翟瑋星

（國網(wǎng)浙江省電力公司寧波供電公司，浙江寧波315800）

基于卡爾曼濾波的短期負(fù)荷多步預(yù)測修正模型研究

翟瑋星

（國網(wǎng)浙江省電力公司寧波供電公司，浙江寧波315800）

提出了一種短期負(fù)荷多步預(yù)測的修正方法。首先采用BP神經(jīng)網(wǎng)絡(luò)法建立短期負(fù)荷的分時多步預(yù)測模型，對于每一個初始預(yù)測值，采用卡爾曼濾波模型進行修正，以減少模型的累積誤差，提高多步預(yù)測的效果。算例結(jié)果證明了所提方法不僅能夠提高單步預(yù)測的預(yù)測效果，而且能夠有效降低多步預(yù)測的誤差，對于實現(xiàn)連續(xù)日短期負(fù)荷預(yù)測具有現(xiàn)實意義。

卡爾曼濾波；短期負(fù)荷；多步預(yù)測；累積誤差；BP神經(jīng)網(wǎng)絡(luò)

0 引言

短期負(fù)荷預(yù)測是電力系統(tǒng)調(diào)度、運行、規(guī)劃等管理部門的重要工作之一[1]。對于發(fā)電機組最優(yōu)組合、經(jīng)濟調(diào)度、最優(yōu)潮流、電力市場交易等都有著重要的意義。負(fù)荷預(yù)測精度越高，越有利于提高發(fā)電機組的利用率和經(jīng)濟調(diào)度的有效性[2]。

短期負(fù)荷預(yù)測的研究已有很長歷史，目前的預(yù)測方法主要有時間序列法[3]，智能類算法[4-5]和組合方法[6]。而其中智能類算法中的神經(jīng)網(wǎng)絡(luò)方法以其高魯棒性、自學(xué)習(xí)、任意逼近等優(yōu)點得到了廣泛的研究與應(yīng)用。在此，以BP神經(jīng)網(wǎng)絡(luò)方法建立短期負(fù)荷的分時預(yù)測模型。

分時預(yù)測模型是指以同一時刻不同日的負(fù)荷序列為基礎(chǔ)，對每個時刻分別建立預(yù)測模型。因此每個模型只要一步預(yù)測就可以實現(xiàn)日負(fù)荷曲線的預(yù)測。而將一步預(yù)測的預(yù)測值視為真實值，重新代入模型預(yù)測下一日同一時刻的負(fù)荷值，這樣就實現(xiàn)了多步預(yù)測，即可以預(yù)測連續(xù)多日負(fù)荷曲線。而這種循環(huán)假設(shè)也將每一步的預(yù)測誤差引入模型，使得模型的累積誤差越來越大，最終可能導(dǎo)致預(yù)測失敗。因此提高單步預(yù)測的精度，降低累積誤差，是實現(xiàn)多步預(yù)測的直接而有效的方法。

卡爾曼濾波采用狀態(tài)方程和觀測方程組成的線性隨機系統(tǒng)的狀態(tài)空間模型來描述濾波器，以最小均方差來估計系統(tǒng)狀態(tài)的計算方法，即通過將前一時刻預(yù)報誤差反饋到原來的預(yù)報方程中，及時修正預(yù)測方程系數(shù)，以提高下一時刻的預(yù)報精度[7]。因此以下嘗試采用卡爾曼濾波方法，建立預(yù)測值與真實值間的狀態(tài)模型，計算初始預(yù)測值的最優(yōu)估計，進而對多步預(yù)測模型進行修正，提高預(yù)測精度。實際電網(wǎng)數(shù)據(jù)的仿真結(jié)果顯示了所提方法的有效性。

1 卡爾曼濾波算法

卡爾曼濾波是Kalman于1960年提出的關(guān)于遞歸解決線性離散數(shù)據(jù)濾波器的濾波算法?？紤]線性離散時間系統(tǒng)[8]：

式中：x為n×1維的狀態(tài)變量；A（k+1，k）為n×n維的狀態(tài)轉(zhuǎn)移矩陣；B（k）為n×r維的輸入噪聲轉(zhuǎn)移矩陣；ω（k）為r×1維的輸入噪聲；y為m×1維的測量矢量；C（k）為m×n維的測量矩陣；σ（k）為m×1維的測量噪聲。

假設(shè)狀態(tài)方程的輸入噪聲和測量噪聲是互不相關(guān)、均值為零的獨立白噪聲，卡爾曼濾波器遞推公式如下。

狀態(tài)估計值為：

狀態(tài)估計誤差方差為：

濾波增益矩陣為：

狀態(tài)預(yù)報值為：

狀態(tài)預(yù)報誤差方差為：

式中：I為單位矩陣。初始條件為：

通常情況下，可選x0=0，P0=cI，這里c為一足夠大的常數(shù)，以便能夠包含初始估計誤差的最大變化范圍。

2 多步預(yù)測修正模型的建立

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型采用多輸入單輸出的網(wǎng)絡(luò)結(jié)構(gòu)，輸入變量主要考慮了相鄰日同時刻的歷史負(fù)荷、日類型及當(dāng)日最高氣溫這3類數(shù)據(jù)。具體輸入輸出映射關(guān)系見表1。表中y（t，d）表示第d天第t時刻的負(fù)荷值，x（·）與y（·）的表示方式一致；T（d）表示由氣象部門預(yù)報所得第d天的日最高氣溫；D表示日類型。

表1中共9個輸入變量，則BP網(wǎng)絡(luò)的輸入神經(jīng)元個數(shù)取9，中間層神經(jīng)元個數(shù)根據(jù)經(jīng)驗公

表1 預(yù)測模型的映射關(guān)系

式取2×9+1=19個。

2.2 卡爾曼濾波修正模型的建立

以同一時刻不同日的負(fù)荷序列為依據(jù)預(yù)測該時刻下一個負(fù)荷值時，可以將該序列看成是一個緩變的狀態(tài)[8]，因此修正模型的狀態(tài)方程可以采用如下表示方法：

式中：h（k）為一步狀態(tài)轉(zhuǎn)移矩陣；b（k）為輸入噪聲轉(zhuǎn)移矩陣；ω（k）為服從高斯分布的白噪聲。

由于狀態(tài)量x（k）是一維變量，上式中h（k）和b（k）為一具體的數(shù)，其值可以通過回歸方程求得。

對于測量方程，由于要對預(yù)測值進行最優(yōu)估計，因此可以將多步預(yù)測模型的預(yù)測值作為測量變量。預(yù)測值與真實值之間不僅有白噪聲，還有模型本身的系統(tǒng)誤差等其他干擾因素，將所有干擾歸于一項來處理，反映到測量方程中如下式：

y（k）=C（k）x（k）+V（k）σ（k），（8）式中：V（k）σ（k）為包括系統(tǒng)誤差在內(nèi)的所有隨機干擾項。

同樣，式中的C（k）與V（k）可以通過建立回歸方程求得。在建立了以上狀態(tài)方程和測量方程后，就可以應(yīng)用式（2）—（6）式計算負(fù)荷預(yù)測值的最優(yōu)估計，對多步預(yù)測模型進行修正。圖1為基于卡爾曼濾波的多步預(yù)測修正模型的流程。

3 實例分析

為了檢驗所提算法的有效性，以寧波某區(qū)域2013年的288點日負(fù)荷（每5 min采樣1個負(fù)荷值）、日最高氣溫、日類型數(shù)據(jù)為依據(jù)，建立模型進行實例仿真。用連續(xù)3個月的負(fù)荷數(shù)據(jù)作為待預(yù)測時刻的訓(xùn)練數(shù)據(jù)，采用交叉驗證法求得每日的負(fù)荷預(yù)測值作為修正模型的測量，將每日修正后的最終預(yù)測值重新代入模型來預(yù)測下一日的負(fù)荷值，依次循環(huán)，直至達(dá)到確定的預(yù)測步數(shù)。采用相對誤差與平均絕對百分比誤差作為模型的評價函數(shù)，計算公式如下：

相對誤差

圖1 卡爾曼濾波修正的多步預(yù)測

平均絕對百分比誤差

場所依戀和偏好與自我恢復(fù)感知的關(guān)系如表4所示。可以看出,場所依戀和偏好與自我恢復(fù)感知均表現(xiàn)出顯著的相關(guān)性,說明場所依戀和偏好對自我恢復(fù)力感知有顯著的影響,這與以往研究的結(jié)論是相同的[26-27],同時,也進一步說明了自我恢復(fù)量表的有效性。

式中：yf與yt分別為負(fù)荷預(yù)測值和真實值；n為預(yù)測的負(fù)荷數(shù)，即對于日負(fù)荷來說n=288。

圖2給出了3月11日的一步預(yù)測結(jié)果。由圖2可以看出，對于一步預(yù)測，經(jīng)過卡爾曼濾波修正后的負(fù)荷曲線更加逼近真實負(fù)荷值，特別對于初始預(yù)測誤差較大的時刻點，通過修正，能明顯提高預(yù)測精度，改善預(yù)測效果。

圖2 3月11日負(fù)荷預(yù)測

圖3中的誤差曲線也證明了這一點，其中經(jīng)過修正后，最大相對誤差由6.54%下降到4.17%，而MAPE則由1.94%下降到1.06%。值得注意的是，也有個別時刻負(fù)荷初次預(yù)測精度較高，通過修正反而使預(yù)測精度有所降低，這有待于后期繼續(xù)分析研究。

圖3 3月11日的預(yù)測誤差及修正誤差

表2給出了對3月12日到18日分別進行一步預(yù)測的MAPE對比結(jié)果，說明應(yīng)用卡爾曼濾波的修正模型，能夠在BP網(wǎng)絡(luò)的預(yù)測精度基礎(chǔ)上，進一步提高日負(fù)荷曲線的整體預(yù)測精度。

表2 3月12—18日負(fù)荷曲線預(yù)測的MAPE %

圖4給出了對于零點時刻進行10步預(yù)測所得3月11日到20日的負(fù)荷曲線圖。由圖看出，修正后的預(yù)測值更趨近于真實值。圖5的MAPE由4.22%下降到2.75%，這對于連續(xù)多步預(yù)測來說，修正效果還是比較理想的。

圖4 3月11—20日零點負(fù)荷值

表3列出了一天中部分時刻預(yù)測的MAPE。由表3可以看出，對于初始預(yù)測誤差較大的時刻，通過修正，預(yù)測效果會有明顯改善，而初始預(yù)測效果越好，修正的能力也就相對降低?？傮w來說，采用卡爾曼濾波對BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值進行修正，該方法是可行的。

表3 不同時刻多步預(yù)測結(jié)果%

4 結(jié)論

提出了應(yīng)用卡爾曼濾波方法修正BP神經(jīng)網(wǎng)絡(luò)模型，以提高一步預(yù)測及多步預(yù)測的效果。

（1）卡爾曼濾波修正模型能在BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度的基礎(chǔ)上進一步提高一步預(yù)測的精度，較好地滿足電力部門對日負(fù)荷曲線預(yù)測的精度要求。

（2）對于多步預(yù)測，卡爾曼濾波模型改善預(yù)測精度的效果較為理想，對實現(xiàn)連續(xù)多日負(fù)荷曲線預(yù)測有較大幫助。

（3）卡爾曼濾波模型的修正能力與初始預(yù)測效果密切相關(guān)。初始預(yù)測誤差越大，修正的效果越趨顯著；但也存在個別預(yù)測點由于初次預(yù)測精度較高，修正后預(yù)測精度反而有所降低，這也是對修正模型的優(yōu)化進一步分析研究的方向。

[1]牛東曉，曹樹華，盧建昌，等．電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用[M]．北京：中國電力出版社，2009．

[2]康重慶，夏清，劉梅．電力系統(tǒng)負(fù)荷預(yù)測[M]．北京：中國電力出版社，2007．

[3]HONGTZERYANG，CHAOMINGHUANG．Anew short－term load forecasting approach using self－organizing fuzzy ARMAX models[J]．IEEE Transactions on Power Systems，1998，13（1）∶217－225．

[4]李林川，王立成．應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進行短期負(fù)荷預(yù)測[J]．電力系統(tǒng)及其自動化學(xué)報，1994，6（3）∶33－41．

[5]李云飛，黃彥全，蔣功連．基于PCA－SVM的電力系統(tǒng)短期負(fù)荷預(yù)測[J]．電力系統(tǒng)及其自動化學(xué)報，2007，19（5）∶66－70．

[6]陳偉．電力系統(tǒng)短期負(fù)荷預(yù)測組合模型研究[D]．武漢：華中科技大學(xué)電氣學(xué)院，2007．

[7]趙攀，戴義平，夏俊榮，等．卡爾曼濾波修正的風(fēng)電場短期功率預(yù)測模型[J]．西安交通大學(xué)學(xué)報，2011，45（5）∶47－51．

[8]李明干，孫健利，劉沛．基于卡爾曼濾波的電力系統(tǒng)短期負(fù)荷預(yù)測[J]．繼電器，2004，32（4）∶9－12．

（本文編輯：楊勇）

下期要目

●自然積污絕緣子污閃電壓變異系數(shù)的統(tǒng)計分析

●短路限流器配置與優(yōu)化

●電動汽車V2G接入電網(wǎng)負(fù)荷分析

●基于查表法的混合輸電線路行波故障測距方法

●基于可靠性成本與效益的10 kV饋線分段開關(guān)優(yōu)化配置研究

●汽輪機高壓調(diào)閥中分面漏汽原因分析及改進

●濕法脫硫系統(tǒng)的節(jié)能降耗優(yōu)化措施

●IEC 61850過程層網(wǎng)絡(luò)冗余報文捕獲分析工具開發(fā)

●依托村級便民中心開展供電服務(wù)工作的實踐

●一起軟導(dǎo)線引下線風(fēng)偏放電事故的分析與改進措施

Study on Modified Model for Multi-step Forecasting of Short-term load Based on Kalman Filter

ZHAI Weixing
（State Grid Ningbo Power Supply Company，Ningbo Zhejiang 315800，China）

This paper proposes a modified method for multi-step forecasting of short-term load.Firstly，the BP neural network method is adopted to establish time-sharing and multi-step forecasting model of short-term load；then Kalman filter model is utilized to modify each initial forecast value to reduce the cumulative error of the model and improve multi-step forecasting.The calculation example result demonstrates that the proposed method can not only improve forecasting of single-step forecasting but effectively reduce multi-step forecasting errors；it is of operation significance for consecutive daily short-term load forecasting.

Kalman filter；short-term load；multi-step forecasting；cumulative error；BP neural network

TM715

：A

：1007-1881（2014）07-0020-04

2014-03-25

翟瑋星（1985-），男，陜西鳳翔人，碩士研究生，工程師，研究方向為電網(wǎng)調(diào)度自動化、負(fù)荷預(yù)測、風(fēng)電功率預(yù)測等。