方 勇

(深圳中廣核工程設(shè)計(jì)有限公司，廣東 深圳 518100)

0 引言

負(fù)荷預(yù)測是根據(jù)電力負(fù)荷的變化規(guī)律，探求電力負(fù)荷與各種相關(guān)因素之間的內(nèi)在聯(lián)系，從而研究出能夠科學(xué)地反映過去與將來負(fù)荷關(guān)系的理論方法，最終得到未來某一特定時(shí)刻的負(fù)荷值[1]。負(fù)荷預(yù)測在常規(guī)電力系統(tǒng)及智能微電網(wǎng)中有著極其重要的作用，高精度的負(fù)荷預(yù)測便于科學(xué)調(diào)度及優(yōu)化配置電力網(wǎng)絡(luò)，從而可以為用戶提供安全可靠的電能，提高社會效益和經(jīng)濟(jì)效益。

按照時(shí)間的長短劃分，負(fù)荷預(yù)測可以分為長期、中期、短期和超短期四種預(yù)測[2]。中長期負(fù)荷預(yù)測通常以年為單位，進(jìn)行中長期負(fù)荷預(yù)測可以為微電網(wǎng)規(guī)劃及建設(shè)提供數(shù)據(jù)參考; 短期負(fù)荷預(yù)測通?？捎迷?、周、日、小時(shí)為單位，主要對區(qū)域之間的電力平衡的調(diào)整提供依據(jù); 超短期負(fù)荷預(yù)測通常以分鐘為單位，主要用于實(shí)時(shí)調(diào)度、系統(tǒng)安全分析、控制策略，以及提升經(jīng)濟(jì)效益。

中長期負(fù)荷預(yù)測方法包括單耗法[3]、電力彈性系數(shù)法[4]、趨勢外推法[5]、回歸分析法[6]和人工神經(jīng)網(wǎng)絡(luò)法[7]等；短期及超短期負(fù)荷預(yù)測方法包括時(shí)間序列法[8]、灰色預(yù)測法[9]、支持向量機(jī)方法[10]、小波分析法[11]和綜合模型預(yù)測法[12]等。

在實(shí)際的負(fù)荷預(yù)測工作中，由于歷史數(shù)據(jù)在檢測、記錄、轉(zhuǎn)換、傳輸?shù)冗^程中均可能出現(xiàn)數(shù)據(jù)異常，或者由于天氣突變、線路檢修、突發(fā)事件等導(dǎo)致負(fù)荷數(shù)據(jù)異常變化[13]。這些異常數(shù)據(jù)通常會干擾負(fù)荷預(yù)測結(jié)果，若直接用來進(jìn)行負(fù)荷預(yù)測，會對預(yù)測精度造成一定影響，或者根本無法得出理想的預(yù)測結(jié)果[14]。

本文采用回歸分析與趨勢外推相結(jié)合的預(yù)測方法，通過負(fù)荷數(shù)據(jù)的橫向比較，識別異常數(shù)據(jù)，再通過插值法進(jìn)行異常數(shù)據(jù)修正，然后通過分析歷史時(shí)間序列的負(fù)荷數(shù)據(jù)，尋找合適的函數(shù)模型曲線進(jìn)行擬合，從而得到負(fù)荷預(yù)測數(shù)據(jù)。

1 異常數(shù)據(jù)處理

在大量的數(shù)據(jù)中依靠人工搜索異常數(shù)據(jù)是不可行的，本文采用橫向比較法識別異常數(shù)據(jù)。定義負(fù)荷變化平均倍率K，則

(1)

(2)

其中α(i)為負(fù)荷變化平均值，為Li第i(i=1，2，…，n)天的負(fù)荷數(shù)據(jù)。

通過引入一個(gè)人為規(guī)定的參數(shù)P(本文取值P=4)，通過調(diào)整其大小就可改變辨識與修正的程度，該值越大，修正的程度越低。當(dāng)Ki≤P時(shí)，可認(rèn)為第i個(gè)數(shù)據(jù)在正常范圍內(nèi)波動，當(dāng)Ki>P時(shí)，可認(rèn)為第i個(gè)數(shù)據(jù)存在突變。

在識別出異常負(fù)荷數(shù)據(jù)后，通過線性回歸擬合插值進(jìn)行負(fù)荷數(shù)據(jù)修正。以4月份負(fù)荷數(shù)據(jù)為例，通過本文所采用方法，識別出4月份第7天和第8天數(shù)據(jù)為異常數(shù)據(jù)。修正前后的數(shù)據(jù)曲線如圖1所示。

圖1 修正前后的數(shù)據(jù)曲線

2 負(fù)荷數(shù)據(jù)聚類分析

采用平均聚類標(biāo)準(zhǔn)差作為準(zhǔn)則函數(shù)，即

(3)

其中：Je是數(shù)據(jù)集中所有數(shù)據(jù)對象的平均聚類標(biāo)準(zhǔn)差，x是數(shù)據(jù)對象，mi是組ci的平均值。

經(jīng)過計(jì)算，Je=28.32<40.84，滿足收斂標(biāo)準(zhǔn)。負(fù)荷數(shù)據(jù)聚類的概率及正態(tài)分布概率密度曲線如圖2所示。

圖2 聚類概率及正態(tài)分布概率密度曲線

3 負(fù)荷數(shù)據(jù)預(yù)測

1)按月份預(yù)測。以N次多項(xiàng)式進(jìn)行負(fù)荷數(shù)據(jù)的曲線擬合，即滿足

y=a1xN+a2xN-1+…+aNx+b

(4)

其中a1，a2，…，aN，b為常數(shù)。

擬合決定系數(shù)為

(5)

其中，實(shí)測值為Yi，擬合曲線計(jì)算值為yi，n為數(shù)據(jù)的個(gè)數(shù)。

考慮到本文負(fù)荷數(shù)據(jù)的復(fù)雜性，本文采用6次多項(xiàng)式進(jìn)行曲線擬合，即

y=a1x6+a2x5+a3x4+a4x3+a5x2+a6x+b

(6)

經(jīng)過曲線擬合，得到月度數(shù)據(jù)擬合曲線，如圖3所示。由此可知，每年的各月份負(fù)荷可按公式進(jìn)行每月負(fù)荷預(yù)測，擬合決定系數(shù)R2=0.908 3，具有較好的相關(guān)性。

圖3 月度數(shù)據(jù)擬合曲線

2)按星期預(yù)測。將數(shù)據(jù)按星期進(jìn)行分類，1—11月作為已知數(shù)據(jù)，12月作為預(yù)測數(shù)據(jù)，進(jìn)行負(fù)荷數(shù)據(jù)分析預(yù)測，1—11月份數(shù)據(jù)如圖4所示。

圖4 按星期分類數(shù)據(jù)

經(jīng)過匯總，得到周一至周日的擬合相關(guān)系數(shù)如表1所示。可以看出，除星期二外，其余時(shí)間的擬合決定系數(shù)均大于0.7，具有較好的相關(guān)性。

表1 擬合曲線系數(shù)

通過多項(xiàng)式擬合，可以得到12月1—7日的整個(gè)星期內(nèi)的預(yù)測值及誤差，如表2所示。

表2 12月份預(yù)測值及誤差

為準(zhǔn)確預(yù)測負(fù)荷數(shù)據(jù)，引入修正因子Qi，Qi定義為第i月預(yù)測數(shù)據(jù)與第i月實(shí)際數(shù)據(jù)(首次)的比值。通過計(jì)算，得到引入修正因子前后的誤差對比如表3所示。

表3 前后誤差對比

由此可見，引入修正因子后，除了星期三誤差增大較為明顯外，其他情況下的誤差要么差別不大，要么有所減小。導(dǎo)致星期三誤差明顯增大的原因主要是由于11月、12月星期三的負(fù)荷數(shù)據(jù)相關(guān)性較差?？傮w而言，引入修正因子后，平均誤差下降了4個(gè)百分點(diǎn)。

4 結(jié)語

本文通過對獲取原始負(fù)荷用電數(shù)據(jù)的橫向比較，進(jìn)行數(shù)據(jù)預(yù)處理，消除了異常數(shù)據(jù)，通過對插值法對異常數(shù)據(jù)進(jìn)行了修正。在修正的數(shù)據(jù)基礎(chǔ)上，通過對負(fù)荷數(shù)據(jù)的分析及預(yù)測，得到了不同時(shí)段類型的負(fù)荷擬合曲線。并通過聚類分析，得到了負(fù)荷的分布特性。然后采用回歸分析與趨勢外推相結(jié)合的方法，引入修正因子，平均誤差有一定的降低，平均預(yù)測誤差在10%以下，充分說明了該方法的實(shí)用性和有效性，可為后續(xù)微電網(wǎng)規(guī)劃配置奠定一定的技術(shù)基礎(chǔ)。