等人也采用模糊理论建立起一种优化的模 糊短期负荷预测模型 此模型的特点在于综合利用了梯度算法和 退火 技术 其预 测结果准确性很好 16 专家系统和模糊理论法的长处在于 能够较好地解决天气因素等问题 在数据处 理上也相对比较简单 可靠 但缺点是 这两种方法不具有普遍性 适用范围较狭窄 并且模糊理论的学习能力较差 不易大范围地推广应用 1 2 2 4 遗传进化法 遗传进化法 这是一种崭新的结构描述方法 其实质是采用专门的计算机程序 通过无数次递推 在生成的许多可行的程序中用收敛条件进行排除 最终找出一个最 6 39 佳的程序来作为预测模型 其特点是一种基于自然选择和自然遗传的全局优化算法 具有并行计算的特点 采用从自然选择机理中抽象出来的几种算子对参数进行操作 这种操作是针对由多个 可行解组成的群体进行的 故在其世代进化更替中可以并行地对参数空间的不同区域 内进行搜索 并使得搜索的目标向更有可能找到最优的方向进行而不至于陷于局部最 小或死循环之中 17 遗传进化法的基本步骤 1 根据具体预测要求 在计算机中随机产生众多有函数 和变量组成的程序组 即初始种群 2 运行以上的每一个程序 并仔细观察其解决问 题的程度赋予相应的适应度 3 把原有的程序进行遗传变异 来产生新的子程序 4 反复运行 执行上述 2 3 步 直到达到终止条件 一般设定为遗传和变异的代数 为 止 5 把最终得到的一个或几个的程序作为预测模型 此方法最大的特点是 不需要 人们再为负荷预测模型的函数选择而煞费苦心 它的学习能力强 能自动寻找并生成 函数关系来模拟负荷的变化规律 整个运行中无需人为的干预 从而提高了效率 不 足之处在于 方法不易掌握 理解 全靠设计者的感觉和经验来确定初始的程序模型 耗时较长 在实际的负荷预测中很少单独使用 必须与其他算法 如人工神经网络 人 工智能和遗传算法等 结合起来使用 效果才显著 在文献中 作者提出利用遗传算法来训练相关因素映射数值的新思路 阐述了 18 遗传算法的优越性和本质是一种求解问题的高效并行 全局搜索方法 其步骤为 生成初始种群 进行虚拟预测 计算每一代染色体的适应度 选择操作 交叉 操作 变异操作 生成新一代染色体 判断是否达到终止代数 如果达到则退出 程序 否则再转到 执行 这样通过训练相关因素库可以使得相关因素的量化映射值 更加合理 从而使预测效果和稳定性进一步得到提高 难点在于编程工作量较大 初 始种群具有随机性 1 2 2 5 人工神经网络 Artificial Neural Network 简称 ANN 近十多年来 以人工神经网络技术为代表的智能技术由于其具有很好的非线性映 射能力和强大的自学习 自适应能力 在电力系统负荷预测中得到了越来越多地应用 其原理是模仿人脑的智能化处理 对自然界存在的大量非结构性 非精确性规 2119 律的现象具有自适应训练能力 具有自主学习 信息记忆 优化计算和知识推理的特 点 还克服了时间序列法模型在阶数较低时不能充分使用历史负荷数据 而在阶数较 高时其参数不易确定的难点 因此 人工神经网络技术被应用于负荷预测领域之中是 可行的 Park D C 等人于 1991 年首次将该技术应用于电力系统负荷预测 取得了 22 令人满意的结果 目前在短期负荷预测上应用误差反向传播算法 Back Propagation 简称 BP 是被 研究得最多的 其基本思路是 首先将待预测量的历史数据中影响负荷的相关因素作 为人工神经网络的输入量 即刺激 包含气温 能见度 湿度 降雨量 风力等 输 7 39 入到人工神经网络中 分别经过输入层 隐含层和输出层中各自神经元的作用 最后 生成类似输入量的输出 从而形成一种输入到输出 输出又回到输入的条件反射 通 过对输出量与输入量的误差比较来决定上述循环是否终止的条件 即 达到负荷预测 的误差之内 就只需要将待预测日的相应刺激输入到人工神经网络就可以得到相应的 预测结果 如达不到要求以内 继续执行条件反射的循环 实际研究中还发现 人工 神经网络还具有部分类似人类的推理和联想功能 因此对于循环过程中没有出现过的 情况 它同样能够进行预测 人工神经网络法非常适用于预测具有相似模型的负荷 可以充分考虑天气 同期 类型 工作日与节假目 对负荷的影响 预测精度较高 而且普遍适用于不同地区的负 荷预测 具有较高的可移植性和很好的函数逼近能力 特别对天气变化较大的同期也 可以取得较满意的预测结果 所以 人工神经网络法受到许多中外研究人员的普遍好 评 在文献中 C N Lu 等人分别对两个不同的系统建立了几种 ANN 类型的预测模型 23 对其中一系统采用的模型打破了传统的 ANN 结构 将个别输入层的神经元与整个输出 层直接相连 而在另一种模型中又将 ANN 的输出节点设置成 24 个 于是一次预测后可 以得到待预测日 24 小时各点的预测结果 同时文章指出对于不同的系统因其本身负荷 的特点 决定了 ANN 模型也可以是不唯一的 在随后几年的 ANN 负荷研究中 值得一 提的是 A D Papalexopoulos 等研究者吸取了 C N Lu 等人的经验后 提出的更为 复杂的短期负荷预测模型 他们采用了含有 77 个输入层节点 24 个中间层节点和 24 个输出层节点的 ANN 模型 这样处理的优点在于 因为 ANN 的结构变得更庞大 复杂 其智能化功能也随之增强 便于迅速处理大量的有关数据 还能通过一次预测得到待 预测日 24 小时各点的负荷数据 而且该模型还着重对影响负荷的特殊因素 例如 天 气突变 节假日等 进行了处理 其预测的结果也较为理想 在文献中 作者采 24 25 用了工程代数中的指数型能量函数 作为新的人工神经网络神经元的基本结构 并引 入了期望因子和遗忘因子对输入量进行加权处理 形成一种改进的神经网络方法 但在实际运用中 人们也逐渐发现人工神经网络进行负荷预测还有不少的缺点 比如 BP 算法具有一些固有的缺陷 容易陷入局部极小点甚至有时不收敛 训练和迭 代时间长和收敛速度慢等 针对这些缺陷 研究人员也采用了不少好的改进办法 在 文献中 提出了一种基于组合式人工神经网络的短期电力负荷预测模型 该模型综 26 合运用人工神经网络 模糊聚类分析和模式识别等理论方法进行建造模型 通过实例 证明了该模型不仅对普通工作日有较高的预测精度 而且对双休日 节假日和一些特 殊的情况也有较好的预测精度 而在文献中 作者为了克服传统 BP 神经网络的上述 17 缺陷 将进化计算中的遗传算法引入到人工神经网络模型中 改善了神经网络的性能 从而形成一类综合人工智能方法 遗传神经网络 来准确 快速预测电力系统负荷 该方法的思路是 首先 利用遗传算法有指导地计算神经网络隐含层节点数 不断地 反复学习 从而确定一个较合理的神经网络结构 其次 再由遗传算法从初始权值的 8 39 解群中选出一组优秀的初始权值 克服了以往在初始权值选取上的盲目性 最后 将 建立的神经网络结构和优秀的初始权值结合起来 利用改进的 BP 算法进行电力系统负 荷预测 1 2 2 6 小波分析法 Wavelet Analysis 小波分析法是本世纪数学研究成果中一项意义重大的发现 也是调和分析发展史 上的里程碑 事实上 小波分析是一种时域 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 并且根据信号频率的变化自动调节采样的疏密 其特点 27 基于时问和频率的局域变换 容易捕捉和分析微弱信号以及信号 图像精细的采样步 长 特别适用于非稳定性信号 通过伸缩和平移等运算功能对函数或信号进行多尺度 细化分析 将一个信号的信息转变成能用于小波分析的系数 方便地处理 分析 传 递和储存 小波分析实质上就是测量被分析信号与这一系列小波的相似性 因此选用 不同的母小波来分析同一信号 其结果可能大不一样 为了取得最佳的小波分析效果 针对具体应用领域来选择合适的母小波是非常重要的 而电力系统的日负荷曲线都是 具有一定的周期性变化 通过小波分析 可以分析短期负荷序列 它对信息成分采取 逐渐精细的时域与频域处理 尤其在突发与短时的信息分析方面具有明显的优势 所 以以上小波分析的特点决定了小波分析的方法是完全可以应用于电力系统负荷预测 由于小波分析法理论性较强 在实际运用中还不易掌握其规律 人们在电力系统 负荷预测中要成功的应用它目前尚处于摸索阶段 天气等因素是影响负荷预测的首要 因素 在文献中提出了一种基于小波分解与气象因素影响的预测模型 来较好地处 28 理天气因素 该方法采用对日负荷数据进行小波分解 将数据中包含的公共信息分离 进行集中 对幅度变化大的小波分量建立天气因素预测模型和回归神经网络预测模型 进行重点预测 而对幅值变化较小的小波分量只建立线性 ARMA 预测模型进行简单预测 这样建模的效率可以大大提高 还能改善预测精度 文中所选的 Burt 小波是紧支撑和 近似正交的 其优点是不仅使得数据分解后的特征得到有效的集中 而且使得分解的 小波分量具有原始数据的局部特征 便于建立天气因素预测模型 文献中 作者将 29 小波分析引入到短期负荷预测 针对电力系统本身具有的负荷以天 周 年为周期发 生波动的特点 使用周期自回归模型有选择的对分解序列进行预测 并对直接使用周 期自回归模型的预测结果与先使用小波分析处理的预测结果进行了比较 结果显示使 用了小波分析法的预测负荷具有更高的精度 而文献在分析电力负荷频谱特性时 30 发现负荷信号的变化过程具有连续频谱的特性 该文在此基础上提出一种基于小波变 换的电力系统短期负荷预测新方法 对负荷信号利用小波变换 将各序列分量分别投 影到不同的尺度上 对不同的负荷序列进行数据处理 并采用相匹配的模型进行预测 最后通过小波重构 得到完整的负荷预报结果 实例表明新方法具有较高的预测精度 和较强的适应性 1 2 2 7 各种组合的预测方法 9 39 从上述各种方法的初步介绍中 不论是经典的负荷预测模型 还是现代人工智能 小波分析的负荷预测模型 都存在着或多或少的缺陷 总不令人感到满意 为了弥补 使用单一的负荷预测方法的缺陷 现在不少研究者又把目光放在上述各种方法的结合 使用上 例如 文献中 提出了一种基于灰色预测和神经网络组合的电力系统负荷 31 预测方法 在灰色预测中通过对历史负荷数据作不同的取舍并经累加生成后建立不同 的模型 具体方法是 各种灰色模型的预测结果作为神经网络的输入量 而神经网络 的输出量则成为组合预测的结果 该方法综合了灰色预测所需原始数据少 方法简单 和神经网络具有非线性拟合能力的特点 提高了负荷预测的精度 获得较好的效果 使用人工神经网络方法结合模糊技术来进行负荷预测也广泛地得到普及 D Srinivasan 等人就采用模糊神经网络的方法建立起负荷预测模型 利用了模糊数学 对日期类型进行划分 归类 由于其模糊规则的准确性好 预测模型很好地解决了周 末和节假日的负荷预测 效果令人满意 而在文献中 针对电力系统短期负荷是 32 33 一个受气温等多种因素影响的非线性混沌系统 作者提出一种将混沌理论和神经网 34 络相结合的方法用于短期负荷预测 预测结果表明该方法优于单纯使用神经网络的方 法 其思路为 利用混沌方法重构相空间系统吸引子 用前向神经网络拟合吸引子上 的的全局整体映射 构成了混合预测模型 将基于奇异值分解的噪声消减滤波算法应 用到数据的预处理中 并用混沌学习算法来训练神经网络参数 来达到提高学习速度 和预测精度的目的 2 电力系统短期负荷预测的流程 2 1 电力系统负荷的结构及其特点 2 1 1 电力系统负荷的结构 一个电力系统总是包含各种不同类型的负荷 而总的负荷预测也应该是各种类型 的负荷预测的总和 所以 对于电力系统负荷的结构应当有一个正确的了解 是完成 电力系统负荷预测工作的必要前提 电力系统负荷可以分为民用负荷 工业负荷 商业负荷 农村负荷以及其他负荷 等 类型不同的负荷有各自不同的变化规律和特点 民用负荷主要是城市人口的用电负荷 具体包括居民家中的空调 微波炉 电冰 箱 电视 电炉以及其它的家用电器设备等 其特点 具有经常性的年增长及明显的 随季节转变而变化的特点 而且与人们的日常工作 生活的规律密切相关 民用负荷 的年增长的特性与之对应是人们生活水平的逐渐增高 各种电器设备的广泛使用 使 得民用负荷占整个电力系统负荷的比例越来越大 而其季节性变化的特点在大多数情 况下 将直接影响电力系统峰值负荷的季节性变化 但其影响程度则取决于民用负荷 在电力系统负荷中所占的比例情况 特别是在我国经济高速发展的今天 许多先进家 用电器逐渐广泛地使用 使民用负荷在电力系统负荷中所占的比重 以及其季节性变 动特别是在夏季和冬季 对峰值负荷季节性变动的影响都会越来越大 以上民用负荷 10 39 的特点 尤其在我国大中城市的用电负荷调查中表现得特别明显 工业负荷则是指各厂矿用于工业生产的用电负荷 工业负荷有其自身的特点 一 般不受季节或气候变化的影响 通常组成电力系统负荷的基本负荷 但这并不是绝对 地说工业负荷一点也不受天气变化的影响 例如夏季高温期间 必将有为工人和设备 降温 防暑所采取的相关用电负荷 可是 从用电量的大小上相对很小的 商业负荷主要是为从事商业经营或围绕商业的其它的一些服务行业如 餐饮 娱 乐部门等提供照明 动力 通风和空调等用电负荷 其特点是具有季节性和易受天气 变化的影响 随着人们物质生活的同益丰富 生活质量地大大提高 加快了商业 餐 饮和娱乐等部门的发展 其用电负荷也随之加大 当然 商业负荷在电力系统负荷中 所占的比例是远远不及民用负荷和工业负荷 但是必须注意在电力系统每天晚高峰负 荷中商业负荷的影响也是相当大的 另外 在节假同时 其他用电负荷基本上处于较 低水平 而商业负荷却正是处于最高用电阶段 所以商业负荷在节假日必须引起充分 重视 农村负荷主要是广大农村所有的用电负荷 包括居民生活用电和从事农业生产相 关的用电 由于农业生产的特点决定了农业负荷易受地理 季节 气候等自然环境的 显著影响 例如 天气干燥 降水少的地方 农业生产用电较多 而气候适宜 降水 较多的地方相对来说 农业用电则较少 其他负荷则是包括市政用电 公用事业 政府办公 交通运输 通信信号 军事 用途等 此类负荷水平一般都是很小的 2 1 2 电力系统负荷的特点 首先 电力系统负荷具有实时变化的特点 由于电力生产的特点决定了整个生产 与消费必须同一瞬间完成 而多余的电力是无法存储的 所以电力系统的负荷大小决 定了电力生产多少 在上述负荷的结构中 我们不难看出由于各类负荷的特点导致了 各自有自己的变化规律 在各类负荷叠加后 总负荷仍然是变化的 而且是有时间规 律性的 但这种看似简单的 周期性的变化 并非简单的周期性重复 而是后一周期不仅 是数值上有细微改变 而且其改变量的大小是具有随机性的 从更长的电力系统历史 负荷曲线上观察 还能发现电力负荷还具有以周为周期 以月为周期甚至以年为周期 在短期电力负荷预测中 一般对以天或周为周期的负荷曲线进行研究 总的来说 电 力负荷变化的周周期曲线是十分明显的 在工作日的日负荷曲线较高 相对公休日的 负荷曲线则较低 这种规律完全是由于人们日常的工作与生活基本上以周为单位进行 的 所以从电力负荷性质上讲 用于工作目的生产负荷多 而用于公休日的商业负荷 多 生产负荷少 其次 电力系统负荷还具有连续性 这是指在电力负荷曲线上任意相邻两点之间 的变化是连续的 不存在任何奇点 保证系统安全运行 是对电力系统的最基本要求 11 39 所以如果电力负荷不稳定 经常跳跃变化 除电力系统发生较大的事故外 极易导致 系统不稳定 电压与周波达不到合格的质量标准 对广大电力用户和整个电力设施都 将是极大的危害 因此电力负荷的连续性特点是完全可以从对电力系统稳定性的要求 方面找到根本原因 而且在负荷曲线图上也表现为一根较为光滑的波形曲线 同时季节性变化也是电力系统负荷的特点之一 这是由于各类电力负荷的使用往 往与季节是紧密联系在一起的 正如在上述负荷的结构中所分析 民用负荷的大量增 长 尤其是家用电器如空调 取暖设备的广泛使用 这使得电力负荷的季节性日趋明 显 在天气温和 温度适宜的春秋季节 人们对工作和生活方面的条件要求较少 所 以这两季的负荷显然受季节性的影响小 相反 在天气炎热的夏天和寒冷的冬天 导 致温度变化大 人体适宜度低 大量空调或取暖设备的使用对电力负荷的影响很大 很多历史负荷曲线表明 电力系统的峰值负荷就是直接由于季节性的极端天气造成的 因此 电力负荷的季节性变化主要是针对在天气变化剧烈的夏季与冬季的负荷而言 最后 气候的变化极易影响电力系统负荷的大小 这里的气候的变化是不包含温 度的影响的 而是指临时的 短暂的天气变化如 风力风向 降水量 日照和湿度等 气候变化的影响往往在几天或几个月给于电力负荷以明显的影响 而几小时或一天内 的气候影响一般不是很突出的 一般来说 气候变化对电力负荷的影响 主要表现在 由于温度的改变而引起的负荷变化 只要温度的改变是较慢的 它对电力负荷的影响 也是不会突变的 当然 在现代的电力短期负荷预测中 不能不考虑气候变化的影响 事实上气候变化时 对电力负荷的影响是极其明显的 所以 对不同地区的气候实际 情况的不同 应该分别加以考虑和研究 比如 很多供电企业就建立了某些气候变量 风力 湿度等 与电力负荷的相关图表 再根据这些资料 预测未来的气候变化的负 荷就可以从图表中采用外推或内插法求得 总之 从电力系统负荷的结构和特点分析中 不难得出 电力负荷不但具有周期 性的特点 而且具有连续性和季节性 同时易受气候变化等因素的影响 另外 峰谷 电价的大范围推广将对电力负荷的结构和分布进行调整 于是 大中用户乃至广大居 民从电价差别上考虑 将用电负荷由电价高的时段转移到电价低的时段从而达到降低 生产成本 提高经济效益的目的 2 2 电力系统短期负荷预测 2 2 1 短期负荷预测的流程图 电力系统短期负荷预测一般是对月 周 天或小时 甚至几分钟的负荷进行预测 它既可以预测功率 也可以预测能量 但一般是以预测功率为主 短期负荷预测的一 个突出的特点 在对负荷进行预测前 都要对历史的负荷资料进行分析 而且也可以 只靠负荷的历史资料 就能完成未来某一时刻的负荷预测 从中我们可以看出 电力 负荷之间的时间距离越近关系越密切 即相似度越大 所以当负荷预测点距离历史数 据较远时 预测值的误差相对较大 而预测点距离历史负荷数据较近时则误差相对较 12 39 小 因此在进行负荷预测时 应尽可能采用靠近预测点近的历史数据 或者考虑对距 离预测点相对较近的历史数据 因其相似度越大 可以采用赋予一个较大的权重系数 来处理 相对较远的历史数据则相反 要对电力系统负荷进行科学的预测 不但要选择行之有效的预测方法和先进的新 思路 而且要从最基本的收集历史数据着手 进行必要的分析 研究与选择 这些看 似简单的工作却关系整个预测结果的成败 以下是短期负荷预测的基本流程图 收集历史复合数据 负荷数据的分析与选 取 负荷预测的预处理 建立负荷预测模型 模型辨识与参数估计 校正与改进模型 输出预测负荷值 负荷预测误差分 析 否 是 图 2 1 短期负荷预测的基本流程图 2 2 1 1 历史负荷数据的搜集 分析与选择 在确定预测对象后 就要多方面广泛地搜集历史资料 包括精确的历史负荷资料 和气象部门的历史天气资料 以及相应的社会发展资料 然后将其归类整理 分析和 研究 从中选出最新的 直接相关的一部分历史数据待用 其中需注意对所选的数据 进行必要地分析 数据是否具有前后连续性 是否准确无误 没有跃变 是否完整无 缺而需要添加新的数据等 这些基本工作是否完善 将会直接影响负荷预测的结果 2 2 1 2 历史负荷数据的预处理过程 当历史负荷数据的选取工作完成之后 是乎可以进行负荷预测 但实践证明 由 于种种原因历史负荷数据大都存在错误或缺损 盲目地引入预测只会导致错误的结果 这时候 就需要在选出的负荷数据上进行加工 完善 即数据的预处理 其基本的方 法有以下三种 1 数据的水平处理法 在研究历史负荷数据时 将相邻的前后两个时刻的负荷数据作为基准 设定一个 13 39 待处理数据的最大变化区间 这样 只要待处理的负荷数据超出此区间就认为是不良 数据 对此类数据可以采用取平均值的方法来纠正 其计算公式如下 L d t L d t 1 t 2 1 L d t L d t 1 t 2 2 当其中上式任意一方程满足时 则 2 1 1 tdLtdL tdL 式中 L d t 为第 d 天 t 时刻的历史负荷值 t t 为阀值 2 数据的垂直处理法 由于电力负荷具有周期性 若以天为周期 则认为不同日期的同一时刻的负荷数 据是具有相似度的 其两者的差距应该维持在一定的范围内 如果超出此范围的也可 以视为不良数据 作以下修正 当 L d t K t t 成立 2 4 那么 L d t K t t L d t K t 或者 L d t K t t L d t 0 且 A 1 B 0 BE AJ 3 22 W E W E InABA W J BR 最后 得到 ijij WW 3 23 ijijij WWW 1 在 3 23 式中 定义为跳跃因子 InABABE 于是 当跳跃因子 l 时 利用能量函数对权重值进行更新可以使得学习的速度 加快 由于在训练的初始阶段 输出误差 E 较大 此时也较大 从而可以加快误差 的下降速度 并且容易跳出局部极小点 当误差下降到较小值时 也较小 从而使 神经网络稳定地收敛 有效地避免了振荡现象 因此只要参数值 A 和 B 大小取得合适