蔡秋娜，張喬榆，劉思捷，閆斌杰，趙燃，易江文，賀哲

(1.廣東電網(wǎng)有限責(zé)任公司電力調(diào)度控制中心，廣東 廣州 510600；2.北京清能互聯(lián)科技有限公司，北京 100080)

母線負(fù)荷預(yù)測(cè)是提高電網(wǎng)調(diào)度水平的重要環(huán)節(jié)，也是現(xiàn)貨市場(chǎng)環(huán)境下節(jié)點(diǎn)電價(jià)定價(jià)的關(guān)鍵依據(jù)，因此對(duì)市場(chǎng)環(huán)境下的母線負(fù)荷預(yù)測(cè)進(jìn)行研究尤為必要[1-2]。大量的研究表明，母線負(fù)荷預(yù)測(cè)雖然具有負(fù)荷預(yù)測(cè)的共性特征，但與系統(tǒng)負(fù)荷預(yù)測(cè)相比，卻具有鮮明的個(gè)性特征，如量大面廣、負(fù)荷基數(shù)較小及易受氣象因素變化影響等[3-5]。

針對(duì)母線負(fù)荷預(yù)測(cè)的預(yù)測(cè)精度方面，學(xué)術(shù)界開展了大量研究。文獻(xiàn)[6]基于預(yù)測(cè)有效度構(gòu)建了馬爾科夫-云模型，實(shí)現(xiàn)了對(duì)母線負(fù)荷進(jìn)行變權(quán)重組合預(yù)測(cè)，但所提模型的泛化能力及與實(shí)際區(qū)域情況的結(jié)合程度較低，難以滿足實(shí)際應(yīng)用需求。文獻(xiàn)[7]針對(duì)母線負(fù)荷基數(shù)較小、易受區(qū)域氣象因素影響的特征，提出了基于數(shù)值天氣預(yù)報(bào)的母線負(fù)荷預(yù)測(cè)方法，實(shí)現(xiàn)了與實(shí)際地理氣象因素的緊密關(guān)聯(lián)，但所提方法考慮的影響因素仍然較為單一，難以適應(yīng)當(dāng)前及未來(lái)電力市場(chǎng)環(huán)境下母線負(fù)荷的預(yù)測(cè)要求。文獻(xiàn)[8]基于新能源出力特征，采用兩階段還原法對(duì)母線凈負(fù)荷進(jìn)行預(yù)測(cè)，所得結(jié)果雖然具有較強(qiáng)的解析性，但新能源體量相對(duì)較小且其出力規(guī)律不顯著，難以確保相應(yīng)負(fù)荷的預(yù)測(cè)效果。

綜上所述，當(dāng)前對(duì)母線負(fù)荷預(yù)測(cè)的研究主要集中在負(fù)荷預(yù)測(cè)方法及母線負(fù)荷組成成分方面，但對(duì)于單一、分離的母線負(fù)荷進(jìn)行預(yù)測(cè)分析，所得結(jié)果難以滿足準(zhǔn)確性、適用性及可解析性的需求；同時(shí)，母線負(fù)荷變化受到多個(gè)方面因素影響，各因素間的協(xié)同互動(dòng)關(guān)系也是母線負(fù)荷預(yù)測(cè)需要考慮的部分。值得注意的是，隨著全國(guó)范圍的電力市場(chǎng)開展，用戶用電行為受政策指引及市場(chǎng)電價(jià)波動(dòng)影響將會(huì)更加顯著，實(shí)時(shí)電價(jià)與負(fù)荷關(guān)系密切，電價(jià)的波動(dòng)會(huì)迅速傳遞到用戶端，從而導(dǎo)致敏感用戶的負(fù)荷變化[9]，這也是當(dāng)前母線負(fù)荷預(yù)測(cè)研究中需要考慮的問(wèn)題。

針對(duì)上述問(wèn)題，本文提出了一種考慮多因素影響的母線負(fù)荷預(yù)測(cè)方法，以得到貼合未來(lái)現(xiàn)貨市場(chǎng)運(yùn)行的母線負(fù)荷預(yù)測(cè)，為調(diào)度計(jì)劃制定和現(xiàn)貨市場(chǎng)穩(wěn)定運(yùn)行提供有力支撐。

1 市場(chǎng)環(huán)境下考慮多因素影響的母線負(fù)荷預(yù)測(cè)方法總體框架

本文所提的考慮多因素影響的母線負(fù)荷預(yù)測(cè)總體框架如圖1所示，該方法主要分為4個(gè)部分，即：

圖1 所提方法的總體框架

a)數(shù)據(jù)預(yù)處理。提出適用于電力市場(chǎng)環(huán)境下母線負(fù)荷預(yù)測(cè)的數(shù)據(jù)需求庫(kù)；針對(duì)數(shù)據(jù)樣本中的空缺、零值等異常情況進(jìn)行填補(bǔ)和修正，從而保持其在時(shí)間序列上的連續(xù)性；同時(shí)，采用max-min方法對(duì)數(shù)據(jù)樣本進(jìn)行歸一化處理，以加強(qiáng)各樣本類別間的可比性。

b)考慮氣象因素的母線負(fù)荷預(yù)測(cè)。首先，對(duì)預(yù)處理后的數(shù)據(jù)應(yīng)用k-means算法進(jìn)行聚類分簇，得到各負(fù)荷類型的聚類中心，并以此為基準(zhǔn)曲線；然后，針對(duì)基準(zhǔn)曲線采用皮爾遜相關(guān)系數(shù)進(jìn)行氣象相關(guān)性分析，篩選出負(fù)荷敏感的氣象因素；最后，應(yīng)用支持向量機(jī)(support vector machine, SVM)模型對(duì)各類型負(fù)荷總和進(jìn)行預(yù)測(cè)，從而綜合得到母線負(fù)荷的初步預(yù)測(cè)結(jié)果。

c)考慮市場(chǎng)因素的母線負(fù)荷修正?；诟黝愗?fù)荷的基準(zhǔn)曲線，結(jié)合總體電價(jià)響應(yīng)特性及時(shí)間-電價(jià)差響應(yīng)特性分析其與電價(jià)的互動(dòng)關(guān)系，建立電價(jià)響應(yīng)模型對(duì)母線負(fù)荷的初步預(yù)測(cè)結(jié)果進(jìn)行實(shí)時(shí)電價(jià)響應(yīng)修正，以使預(yù)測(cè)值更加貼近現(xiàn)貨市場(chǎng)環(huán)境下的實(shí)際情況。

d)預(yù)測(cè)結(jié)果綜合分析。針對(duì)加和還原的母線負(fù)荷預(yù)測(cè)結(jié)果，比對(duì)實(shí)際母線負(fù)荷數(shù)據(jù)，采用平均絕對(duì)值百分比誤差模型來(lái)評(píng)價(jià)其預(yù)測(cè)效果[10]。

2 數(shù)據(jù)預(yù)處理

2.1 考慮多因素影響的母線負(fù)荷預(yù)測(cè)數(shù)據(jù)需求庫(kù)

首先明確適用于市場(chǎng)環(huán)境下母線負(fù)荷預(yù)測(cè)所需的數(shù)據(jù)庫(kù)，主要包括了與母線負(fù)荷預(yù)測(cè)相關(guān)的多元數(shù)據(jù)，涵蓋了地理和氣象、市場(chǎng)價(jià)格、用戶行為和特性、電網(wǎng)結(jié)構(gòu)信息以及母線歷史負(fù)荷數(shù)據(jù)等，具體如圖2所示。

圖2 考慮多因素影響的母線負(fù)荷預(yù)測(cè)數(shù)據(jù)需求庫(kù)

在本文所提的方法中，預(yù)測(cè)對(duì)象為母線上的不同類型負(fù)荷，為充分分析其與多元影響因素的相關(guān)性，本文選取地理氣象類和用戶市場(chǎng)類因素信息，其中地理氣象數(shù)據(jù)主要包括各地區(qū)最高/最低溫度、相對(duì)濕度、平均溫度和降雨量；用戶市場(chǎng)類信息主要有日內(nèi)各時(shí)段電價(jià)曲線、用戶特征負(fù)荷曲線等。

2.2 樣本數(shù)據(jù)預(yù)處理

由于測(cè)量或傳輸方面的原因，采集得到的樣本數(shù)據(jù)特別是母線歷史負(fù)荷數(shù)據(jù)，常常會(huì)出現(xiàn)異常現(xiàn)象，如空缺、零值、連續(xù)值和跳躍值等，對(duì)此，本文采用拉格朗日插值法進(jìn)行異常修正[11-13]。

此外，應(yīng)用SVM模型進(jìn)行母線負(fù)荷預(yù)測(cè)時(shí)，綜合負(fù)荷和氣象等因素構(gòu)建了一個(gè)統(tǒng)一的輸入矢量；同時(shí)為了處理輸入矢量中不同數(shù)量級(jí)和不同量綱的變量，需要對(duì)輸入矢量中的各變量數(shù)據(jù)進(jìn)行統(tǒng)一化處理，對(duì)此，本文采用max-min方法對(duì)其進(jìn)行歸一化處理，即

(1)

3 考慮氣象因素的母線負(fù)荷預(yù)測(cè)

利用k-means聚類算法把各母線底下的用戶負(fù)荷劃分為不同類別，選取各類別的聚類中心作為基準(zhǔn)比對(duì)對(duì)象；基于天氣預(yù)報(bào)模式的數(shù)值天氣預(yù)報(bào)，通過(guò)相關(guān)性分析得到待預(yù)測(cè)日各類別負(fù)荷的敏感氣象因子，并篩選出氣象敏感類負(fù)荷和常規(guī)負(fù)荷；針對(duì)氣象敏感類負(fù)荷應(yīng)用SVM進(jìn)行回歸預(yù)測(cè)，而對(duì)常規(guī)負(fù)荷則采用時(shí)序外推的方法進(jìn)行預(yù)測(cè)，從而綜合得到母線負(fù)荷的初步預(yù)測(cè)結(jié)果。

3.1 k-means聚類算法原理

k-means算法屬于無(wú)監(jiān)督學(xué)習(xí)類算法，其思想可概述為：首先隨機(jī)選取k個(gè)初始聚類中心，每一個(gè)聚類中心代表一類數(shù)據(jù)集簇；然后將數(shù)據(jù)點(diǎn)劃分到最近的數(shù)據(jù)簇；最后重新計(jì)算數(shù)據(jù)簇中心點(diǎn)，直到聚類準(zhǔn)則函數(shù)收斂[14]。其中收斂函數(shù)

(2)

式中：E為相應(yīng)樣本經(jīng)聚類劃分后所得的平方誤差；C={C1,C2,…,Ci,…,Ck}為聚類簇，i=1,2,…,k；ν為相應(yīng)簇Ci內(nèi)數(shù)據(jù)點(diǎn)；ui為簇Ci的均值量，即該簇的聚類中心，如下式所示：

(3)

本文主要應(yīng)用k-means算法進(jìn)行用戶負(fù)荷的類別劃分，因此式(2)中的ν對(duì)應(yīng)各用戶負(fù)荷樣本數(shù)據(jù)。一般來(lái)說(shuō)，式(2)從空間維度上刻畫了數(shù)據(jù)點(diǎn)對(duì)聚類中心的緊密程度，E值越小則相應(yīng)聚類簇內(nèi)數(shù)據(jù)樣本相似度越高。

3.2 負(fù)荷氣象因素關(guān)聯(lián)分析

母線負(fù)荷的組成成分較為多樣，研究表明其受溫度及濕度等氣象因素影響明顯[15]，因此可通過(guò)引入相關(guān)系數(shù)來(lái)直觀表現(xiàn)母線負(fù)荷成分與氣象影響因素間的相關(guān)程度。相關(guān)性分析的是負(fù)荷和氣象因子間的波動(dòng)相似程度，負(fù)荷序列與氣象因子序列相關(guān)性越高則說(shuō)明負(fù)荷受氣象影響越強(qiáng)烈。對(duì)此，本文采用皮爾遜相關(guān)系數(shù)來(lái)量化分析負(fù)荷與氣象因素間的相關(guān)性，即

(4)

式中：cov(X,Y)為X與Y序列的協(xié)方差；σX、σY為X、Y序列的對(duì)應(yīng)標(biāo)準(zhǔn)差；X對(duì)應(yīng)著各負(fù)荷類別的基準(zhǔn)曲線值；Y對(duì)應(yīng)著氣象因素，主要包括最高/最低溫度、相對(duì)濕度、平均溫度及降雨量等。

3.3 SVM算法原理

SVM是計(jì)算機(jī)科學(xué)中進(jìn)行數(shù)據(jù)分析和模式識(shí)別的一種監(jiān)督學(xué)習(xí)方法，可用于分類和回歸分析。標(biāo)準(zhǔn)的SVM屬于非概率二元線性分類，假設(shè)給定一系列訓(xùn)練樣本，每個(gè)樣本都屬于2種類別的其中一類，則SVM訓(xùn)練算法會(huì)建立一個(gè)將新的輸入樣本分配到其中一個(gè)類別中的模型。SVM模型是樣本點(diǎn)在空間上的表象，對(duì)其建立映射并且使分類別中的樣本能夠通過(guò)盡可能寬的清晰界面得到區(qū)別，新的樣本也將映射到相同的空間中，并預(yù)測(cè)其將落入到分界面的哪一側(cè)。

分開平面內(nèi)可分的2類樣本點(diǎn)有無(wú)數(shù)種方法，而SVM則致力于尋求最佳的分類方法。對(duì)于二維平面中的直線，其表達(dá)式為

y=wTx+b.

(5)

式中：x、y分別為輸入量和輸出量，w為權(quán)重向量，b為常數(shù)。其中，w和b可用極小化目標(biāo)函數(shù)來(lái)估計(jì)，其目標(biāo)函數(shù):

(6)

s.t.yi(wTxi+b)-1≥0,i=1,…,l.

(7)

式中：yi為第i個(gè)樣本點(diǎn)的輸出量；xi為第i個(gè)樣本點(diǎn)的輸入量；l為樣本點(diǎn)總數(shù)。

目標(biāo)函數(shù)的可行域?yàn)橥辜?，因此它是一個(gè)凸二次規(guī)劃，對(duì)此可通過(guò)構(gòu)造廣義拉格朗日函數(shù)來(lái)求解，且求解問(wèn)題可轉(zhuǎn)化為

(8)

式中：L()為拉格朗日函數(shù)；ai為拉格朗日乘子，且ai≥0；a為ai的集合。

SVM算法的應(yīng)用主要是為了實(shí)現(xiàn)對(duì)各類別總負(fù)荷值的預(yù)測(cè)，因此上文中的y對(duì)應(yīng)待預(yù)測(cè)的類別總負(fù)荷，x對(duì)應(yīng)根據(jù)對(duì)應(yīng)類別負(fù)荷的敏感氣象因子和負(fù)荷信息所構(gòu)建的綜合輸入量。

4 考慮市場(chǎng)因素的母線負(fù)荷修正

實(shí)時(shí)電價(jià)實(shí)行后，用戶可根據(jù)各時(shí)段的電價(jià)激勵(lì)做出響應(yīng)，從而改善各時(shí)段的用電安排，降低用電成本。電力市場(chǎng)環(huán)境下，通過(guò)經(jīng)濟(jì)利益激勵(lì)和用戶配合，可實(shí)現(xiàn)電力負(fù)荷在時(shí)空上的最佳分布，從而使得電力商品的社會(huì)價(jià)值最優(yōu)。

4.1 總體電價(jià)響應(yīng)

總體電價(jià)彈性用來(lái)表示當(dāng)綜合電價(jià)發(fā)生變化時(shí)用戶負(fù)荷所對(duì)應(yīng)的轉(zhuǎn)移量，其定義為

(9)

總體電價(jià)響應(yīng)中，如果目標(biāo)日各時(shí)段的綜合電價(jià)高于基準(zhǔn)日的綜合電價(jià)，則會(huì)導(dǎo)致目標(biāo)日的負(fù)荷量相對(duì)基準(zhǔn)日減少，因而總體電價(jià)彈性為負(fù)，結(jié)合式(9)可得總體電價(jià)響應(yīng)模型為

(10)

式中：Δdi,1為目標(biāo)曲線第i時(shí)段的負(fù)荷值變化量;εd為目標(biāo)曲線的總體電價(jià)彈性。

4.2 時(shí)間-電價(jià)差響應(yīng)

時(shí)間-電價(jià)差彈性直接面向不同時(shí)段，研究各時(shí)段間價(jià)格差變化時(shí)的負(fù)荷轉(zhuǎn)移能力，其定義為

(11)

式中：Δdi-j為負(fù)荷曲線在時(shí)間段i與j的負(fù)荷差；wi-j表示電價(jià)曲線在時(shí)間段i與j的電價(jià)差，Δwi-j為基準(zhǔn)日與目標(biāo)日電價(jià)曲線在時(shí)間段i、j的變化。

在時(shí)間-電價(jià)差彈性的作用下，對(duì)于初始價(jià)差為正的2個(gè)時(shí)間段，如果2個(gè)時(shí)段的價(jià)格差擴(kuò)大，那么負(fù)荷則會(huì)從高價(jià)時(shí)段轉(zhuǎn)移至低價(jià)時(shí)段，反之亦然。

本文定義轉(zhuǎn)移因子為

(12)

式中：αi-m為負(fù)荷曲線在時(shí)段i與m的轉(zhuǎn)移因子；αm-i為負(fù)荷曲線在時(shí)段m與i的轉(zhuǎn)移因子；wi-m,0為基準(zhǔn)日電價(jià)曲線在時(shí)間段i與m的電價(jià)差。

因此在時(shí)間-電價(jià)差彈性激勵(lì)下，待預(yù)測(cè)日第i時(shí)間段的負(fù)荷變化量為

(13)

式(13)中，考慮實(shí)際因素的限制，時(shí)段m電量的變化量不可能全部轉(zhuǎn)移到時(shí)段i，因此給定負(fù)荷的轉(zhuǎn)移系數(shù)為δ。

綜合以上2種價(jià)格彈性的響應(yīng)，可得在2種電價(jià)彈性共同激勵(lì)下待預(yù)測(cè)日時(shí)段i的修正負(fù)荷為

(14)

5 算例分析

5.1 預(yù)測(cè)前準(zhǔn)備

以廣東東莞某母線下監(jiān)測(cè)所得的用戶負(fù)荷作為預(yù)測(cè)對(duì)象，進(jìn)行預(yù)測(cè)時(shí)考慮的相關(guān)因素包括地區(qū)氣象和節(jié)點(diǎn)電價(jià)等。首先針對(duì)采集得到的原始數(shù)據(jù)進(jìn)行異常修補(bǔ)，主要包括空值、零值等，進(jìn)而獲得清洗后數(shù)據(jù)，再結(jié)合式(1)對(duì)各用戶負(fù)荷近2個(gè)月平均負(fù)荷數(shù)據(jù)作歸一化處理。利用k-means聚類算法劃分得到3類典型負(fù)荷簇，選取聚類中心曲線作為基準(zhǔn)曲線進(jìn)行氣象敏感和電價(jià)互動(dòng)分析，用戶負(fù)荷分類情況如圖3所示。

從圖3中可以看出，不同類別之間的負(fù)荷特征明顯。其中，類別1負(fù)荷呈現(xiàn)日間峰谷相錯(cuò)的特征，一般峰值在9:00達(dá)到，12:00至13:00和18:00至18:30這2個(gè)時(shí)間段為谷負(fù)荷段，9:00至11:00、14:00至17:00和19:00至20:30這3個(gè)時(shí)段為峰負(fù)荷段，其余時(shí)段負(fù)荷相對(duì)較低，該類別負(fù)荷特征與工業(yè)類負(fù)荷特征相近。類

圖3 各類別負(fù)荷曲線

別2負(fù)荷曲線呈現(xiàn)強(qiáng)烈的聚攏特性，負(fù)荷高峰在8:00至20:00時(shí)段基本持平，21:00之后負(fù)荷快速下降，該類別負(fù)荷特征與商業(yè)用電特征相近。類別3負(fù)荷曲線則相對(duì)較散亂，全天負(fù)荷水平不高，呈現(xiàn)較大的波動(dòng)性，以及負(fù)荷規(guī)律性不強(qiáng)，其負(fù)荷特征與城鎮(zhèn)鄉(xiāng)村居民負(fù)荷特征類似。

根據(jù)k-means算法選取各聚類中心曲線作為基準(zhǔn)曲線，標(biāo)征該類負(fù)荷的總體特性，并以此為對(duì)象進(jìn)行氣象關(guān)聯(lián)分析和考慮電價(jià)因素的預(yù)測(cè)修正，各類負(fù)荷歸一化基準(zhǔn)曲線如圖4所示。

5.2 考慮氣象關(guān)聯(lián)的負(fù)荷預(yù)測(cè)

針對(duì)5.1節(jié)聚類所得的各基準(zhǔn)曲線，對(duì)對(duì)應(yīng)負(fù)荷點(diǎn)歷史負(fù)荷數(shù)據(jù)及地區(qū)氣象數(shù)據(jù)進(jìn)行氣象關(guān)聯(lián)分析，并選取負(fù)荷點(diǎn)歷史日內(nèi)最大負(fù)荷和日內(nèi)最高溫度、最低溫度、平均溫度，以及平均濕度和降雨量為相關(guān)系分析對(duì)象。以4至9月的夏秋時(shí)節(jié)為例，同時(shí)設(shè)定氣象敏感因素的篩選閾值為0.7[16]，各類別負(fù)荷和對(duì)應(yīng)的氣象敏感因素見(jiàn)表1。

圖4 各類別負(fù)荷歸一化基準(zhǔn)曲線

負(fù)荷聚類類別氣象敏感因素1平均溫度、降雨量2最高溫度、降雨量、平均濕度3最高溫度、平均濕度

結(jié)合表1信息，選用SVM作為預(yù)測(cè)模型，其中，核函數(shù)為多項(xiàng)式函數(shù)，損失函數(shù)為二次函數(shù)，同時(shí)設(shè)定懲罰因子為10，松弛因子為0.01[17]。應(yīng)用SVM模型進(jìn)行預(yù)測(cè)時(shí)，以待預(yù)測(cè)日前2個(gè)月的歷史數(shù)據(jù)作為訓(xùn)練樣本，以待預(yù)測(cè)日前3 d的相關(guān)數(shù)據(jù)作為輸入矢量，從而得到各類別總負(fù)荷值，進(jìn)而綜合得到對(duì)應(yīng)母線的總負(fù)荷預(yù)測(cè)值。

各負(fù)荷類型的預(yù)測(cè)曲線如圖5所示，表2也展示了其對(duì)應(yīng)的預(yù)測(cè)精度?？傮w上本文所提方法對(duì)實(shí)際情況的母線負(fù)荷預(yù)測(cè)有較好表現(xiàn)，總負(fù)荷的預(yù)測(cè)精度達(dá)到93%。由圖5可以看出，各類負(fù)荷的預(yù)測(cè)曲線在非日間用電時(shí)段的預(yù)測(cè)效果較好，與實(shí)際曲線比較貼合，但類別1、2負(fù)荷在峰谷時(shí)段，無(wú)論在曲線形態(tài)還是在幅值上都存在較大預(yù)測(cè)偏差。主要原因是由于SVM預(yù)測(cè)模型是以總體預(yù)測(cè)誤差最小為前提，犧牲了局部的精確度，因此需要結(jié)合外部信息進(jìn)行修正。

表2 預(yù)測(cè)精度對(duì)比表

圖5 考慮氣象關(guān)聯(lián)因素的預(yù)測(cè)負(fù)荷

5.3 考慮市場(chǎng)因素的母線負(fù)荷修正

南方電力現(xiàn)貨市場(chǎng)是全國(guó)8個(gè)試點(diǎn)之一，目前廣東現(xiàn)貨市場(chǎng)正處于試運(yùn)行階段。本文基于廣東現(xiàn)貨市場(chǎng)試運(yùn)行下的平均節(jié)點(diǎn)電價(jià)與現(xiàn)實(shí)行的分區(qū)峰谷電價(jià)，分析未來(lái)電力負(fù)荷在市場(chǎng)化環(huán)境下的響應(yīng)情況。利用獲取的廣東試運(yùn)行階段東莞地區(qū)的日前平均節(jié)點(diǎn)電價(jià)形成標(biāo)幺值曲線，再結(jié)合峰谷電價(jià)最大值還原得到對(duì)應(yīng)的實(shí)際電價(jià)曲線，2種電價(jià)曲線如圖6所示。

由圖6可以看出，相對(duì)于峰-谷-平電價(jià)曲線，節(jié)點(diǎn)電價(jià)曲線在谷負(fù)荷時(shí)段的電價(jià)有較大差別，對(duì)峰負(fù)荷時(shí)段的電價(jià)反映較為確切，而且節(jié)點(diǎn)電價(jià)的

圖6 節(jié)點(diǎn)電價(jià)曲線與實(shí)際峰谷電價(jià)曲線

平均負(fù)荷時(shí)段也不明顯，因此總體電價(jià)水平更能反映實(shí)際電能價(jià)值。本文選取前14 d平均基準(zhǔn)曲線作為負(fù)荷修正的參考曲線，同時(shí)考慮總電價(jià)彈性和時(shí)間-電價(jià)差彈性的共同激勵(lì)，對(duì)待預(yù)測(cè)日的負(fù)荷值進(jìn)行修正。修正后所得的預(yù)測(cè)負(fù)荷曲線及電價(jià)彈性數(shù)據(jù)分別如圖7和表3所示，其中轉(zhuǎn)移系數(shù)δ設(shè)定為4%，限于篇幅，此處僅展示了類別1負(fù)荷的情況。

圖7 類別1負(fù)荷實(shí)際負(fù)荷曲線、初步預(yù)測(cè)曲線和修正后曲線

數(shù)據(jù)項(xiàng)目負(fù)荷類別1負(fù)荷類別2負(fù)荷類別3總體電價(jià)彈性-0.025-0.013-0.001平均時(shí)間-電價(jià)差彈性0.0050.0030.002

表3展示了各負(fù)荷類別在電價(jià)彈性下的響應(yīng)情況，其中類別1負(fù)荷相對(duì)于其他2類負(fù)荷對(duì)電價(jià)表現(xiàn)更為敏感，且可調(diào)節(jié)的空間較大。由圖6—7可以看出，節(jié)點(diǎn)電價(jià)水平相對(duì)于峰-平-谷電價(jià)水平有明顯升高，故在總電價(jià)彈性影響下，用戶出于節(jié)約成本的考慮，整體負(fù)荷需求將會(huì)下降；同時(shí)，由于節(jié)點(diǎn)電價(jià)曲線在非休息時(shí)段的電價(jià)水平并未呈現(xiàn)出明顯的“峰、平相間”特征，使得原來(lái)峰-平-谷電價(jià)下的相應(yīng)負(fù)荷在時(shí)間-電價(jià)差彈性影響下將會(huì)發(fā)生轉(zhuǎn)移，用電價(jià)格較高的時(shí)段負(fù)荷將轉(zhuǎn)移到用電價(jià)格相對(duì)低的時(shí)段。

圖8展示了綜合各類負(fù)荷修正后的預(yù)測(cè)曲線和實(shí)際母線負(fù)荷的對(duì)比情況。從圖8中可以看出，相較于實(shí)際曲線，預(yù)測(cè)曲線在工作時(shí)段的波動(dòng)性減弱，且期間負(fù)荷水平下降，相應(yīng)減少負(fù)荷轉(zhuǎn)移到夜間或凌晨時(shí)段，母線總負(fù)荷特性與類型1負(fù)荷相近。值得注意的是，雖然節(jié)點(diǎn)電價(jià)下凌晨夜間時(shí)段的用電價(jià)格有較大上升，但由于該時(shí)段的用電價(jià)格相對(duì)全天電價(jià)水平仍然是最低的，因此日間工作時(shí)段負(fù)荷仍然是向該時(shí)段進(jìn)行轉(zhuǎn)移，使得日間用電高峰特征得到一定削弱。

圖8 母線總負(fù)荷實(shí)際負(fù)荷曲線和修正后預(yù)測(cè)曲線

6 結(jié)束語(yǔ)

本文面向電力市場(chǎng)環(huán)境提出了一種考慮多因素影響的母線負(fù)荷預(yù)測(cè)方法，所提方法綜合考慮地區(qū)氣象及市場(chǎng)電價(jià)因素的影響，結(jié)合廣東現(xiàn)貨市場(chǎng)試運(yùn)行的電價(jià)數(shù)據(jù)，對(duì)在“峰-平-谷”電價(jià)下的負(fù)荷預(yù)測(cè)值進(jìn)行修正，以反映未來(lái)現(xiàn)貨市場(chǎng)正式運(yùn)行后的負(fù)荷特征及用戶用電行為，進(jìn)而為后續(xù)市場(chǎng)環(huán)境下調(diào)度日前發(fā)電安排提供有效的技術(shù)支撐。