張賀龍，楊俊杰

（上海電力學(xué)院，上海 200090）

1 小波分解方法概述

小波分解方法具有較強(qiáng)的衰減性和波動(dòng)性特征，其振幅具有正負(fù)相間的震蕩形式。與Fourier變換相比，小波變換是時(shí)間頻率具備局部化特點(diǎn)，它通過伸縮平移運(yùn)算對(duì)信號(hào)逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分，低頻處頻率細(xì)分，能自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求，從而可聚焦到信號(hào)的任意細(xì)節(jié)，解決了Fourier變換的困難問題，成為繼Fourier變換在科學(xué)方法上的重大突破[1]。從數(shù)學(xué)角度看，信號(hào)與圖像處理可以統(tǒng)一看作是信號(hào)處理，在小波分析的應(yīng)用過程中，對(duì)電力負(fù)荷的預(yù)測(cè)和分析都可以歸結(jié)為信號(hào)處理問題。但是，在實(shí)際應(yīng)用中絕大多數(shù)信號(hào)是非穩(wěn)定的，與常規(guī)的神經(jīng)網(wǎng)絡(luò)分析方法相比，小波分析更為適用[2]。

2 電力負(fù)荷的類別劃分

第一，將時(shí)間的長短作為劃分電力負(fù)荷的依據(jù)，可將其劃分為長期電力負(fù)荷、中期電力負(fù)荷和短期電力負(fù)荷集中類型。短期電力負(fù)荷是指一天到一周內(nèi)的負(fù)荷，中期電力負(fù)荷涵蓋未來幾周到幾個(gè)月期間的負(fù)荷總量，長期電力負(fù)荷囊括了未來一年的電力負(fù)荷。

第二，將用電部門的差異性作為劃分電力負(fù)荷的標(biāo)準(zhǔn)，能夠?qū)㈦娏ω?fù)荷分為商業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷、工業(yè)負(fù)荷以及民用負(fù)荷等幾種常見類型。在工業(yè)電力負(fù)荷中，重工業(yè)用電負(fù)荷占據(jù)了較大的比重。商業(yè)負(fù)荷是指各個(gè)企業(yè)空調(diào)、機(jī)器以及照明設(shè)備所耗費(fèi)的電力負(fù)荷，呈現(xiàn)明顯的季節(jié)性變化特點(diǎn)，節(jié)假日成為影響商業(yè)電力負(fù)荷的主要因素。農(nóng)業(yè)負(fù)荷是指農(nóng)業(yè)種植生產(chǎn)所耗費(fèi)的電能，與天氣和降水具有較強(qiáng)的相關(guān)性。民用電力負(fù)荷是指農(nóng)村和城鎮(zhèn)居民在日常生活中家電使用和取暖所耗費(fèi)的電能。

第三，將電力負(fù)荷的特性作為劃分依據(jù)，可將電力負(fù)荷劃分為最高負(fù)荷、最低負(fù)荷、高峰負(fù)荷、低谷負(fù)荷集中類型。

第四，將用電途徑作為劃分電力負(fù)荷的依據(jù)，可將電力負(fù)荷劃分為通信用電、站名用電、電熱用電以及動(dòng)力用電等幾種常見形式。

3 電力負(fù)荷預(yù)測(cè)的影響因素

第一，氣象條件是電力負(fù)荷預(yù)測(cè)準(zhǔn)確性的主要影響因素之一。氣候條件主要包含溫度和濕度等。伴隨著家用電器的普及，民用電力負(fù)荷已成為總體電力負(fù)荷中占比較高的類型。溫度變化情況與電力負(fù)荷的總量產(chǎn)生了直接影響。例如，在冬季溫度較低的動(dòng)機(jī)和溫度較高的夏季，居民需要啟動(dòng)空調(diào)取暖和降溫，從而導(dǎo)致電力負(fù)荷總量的增加；而在春秋溫度適宜的季節(jié)則不會(huì)出現(xiàn)用電負(fù)荷驟增的現(xiàn)象。

第二，通常情況下，在法定假日民用負(fù)荷和商用負(fù)荷的總量會(huì)呈現(xiàn)驟升驟降趨勢(shì)；而工業(yè)用電負(fù)荷則會(huì)出現(xiàn)顯著下降情況。究其原因，節(jié)假日期間，工廠和企業(yè)大多放假，而居民為了慶祝節(jié)日，往往會(huì)選擇外出就餐和游玩，從而導(dǎo)致商用負(fù)荷的增加。與工作日相比，周六和周日的民用負(fù)荷總量增加也十分明顯。

第三，突發(fā)事件也會(huì)在一定程度上導(dǎo)致用電負(fù)荷總量的增加。受計(jì)劃檢修、限制供電以及突發(fā)事故的影響，會(huì)形成對(duì)日常供電的干擾。例如，輸電線路突然發(fā)生故障，會(huì)導(dǎo)致用電負(fù)荷異常下降，這也對(duì)未來一段時(shí)間內(nèi)用電負(fù)荷預(yù)測(cè)的準(zhǔn)確性產(chǎn)生了嚴(yán)重影響。

4 基于小波分解的短期電力負(fù)荷智能預(yù)測(cè)

4.1 樣本選擇

目前，技術(shù)領(lǐng)域所進(jìn)行的模型樣本根據(jù)預(yù)測(cè)方案和預(yù)測(cè)流程，通常選擇歷史符合預(yù)測(cè)模型樣本，同時(shí)對(duì)模型進(jìn)行日符合情況預(yù)測(cè)。對(duì)于短期電力負(fù)荷來說，這種模型方式能夠結(jié)合歷史數(shù)據(jù)信息，形成相對(duì)精準(zhǔn)的預(yù)測(cè)方案。在模型中，樣本內(nèi)容的選擇主要來自于歷史負(fù)荷數(shù)據(jù)和相似日負(fù)荷數(shù)據(jù)樣本兩種。其中，相似日歷史負(fù)荷數(shù)據(jù)樣本精準(zhǔn)化特殊，因此選定了歷史數(shù)據(jù)樣本信息要求具備檢索、篩選等能力，保證相似日所產(chǎn)生的歷史負(fù)荷數(shù)據(jù)能夠充分代表某一類電力活動(dòng)中的電力負(fù)荷狀態(tài)，模型對(duì)該狀態(tài)所具有的普遍性進(jìn)行研究，最終得到模型預(yù)測(cè)結(jié)論。在以往的理論研究中，研究者提出借助人工神經(jīng)網(wǎng)絡(luò)的方式，對(duì)歷史數(shù)據(jù)樣本進(jìn)行檢索和分析，從而得到相似日的選取方案。人工神經(jīng)網(wǎng)絡(luò)中的應(yīng)用層，可以對(duì)大量歷史數(shù)據(jù)樣本進(jìn)行訓(xùn)練，從而獲取到歷史數(shù)據(jù)中的電力負(fù)荷規(guī)律。然而，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)法進(jìn)行的樣本監(jiān)測(cè)和訓(xùn)練，無法反映新樣本的加入。因此，在電力負(fù)荷預(yù)測(cè)分析中，難以分析變化活動(dòng)電中活躍的新負(fù)荷變化情況和電力系統(tǒng)受到氣候環(huán)境因素所產(chǎn)生的負(fù)荷條件變動(dòng)情況。為了彌補(bǔ)這一缺陷，筆者在進(jìn)行樣本分析方案選擇時(shí)，選定了具有應(yīng)用優(yōu)勢(shì)和應(yīng)用經(jīng)驗(yàn)的映射算法，通過映射算法對(duì)樣本數(shù)據(jù)進(jìn)行選取，映射算法能夠完成不同日之間的對(duì)照，從而形成特征量分析結(jié)果。分析結(jié)果可以借助映射邏輯進(jìn)行數(shù)據(jù)庫統(tǒng)計(jì)，對(duì)所選小波分解智能模型建設(shè)具有一定的幫助[3]。

4.2 映射庫建立

映射算法在短期電力負(fù)荷的預(yù)測(cè)模型中，主要通過構(gòu)件映射庫的方式，對(duì)歷史數(shù)據(jù)樣本進(jìn)行統(tǒng)計(jì)。而在樣本數(shù)據(jù)統(tǒng)計(jì)內(nèi)部，映射庫可以直接進(jìn)行相似日的因素考量，包括氣象因素、特殊日期因素、星期、星期差、天氣類型等，可以在映射庫中找到對(duì)應(yīng)的數(shù)據(jù)內(nèi)容。而氣象因素中所包含的溫度信息、濕度信息、風(fēng)力風(fēng)向信息等，都需要在映射庫中借助特征量量綱完成統(tǒng)計(jì)。模型在進(jìn)行映射庫設(shè)置時(shí)，應(yīng)當(dāng)根據(jù)量綱的特點(diǎn)，運(yùn)用不同量綱值實(shí)現(xiàn)無量綱化的統(tǒng)計(jì)，進(jìn)而完成對(duì)不同區(qū)間的映射。在映射邏輯中，各個(gè)量之間能夠在數(shù)值上擁有可對(duì)比性，模型則能夠根據(jù)對(duì)比分析，完成對(duì)映射庫與實(shí)際預(yù)測(cè)對(duì)象的定量計(jì)算，獲取二者之間的差異度和相似性。在進(jìn)行模型設(shè)定中，要根據(jù)映射數(shù)據(jù)庫的實(shí)際要求，分別進(jìn)行原始定量和轉(zhuǎn)化分類定量兩個(gè)類型的指標(biāo)建設(shè)[4]。其中，原始定量指標(biāo)主要是指自然環(huán)境變化規(guī)律所代表的相似日指標(biāo)，包含溫濕度信息、降水量信息、風(fēng)力信息等自然信息。通過信息統(tǒng)計(jì)，完成映射數(shù)據(jù)庫指標(biāo)建立。轉(zhuǎn)化分類的定量指標(biāo)主要以相似日特征量為指標(biāo)設(shè)定內(nèi)容，其中，日期差、日分類、星期分類等都可作為轉(zhuǎn)化定量指標(biāo)納入到映射數(shù)據(jù)庫中。

4.3 智能預(yù)測(cè)

模型為了能夠完成對(duì)于短期電力負(fù)荷的智能預(yù)測(cè)，需要進(jìn)行巨量歷史數(shù)據(jù)的建模和預(yù)處理。在實(shí)際的模型中，歷史數(shù)據(jù)一般利用電量變送器和調(diào)度系統(tǒng)進(jìn)行傳輸和采集，部分電力系統(tǒng)內(nèi)部由于人為管理因素的影響，歷史負(fù)荷數(shù)據(jù)往往表現(xiàn)出集中在某一天或某幾天的波動(dòng)，從而使得數(shù)據(jù)丟失或者數(shù)據(jù)失真，以至于預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)相差巨大。因此，模型在進(jìn)行數(shù)據(jù)預(yù)處理之前，需要完成數(shù)據(jù)加工，通過篩選手段，對(duì)巨量歷史數(shù)據(jù)中存在的不規(guī)則數(shù)據(jù)進(jìn)行去除，填補(bǔ)其存在缺失的數(shù)據(jù)，再借助函數(shù)分析，清除模型中的不良影響，獲得異動(dòng)數(shù)據(jù)垂直處理后的平滑曲線，保障數(shù)據(jù)信息的真實(shí)性。

映射數(shù)據(jù)庫需要根據(jù)已知的、完成預(yù)處理的數(shù)據(jù)進(jìn)行樣本選擇，樣本選擇需要與應(yīng)設(shè)法的邏輯一致。在模型中，數(shù)據(jù)預(yù)測(cè)樣本選擇一般遵守“近大遠(yuǎn)小”的原則，通過對(duì)已知日設(shè)定為待選日，并結(jié)合天氣類型、星期類型、氣候環(huán)境因素等進(jìn)行因素分析，將待選日的影響因素映射到映射量表中。模型需要通過對(duì)映射量表中的數(shù)據(jù)進(jìn)行歸一化處理，避免數(shù)據(jù)分析與樣本預(yù)測(cè)出現(xiàn)計(jì)算飽和問題。通過歸一化處理后的負(fù)荷數(shù)據(jù)需要維持在[0，1]，并借助歸一化公式對(duì)負(fù)荷數(shù)據(jù)中t時(shí)刻進(jìn)行計(jì)算。

本次模型所進(jìn)行的小波分析，主要借助具有支撐性和高正則性的小波函數(shù)daubechies，對(duì)于映射庫中的歷史數(shù)據(jù)進(jìn)行三級(jí)小波分解，利用分解方式能夠?qū)⒄`差控制在最低，再通過多次數(shù)據(jù)，將db4小波基進(jìn)行三尺度分解，從而獲取到四個(gè)子序列。其中，一個(gè)子序列作為低頻序列，通過濾除法，對(duì)序列中存在的高頻分量和奇異值進(jìn)行濾除，從而還原數(shù)據(jù)樣本的變化本質(zhì)。其他三組序列則為高頻細(xì)節(jié)序列，四組序列能夠直接以各分量的分解形態(tài)呈現(xiàn)出不同周期規(guī)律，并以實(shí)際負(fù)荷曲線的方式，完成對(duì)于短期電力負(fù)荷的智能預(yù)測(cè)。

4.4 實(shí)例論證

為了判斷模型的應(yīng)用方式和預(yù)測(cè)能力，通過對(duì)某電網(wǎng)負(fù)荷數(shù)據(jù)進(jìn)行統(tǒng)計(jì)的方式，完成了對(duì)電網(wǎng)電力運(yùn)行過程中短期負(fù)荷情況的預(yù)測(cè)。在預(yù)測(cè)過程中，映射數(shù)據(jù)庫主要借助日負(fù)荷準(zhǔn)確率作為模型預(yù)測(cè)結(jié)果，通過運(yùn)用小波回歸分析方法，對(duì)一周內(nèi)每一天的電力負(fù)荷情況做出預(yù)測(cè)，并與實(shí)際的電力負(fù)荷情況進(jìn)行對(duì)比。對(duì)比結(jié)果顯示：小波回歸分析法所進(jìn)行的預(yù)測(cè)平均準(zhǔn)確率可達(dá)98%以上，準(zhǔn)確率極高。

5 結(jié) 論

綜上所述，建立在小波分解法的基礎(chǔ)上，對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)，具有較高的準(zhǔn)確性。有助于形成電力部門科學(xué)調(diào)度的參考依據(jù)，為社會(huì)民眾提供源源不斷的電能，提升供電的持續(xù)性和安全性，滿足社會(huì)民眾的用電需求。