許 剛,吳舜裕

(華北電力大學(xué) 電氣與電子工程學(xué)院,北京 102206)

0 概述

區(qū)域負(fù)荷指配電網(wǎng)中以饋線分段開關(guān)或聯(lián)絡(luò)開關(guān)圍成的小范圍用電區(qū)域[1]。區(qū)別于傳統(tǒng)電網(wǎng)負(fù)荷特征,區(qū)域電網(wǎng)內(nèi)的負(fù)荷受時(shí)間、地區(qū)、用電性質(zhì)、氣候以及突發(fā)性事件等客觀因素的影響較大[2],易形成多個(gè)趨勢拐點(diǎn)降低預(yù)測精度,從而進(jìn)一步影響ADN控制策略的精確性。因此,區(qū)域負(fù)荷超短期預(yù)測對實(shí)施有效的配網(wǎng)運(yùn)行控制具有較為顯著的影響,是主動(dòng)配電網(wǎng)實(shí)時(shí)協(xié)同運(yùn)行控制以及自愈控制的關(guān)鍵技術(shù)之一[3]。

現(xiàn)有的超短期負(fù)荷預(yù)測方法主要可分為線性外推、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)以及大數(shù)據(jù)挖掘等[4]。文獻(xiàn)[5]應(yīng)用灰色模型縱向預(yù)測和橫向趨勢外推修正的方法,對負(fù)荷最新發(fā)展趨勢進(jìn)行更新,實(shí)現(xiàn)超短期負(fù)荷預(yù)測。文獻(xiàn)[6]采用模糊加權(quán)最小二乘向量機(jī)法,并考慮預(yù)測點(diǎn)與歷史負(fù)荷數(shù)據(jù)之間的影響關(guān)系,根據(jù)“近大遠(yuǎn)小”原則,提出了超短期負(fù)荷預(yù)測方法。文獻(xiàn)[7]在短期負(fù)荷預(yù)測的基礎(chǔ)上,考慮突發(fā)事件、日期類型等因素,提出超短期預(yù)測方法,較好地解決了負(fù)荷拐點(diǎn)的預(yù)測精度問題。文獻(xiàn)[8]為解決最小二乘支持向量機(jī)(Least Squares Support Vector Machine,LSSVM)參數(shù)對預(yù)測精度的影響以及單一模型預(yù)測誤差高的問題,提出了由集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)與LSSVM組成的預(yù)測模型,并通過貝葉斯推理確定模型參數(shù),實(shí)現(xiàn)了家庭負(fù)荷的超短期負(fù)荷預(yù)測。文獻(xiàn)[9-10]分別采用RBF與小波神經(jīng)網(wǎng)絡(luò)建立了負(fù)荷預(yù)測模型。文獻(xiàn)[11]運(yùn)用大數(shù)據(jù)技術(shù),提出基于隨機(jī)森林算法的并行負(fù)荷預(yù)測方法,并通過將負(fù)荷影響因素分析與預(yù)測并行化處理,提升預(yù)測模型大數(shù)據(jù)處理與計(jì)算能力。然而,由于區(qū)域負(fù)荷水平較低,人員構(gòu)成相對簡單,其對部分外界因素(氣象、時(shí)間、日期類型等)變化更為敏感,易出現(xiàn)負(fù)荷突升、突降等現(xiàn)象?，F(xiàn)有研究成果在預(yù)測過程中對負(fù)荷變化特征實(shí)時(shí)跟隨方面尚存在一定欠缺,對存在較為頻繁的功率突升、突降以及多功率拐點(diǎn)的區(qū)域負(fù)荷預(yù)測不完全適用。

針對區(qū)域負(fù)荷在變化過程中易出現(xiàn)多個(gè)波峰、波谷以及趨勢拐點(diǎn)等特征,為提升超短期預(yù)測精度與穩(wěn)定性,本文提出金字塔結(jié)構(gòu)自適應(yīng)滾動(dòng)淘汰機(jī)制下的區(qū)域負(fù)荷超短期預(yù)測策略。通過灰色關(guān)聯(lián)分析提取與區(qū)域負(fù)荷趨勢具有顯著相關(guān)性的客觀因素作為學(xué)習(xí)樣本,加快算法計(jì)算速度。利用自適應(yīng)增強(qiáng)隨機(jī)權(quán)網(wǎng)絡(luò)(Adaptive Boosting Random Weighted Network,Ada-RWN)對學(xué)習(xí)過程中的樣本權(quán)重進(jìn)行自適應(yīng)調(diào)整,改變神經(jīng)網(wǎng)絡(luò)初始值分布,提高全局最優(yōu)解逼近效率。同時(shí),在預(yù)測過程中保留精度最高的若干模型作為備選集,滾動(dòng)淘汰預(yù)測精度較低的預(yù)測模型,提升算法對區(qū)域負(fù)荷趨勢變化特征的適應(yīng)性,并保證負(fù)荷預(yù)測精度的穩(wěn)定性。

1 區(qū)域負(fù)荷特征分析

相對于傳統(tǒng)負(fù)荷,區(qū)域負(fù)荷供電范圍較小,其功率水平對日期類型、環(huán)境因素等客觀因素變化也更為敏感。同時(shí),由于區(qū)域負(fù)荷受用戶主觀行為影響較大,負(fù)荷水平發(fā)展趨勢會出現(xiàn)一定的發(fā)散性特征,即實(shí)時(shí)功率與歷史功率之間的關(guān)聯(lián)性較弱。此外,相對于傳統(tǒng)負(fù)荷日功率曲線一般只受節(jié)假日類型影響,區(qū)域負(fù)荷一周7 d的負(fù)荷曲線也會呈現(xiàn)不同的變化特征。以下通過將區(qū)域負(fù)荷數(shù)據(jù)與比利時(shí)電力傳輸供應(yīng)商Elia所提供的配網(wǎng)運(yùn)行實(shí)時(shí)功率數(shù)據(jù)(15 min)進(jìn)行對比,分析區(qū)域負(fù)荷在波動(dòng)性、趨勢慣性以及周負(fù)荷特征方面的差異。

1)波動(dòng)性與慣性

負(fù)荷波動(dòng)性指在一定時(shí)間周期內(nèi),負(fù)荷功率與對應(yīng)周期內(nèi)平均功率之間的偏離程度。具體在負(fù)荷變化過程中表現(xiàn)為,負(fù)荷曲線峰谷差以及波峰、波谷數(shù)量等特征。慣性指負(fù)荷水平變化過程中,其趨勢的發(fā)散性特征。

以圖1所示同一日區(qū)域負(fù)荷與Elia負(fù)荷數(shù)據(jù)為例,將負(fù)荷數(shù)據(jù)分別歸一化后,對比區(qū)域負(fù)荷與傳統(tǒng)負(fù)荷變化特征。

圖1 日負(fù)荷曲線對比

如圖1所示為區(qū)域負(fù)荷與配電網(wǎng)負(fù)荷數(shù)據(jù)經(jīng)歸一化后的變化趨勢對比。區(qū)域負(fù)荷與普通配電網(wǎng)負(fù)荷在峰谷差、峰谷數(shù)量等方面存在較大差別。普通負(fù)荷的變化趨勢通常較為平穩(wěn),負(fù)荷峰谷差大約只有30%左右。而區(qū)域日負(fù)荷具有多個(gè)明顯的波峰、波谷,且峰谷差約為90%。同時(shí),在負(fù)荷變化過程中,區(qū)域負(fù)荷在一定時(shí)間段內(nèi)會出現(xiàn)多個(gè)極值,形成功率拐點(diǎn),對負(fù)荷預(yù)測精度的穩(wěn)定性造成較大影響。

相對波動(dòng)性指標(biāo)(Relative Volatility Index,RVI)用于分析數(shù)據(jù)序列的發(fā)散趨勢。RVI指標(biāo)越大,則代表對應(yīng)負(fù)荷序列的相對波動(dòng)性越強(qiáng),其計(jì)算方法如式(1)所示。

(1)

其中,p1、pend、pmax、pmin分別為負(fù)荷序列中的首尾值以及最大負(fù)荷、最小負(fù)荷。

根據(jù)式(1)對圖1的負(fù)荷曲線進(jìn)行相對波動(dòng)性計(jì)算可得,區(qū)域負(fù)荷與Elia負(fù)荷的RVI指標(biāo)分別為0.157 1、0.135 1。由此可見,在區(qū)域負(fù)荷變化過程中,其負(fù)荷水平呈現(xiàn)更強(qiáng)的發(fā)散特征,即后一時(shí)段的負(fù)荷水平與歷史負(fù)荷之間的關(guān)聯(lián)性較弱。

2)周負(fù)荷特征

圖2與圖3為區(qū)域負(fù)荷與Elia負(fù)荷歸一化后7 d樣本數(shù)據(jù)。通過對比曲線對比特征可知,區(qū)域負(fù)荷一周內(nèi)的負(fù)荷曲線雖然存在一定相似性,但每天的負(fù)荷水平、拐點(diǎn)、波動(dòng)性等均存在較大差異。而Elia配電網(wǎng)的負(fù)荷曲線則明顯形成工作日與周末2種負(fù)荷變化類型,且日期類型的負(fù)荷水平、變化趨勢基本重合。因此,相對于傳統(tǒng)負(fù)荷具有較為明顯的日期類型關(guān)聯(lián)特征,區(qū)域負(fù)荷在同類日期類型下,同樣可能形成趨勢各異的功率曲線,其負(fù)荷水平隨著外界條件與工作日程的變化而形成多種變化模式,并形成多個(gè)負(fù)荷拐點(diǎn),降低了負(fù)荷預(yù)測精度與穩(wěn)定性。

圖2 區(qū)域周負(fù)荷曲線

圖3 Elia周負(fù)荷曲線

2 超短期負(fù)荷預(yù)測模型

2.1 自適應(yīng)增強(qiáng)隨機(jī)權(quán)網(wǎng)絡(luò)

與中短期負(fù)荷類似,超短期負(fù)荷同樣受到天氣、社會活動(dòng)和節(jié)假日等因素的影響,在時(shí)間序列上表現(xiàn)為非平穩(wěn)的隨機(jī)過程,但是影響系統(tǒng)負(fù)荷的各因素中大部分具有規(guī)律性,與負(fù)荷數(shù)據(jù)有較強(qiáng)的關(guān)聯(lián)特性,從而為實(shí)現(xiàn)有效數(shù)據(jù)的提取提供了可能[12-13]。因此,為提升預(yù)測模型訓(xùn)練速度,采用灰色關(guān)聯(lián)分析區(qū)域負(fù)荷數(shù)據(jù)與氣象數(shù)據(jù)之間的關(guān)聯(lián)性,提取負(fù)荷敏感因素[14-15]。

采用圖4所示隨機(jī)擇取網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)權(quán)權(quán)重的方法提升計(jì)算速度[16-17]。

圖4 單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

(2)

Hβ=T

(3)

(4)

即:

(5)

其中,‖·‖F(xiàn)表示矩陣的Frobenius范數(shù)。

由此,可得方程組的最小二乘解:

(6)

由于區(qū)域負(fù)荷變化趨勢慣性較低,為更好識別預(yù)測日負(fù)荷趨勢變化模式,將若干局部樣本學(xué)習(xí)的隨機(jī)權(quán)網(wǎng)絡(luò)模型合并為全樣本加強(qiáng)學(xué)習(xí)的集成模式,即自適應(yīng)增強(qiáng)隨機(jī)權(quán)網(wǎng)絡(luò)模型(Ada-RWN)。通過自適應(yīng)調(diào)整學(xué)習(xí)過程中的樣本權(quán)重值,合并多個(gè)初值不同的隨機(jī)權(quán)網(wǎng)絡(luò),提升全部最優(yōu)值的求解效率。

(7)

隨機(jī)權(quán)網(wǎng)絡(luò)fiter的樣本訓(xùn)練誤差為:

(8)

由err的大小實(shí)現(xiàn)對訓(xùn)練樣本權(quán)重的自適應(yīng)性更新,有:

(9)

(10)

2.2 金字塔滾動(dòng)淘汰機(jī)制

區(qū)域負(fù)荷趨勢在發(fā)展過程中由于受客觀條件的影響較大,使得其趨勢慣性較弱。例如在辦公區(qū)域中,工作日程或天氣突變均可能導(dǎo)致后續(xù)負(fù)荷趨勢變化模式與歷史變化模式不同。針對該變化特征,構(gòu)建圖5所示金字塔結(jié)構(gòu)負(fù)荷預(yù)測模型滾動(dòng)淘汰機(jī)制,實(shí)現(xiàn)對負(fù)荷變化模式的自適應(yīng)調(diào)整,提升預(yù)測精度及其穩(wěn)定性。

圖5 金字塔滾動(dòng)淘汰機(jī)制示意圖

如圖5所示,負(fù)荷超短期預(yù)測滾動(dòng)淘汰機(jī)制由頂層預(yù)測模型F與l層備選預(yù)測模型構(gòu)成。其中,備選模型層中預(yù)測模型個(gè)數(shù)為rl,且rl≥rl-1。為保證所采用預(yù)測模型的精度穩(wěn)定性,所構(gòu)建金字塔采用自下而上逐層競選的模式。在負(fù)荷預(yù)測過程中,當(dāng)下層預(yù)測模型連續(xù)δ個(gè)預(yù)測點(diǎn)精度高于上一層某個(gè)預(yù)測模型時(shí),則2個(gè)模型的所屬層次進(jìn)行互換。同時(shí),引入末尾淘汰機(jī)制保證金字塔中預(yù)測模型的更新率。

圖6所示為滾動(dòng)淘汰機(jī)制下的區(qū)域負(fù)荷超短期預(yù)測流程,所提超短期負(fù)荷預(yù)測流程分為3個(gè)部分:模型訓(xùn)練,預(yù)測精度統(tǒng)計(jì)與對比,金字塔滾動(dòng)淘汰。其中,金字塔滾動(dòng)淘汰又可分為:1)末尾淘汰;2)頂層替換;3)層間更新。設(shè)預(yù)測精度統(tǒng)計(jì)周期為δ,以t至t+δ時(shí)滾動(dòng)淘汰過程為例,分別論述滾動(dòng)淘汰3個(gè)部分的實(shí)行機(jī)制。

如圖6所示,頂層替換與層間更新均經(jīng)過各自更新判定與模型選擇2個(gè)環(huán)節(jié)。以層間更新為例,其運(yùn)作過程分為2個(gè)過程:1)判斷是否進(jìn)行模型更新,形成邏輯判斷結(jié)果Y3與N3;2)根據(jù)Y3與N3,進(jìn)行層間更新->金字塔更新選擇器。在金字塔更新過程中,若判斷某一層的預(yù)測模型精度低于下層模型,則將對應(yīng)的2個(gè)模型進(jìn)行所屬層次調(diào)換,并形成邏輯條件Y3。此時(shí),對應(yīng)的選擇器開關(guān)也切換至Y3側(cè),并輸出相應(yīng)的變化結(jié)果至金字塔模型,形成更新后的金字塔模型。

金字塔滾動(dòng)淘汰過程中各環(huán)節(jié)具體運(yùn)作機(jī)制與判定原則如下所述:

1)末尾淘汰

t時(shí)刻,根據(jù)模型訓(xùn)練流程形成新的自適應(yīng)增強(qiáng)隨機(jī)權(quán)網(wǎng)絡(luò)預(yù)測模型Ft。t+δ時(shí)刻,將模型Ft與第3層中備用預(yù)測模型在δ時(shí)間段內(nèi)的預(yù)測精度進(jìn)行對比,若存在一個(gè)備用模型Fn3的預(yù)測精度統(tǒng)計(jì)值小于模型Ft的精度,則刪除使用Ft替換Fn3;否則,刪除模型Ft。

2)頂層替換

設(shè)實(shí)際負(fù)荷預(yù)測值有模型F輸出。與末尾淘汰的機(jī)制相似,若存在金字塔備用模型中第1層的預(yù)測模型Fn1在周期δ內(nèi)的預(yù)測精度統(tǒng)計(jì)值高于F,則模型F與模型Fn1互換所屬層位置,即在t+1時(shí)刻采用模型Fn1進(jìn)行負(fù)荷預(yù)測并輸出結(jié)果。

3)層間更新

層間更新只發(fā)生在相鄰備用層之間,即1、2層之間更新,2、3層之間更新。其更新機(jī)制與前文的末尾淘汰、頂層更新具有一定相似性,只有相鄰層間模型的預(yù)測精度在統(tǒng)計(jì)周期δ內(nèi)出現(xiàn)下層模型精度高于上層模型時(shí),將對應(yīng)的2個(gè)模型所述層級進(jìn)行互換。限定只有相鄰層間的模型才能進(jìn)行層間更新的目的是為了保證只有預(yù)測精度穩(wěn)定性最高的預(yù)測模型才能逐步提升其所屬層級,并最終成為預(yù)測模型。

3 仿真分析

為驗(yàn)證所提自適應(yīng)滾動(dòng)淘汰機(jī)制下的區(qū)域負(fù)荷超短期預(yù)測精度及其穩(wěn)定性,以某高校一年的負(fù)荷作為實(shí)驗(yàn)對象進(jìn)行超短期負(fù)荷預(yù)測。所用數(shù)據(jù)采樣間隔為5 min,一天共288個(gè)數(shù)據(jù)點(diǎn)。滾動(dòng)淘汰過程中,為保證預(yù)測速度,設(shè)定淘汰周期為20 min,即δ=4。由于高校教學(xué)在工作日與雙休日、節(jié)假日等休息日有較大變化,將日期類型設(shè)為工作日與休息日2類,即有W={1,2}。激活函數(shù)選用Sigmodal函數(shù),即G(x)=1/(1+e-x)。在對歷史數(shù)據(jù)的離線學(xué)習(xí)中,隱層神經(jīng)元數(shù)量為N=15,權(quán)值調(diào)節(jié)步長為a=0.15,調(diào)節(jié)系數(shù)取λ=0.995,初始化樣本集合的權(quán)重分布為全1分布,循環(huán)次數(shù)上限為200。在滾動(dòng)淘汰過程中,為保證計(jì)算效率與預(yù)測精度的穩(wěn)定性,設(shè)定第l層備用層的模型數(shù)量為2l個(gè)。在本文負(fù)荷預(yù)測過程中,為保證算法運(yùn)行速度與預(yù)測精度,設(shè)定l=3。

以平均溫度、最高溫度、最低溫度、氣壓、平均濕度、平均風(fēng)速、雨量、輻射度這8個(gè)因素作為關(guān)聯(lián)分析輸入,計(jì)算各氣象數(shù)據(jù)與負(fù)荷變化之間的關(guān)聯(lián)性,得到圖7所示的關(guān)聯(lián)度分布。

圖7所示為各氣象因素與區(qū)域負(fù)荷變化趨勢的關(guān)聯(lián)系數(shù)分布,關(guān)聯(lián)系數(shù)越趨近于1,則代表該氣象因素對負(fù)荷變化的影響越大。其中,平均溫度、最高溫度、最低溫度、平均濕度、平均風(fēng)速這5個(gè)指標(biāo)明顯高于其他3個(gè)氣象數(shù)據(jù),因此取其作為預(yù)測模型的輸入量,進(jìn)行預(yù)測模型訓(xùn)練。

以某學(xué)校部分教學(xué)樓作為區(qū)域負(fù)荷預(yù)測實(shí)驗(yàn)樣本數(shù)據(jù),對該負(fù)荷一周的用電功率進(jìn)行預(yù)測,得到圖8所示的預(yù)測結(jié)果。

圖8 一周區(qū)域負(fù)荷超短期預(yù)測結(jié)果

如圖8所示,區(qū)域負(fù)荷由于其供電范圍較小,在用電高峰期間出現(xiàn)多次功率突升與突降現(xiàn)象,具有多個(gè)明顯的功率拐點(diǎn)。然而,在采用所提滾動(dòng)淘汰機(jī)制進(jìn)行區(qū)域負(fù)荷超短期預(yù)測后可較好地跟隨負(fù)荷功率變化趨勢,且未出現(xiàn)明顯預(yù)測誤差。預(yù)測結(jié)果顯示所提算法具有較好的預(yù)測精度。

將周區(qū)域負(fù)荷數(shù)據(jù)作為實(shí)驗(yàn)對象,對比所提方法與改進(jìn)灰色模型(IGM)[5]、自適應(yīng)雙向加權(quán)最小二乘支持向量機(jī)模型(ABW-LSSVM)[6]以及集合經(jīng)驗(yàn)?zāi)B(tài)分解與最小二乘支持向量機(jī)組合預(yù)測模型(EEMD-LSSVM)[8]3種典型超短期預(yù)測方法,驗(yàn)證本文方法的有效性。

為衡量本文方法對預(yù)測精度的有益效果,采用預(yù)測值絕對平均百分比誤差(MAPE)與均方根誤差(RMSE)衡量預(yù)測精度。計(jì)算方法如式(11)、式(12)所示。

(11)

其中,x與x0指負(fù)荷預(yù)測值與真實(shí)值,k為預(yù)測樣本負(fù)荷點(diǎn)個(gè)數(shù)。

(12)

其中,pfore、preal分別為區(qū)域負(fù)荷預(yù)測值與真實(shí)值序列。

對預(yù)測結(jié)果進(jìn)行統(tǒng)計(jì)分析,得到表1所示不同預(yù)測模型下的性能對比。

表1 區(qū)域周負(fù)荷超短期預(yù)測性能對比

由表1可知,所提區(qū)域負(fù)荷超短期預(yù)測方法的絕對平均百分比誤差與均方根誤差處于較低水平,具有較高的預(yù)測精度。

進(jìn)一步分析周負(fù)荷超短期預(yù)測結(jié)果中同一時(shí)刻不同方法的誤差分布情況,得到圖9所示的誤差分布情況。

圖9 負(fù)荷預(yù)測誤差分布對比

圖9所示為本文所提預(yù)測方法與其他文獻(xiàn)3種方法預(yù)測絕對百分比誤差的散點(diǎn)對比圖,每一個(gè)散點(diǎn)對應(yīng)一個(gè)時(shí)刻預(yù)測結(jié)果的絕對百分比誤差?？v坐標(biāo)為本文方法,橫坐標(biāo)分別為3種對比方法結(jié)果。由圖9(a)、圖9(b)可知,對應(yīng)方法的預(yù)測誤差分布更偏向于誤差較高的方向。對比絕對百分比誤差大于5%的預(yù)測點(diǎn),IGM與ABW-LSSVM的分布密度明顯較高。由圖9(c)可知,雖然本文方法的最大誤差略大于EEMD-LSSVM方法(均處于5%附近)。但誤差處于3%～4%、4%～5%區(qū)間的點(diǎn),EEMS-LSSVM的分布密度均大于本文方法。由此可見,雖然本文方法預(yù)測結(jié)果存在部分時(shí)刻的預(yù)測精度不高,可總體來說,本文方法預(yù)測誤差較低點(diǎn)的分布密度均高于對比方法,平均預(yù)測誤差也低于對比方法。為進(jìn)一步驗(yàn)證算法預(yù)測精度的穩(wěn)定性,計(jì)算不同方法的絕對百分比誤差的均方差值來表示不同誤差的離散程度,以得到區(qū)域負(fù)荷水平變化頻繁情況下算法預(yù)測精度的穩(wěn)定性。IGM、ABW-LSSVM、EEMD-LSSVM以及本文方法絕對百分比誤差的均方差分別為1.84、1.62、1.19、0.97。

以預(yù)測精度最高的EEMD-LSSVM方法與本文所提方法預(yù)測結(jié)果作為對比,對比金字塔淘汰預(yù)測的過程及其優(yōu)勢。由于在用電低谷部分負(fù)荷波動(dòng)較低,各方法預(yù)測精度均較好。因此,以部分用電高峰期8∶00—17∶00的預(yù)測結(jié)果作為實(shí)驗(yàn)對比,如圖10所示。

圖10 用電高峰期模型滾動(dòng)淘汰示例

圖10所示為EEMD-LSSVM方法與本文方法預(yù)測曲線的對比,引線所指為金字塔進(jìn)行頂層模型替換的預(yù)測點(diǎn)。模型替換的原則為當(dāng)發(fā)現(xiàn)現(xiàn)有預(yù)測模型最近3個(gè)預(yù)測點(diǎn)的預(yù)測精度平均值小于下層模型,則進(jìn)行模型替換動(dòng)作。如圖10所示,在預(yù)測過程中,金字塔結(jié)構(gòu)總共進(jìn)行了4次頂層模型替換動(dòng)作。以第2次模型替換動(dòng)作為例,在模型替換前,由于區(qū)域負(fù)荷變化趨勢出現(xiàn)突變,預(yù)測模型的精度出現(xiàn)連續(xù)下降現(xiàn)象。此時(shí)金字塔模型中下層預(yù)測模型的預(yù)測統(tǒng)計(jì)精度高于當(dāng)時(shí)正在使用的預(yù)測模型。因此,進(jìn)行了頂層模型替換工作。頂層模型替換后,預(yù)測精度得到了明顯的改善。對比同時(shí)段EEMD-LSSVM方法,該模型由于無法及時(shí)適應(yīng)區(qū)域負(fù)荷變化特征,在后續(xù)時(shí)刻出現(xiàn)了較大的預(yù)測精度不穩(wěn)定現(xiàn)象。由此可證明,本文方法可有效提升模型對區(qū)域負(fù)荷變化趨勢突變的適應(yīng)性,提高預(yù)測精度穩(wěn)定性。

通過上述論述可知,本文方法的優(yōu)勢主要體現(xiàn)在:1)對區(qū)域負(fù)荷的預(yù)測精度較高,即MAPE較小;2)預(yù)測誤差較為穩(wěn)定,不會出現(xiàn)較大波動(dòng),即誤差離散度(均方差)較小;3)對于負(fù)荷變化拐點(diǎn)附近的精度較高,可有效降低負(fù)荷趨勢突變對預(yù)測精度的影響。

4 結(jié)束語

為抑制區(qū)域負(fù)荷弱趨勢性對負(fù)荷預(yù)測精度的影響,本文提出了自適應(yīng)滾動(dòng)淘汰機(jī)制下的超短期負(fù)荷預(yù)測方法。通過灰色關(guān)聯(lián)分析提取與區(qū)域負(fù)荷關(guān)聯(lián)特征較大的客觀因素,提高模型運(yùn)算速度。然后利用樣本權(quán)重自適應(yīng)調(diào)整,實(shí)現(xiàn)對區(qū)域負(fù)荷變化趨勢與拐點(diǎn)的有效把握。在此基礎(chǔ)上進(jìn)一步加入滾動(dòng)淘汰機(jī)制,采用預(yù)測模型定期更新淘汰的方法,降低區(qū)域負(fù)荷特征變化對預(yù)測精度的影響,增強(qiáng)超短期預(yù)測精度的穩(wěn)定性。本文方法可為主動(dòng)配電網(wǎng)區(qū)域能量優(yōu)化、運(yùn)行管理策略等提供良好的數(shù)據(jù)支撐作用,提升區(qū)域電網(wǎng)運(yùn)行的經(jīng)濟(jì)性與穩(wěn)定性。

[1] 劉 健,勾新鵬,徐精求,等.基于區(qū)域負(fù)荷的配電網(wǎng)超短期負(fù)荷預(yù)測[J].電力系統(tǒng)自動(dòng)化,2003,27(19):34-37.

[2] 甘 雯.小負(fù)荷大波動(dòng)地區(qū)短期負(fù)荷預(yù)測模型研究[D].杭州:浙江大學(xué),2007.

[3] 王娟娟,王宏安.基于多智能體混合調(diào)度的電網(wǎng)自愈系統(tǒng)[J].計(jì)算機(jī)研究與發(fā)展,2017,54(4):720-730.

[4] 姚佳馨,田慧欣.基于改進(jìn)數(shù)據(jù)驅(qū)動(dòng)子空間算法的電力負(fù)荷預(yù)測[J].計(jì)算機(jī)工程,2015,41(5):311-315.

[5] 張紅旭,姚建剛,曹 偉,等.基于改進(jìn)灰色模型的超短期負(fù)荷預(yù)測[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2009,21(6):74-77.

[6] 王 崗,姜 杰,唐昆明,等.基于自適應(yīng)雙向加權(quán)最小二乘支持向量機(jī)的超短期負(fù)荷預(yù)測[J].電力系統(tǒng)保護(hù)與控制,2010,38(19):142-146.

[7] 路 軼,王民昆.基于短期負(fù)荷預(yù)測的超短期負(fù)荷預(yù)測曲線外推法[J].電力系統(tǒng)自動(dòng)化,2006,30(16):102-104.

[8] 王 新,孟玲玲.基于EEMD-LSSVM的超短期負(fù)荷預(yù)測[J].電力系統(tǒng)保護(hù)與控制,2015,43(1):61-66.

[9] ZHANG Yun,QUAN Zhou,SUN Caixin,et al.RBF Neural Network and ANFIS-based Short-term Load Forecasting Approach in Real-time Price Environment[J].IEEE Transactions on Power Systems,2008,23(3):853-858.

[10] GUAN C,LUH P B,MICHEL L D,et al.Very Short-term Load Forecasting:Wavelet Neural Networks with Data Pre-filtering[J].IEEE Transactions on Power Systems,2013,28(1):30-41.

[11] 王德文,孫志偉.電力用戶側(cè)大數(shù)據(jù)分析與并行負(fù)荷預(yù)測[J].中國電機(jī)工程學(xué)報(bào),2015,35(3):527-537.

[12] 何耀耀,聞才喜,許啟發(fā),等.考慮溫度因素的中期電力負(fù)荷概率密度預(yù)測方法[J].電網(wǎng)技術(shù),2015,39(1):176-181.

[13] 曾 鳴,呂春泉,田 廓,等.基于細(xì)菌群落趨藥性優(yōu)化的最小二乘支持向量機(jī)短期負(fù)荷預(yù)測方法[J].中國電機(jī)工程學(xué)報(bào),2011,31(34):93-99.

[14] 馬星河,閆炳耀,唐云峰,等.基于優(yōu)選組合預(yù)測技術(shù)的中長期負(fù)荷預(yù)測[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2015,27(6):62-67.

[15] 莫若慧,符子星,曾 炎,等.臺風(fēng)天氣下電網(wǎng)負(fù)荷對氣象因素的敏感度分析[J].南方電網(wǎng)技術(shù),2015,9(2):79-83.

[16] PAO Yoh-Han,PARK Gwang-Hoon,SOBAJIC D J.Learning and Generalization Characteristics of the Random Vector Functional-link Net[J].Neurocom-puting,1994,6(2):163-180.

[17] IGELNIK B,PAO Y H.Stochastic Choice of Basis Functions in Adaptive Function Approximation and the Functional-link Net[J].IEEE Transactions on Neural Networks,1995,6(6):1320-1329.