电力负荷预测 专题

大狗

软计算方法和数据挖掘理论在电力系统负荷预测中的应用
1吴小明　 1邱家驹　 2张国江　 3蔡建颖
（1浙江大学电气工程学院　2江苏省电力调皮通信中心　3清华大学电机系）
转贴自:http://www.bjx.com.cn/files/wx/dlxtjqzdhxb/2003-1/1.htm
   摘  要　数据挖掘技术能够从大量数据中发现潜在知识，软计算是创建智能系统的有效方法，本文将两者结合，完成电力预测过程的两个主要任务：负荷坏数据处理和多因素负荷预测模型的建立。通过对Kohonen网聚类挖掘和BP网分类挖掘的效果分析，设计由这两种网络组合而成的神经网络模型，完成坏数据辨识和调整的任务；以模糊推理系统为基础构建多因素负荷预测模型，本文采用CART分类挖掘技术解决模糊结构辨识中的两个难点问题：输入空间划分和输入变量选择，在此基础上设计ANFIS网络进行参数辨识。良好的实例分析效果说明，数据挖掘思想和软计算方法相结合，是电力系统负荷预测的一种有效的思路和方法。
   关键词　负荷预测　模糊推理　数据挖掘　分类和聚类　 软计算

1　引言
　　分类方法与聚类分析是数据挖掘技术的两种重要的思想。本文关于负荷预测问题的研究始终贯穿了这两种思想。神经网络和模糊系统是软计算的重要基础，它们是设计智能系统的精髓。本文详细讨论了BP网、Kohonen网两种神经网络和TSK型模糊推理系统的原理、结构和算法，其中前两者用于对负荷坏数据的处理，后者用在多因素负荷预测建模。
　　坏数据的处理是预测建模之前必须解决的问题，根据负荷曲线相似性和平滑性的特性，我们设计了一个由Kohonen网［1］和若干BP网组成的组合神经网络模型，先利用Kohonen网络对日负荷曲线进行分类，确定出每一类负荷曲线的特征曲线，然后用BP网对特征曲线进行辨识训练，最后利用特征曲线对坏数据进行调整。
　　在短期负荷预测中除了考虑到负荷本身的时间序列外，还要考虑到多种非负荷因素的影响，如气象，节假日等，在传统的预测方法中只有人工神经网络［1］和模糊推理系统［4］可以考虑到不同因素对电力负荷的影响，模糊系统的规则结构适于描述不同种类变量之间的复杂关系，效果较人工神经网络要更清晰直观。输入变量选择和输入空间划分是模糊建模的前提，对于电力负荷的大样本数据，要正确反映输入变量对输出值的影响的重要性程度和他们之间的实际关系，必须建立一个更为简便有效的分类模型，以完成模糊推理系统的结构辨识，根据数据挖掘技术中的一种重要的分类思想，既从大量定性与定量的数据中学会一个分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个，我们采用了分类和回归树（CART，classification and regression tree）算法［3］构造了这个模型，在此基础上采用TSK模型构造相应的ANFIS（adaptive neural－fuzzy inference system）网络进行参数辨识。
2　坏数据的辨识与调整的神经网络模型
2．1　坏数据辨识与调整的基本思想
　　坏数据辨识的过程包含了两个问题：首先从大量可能含有坏数据的负荷曲线中提取正常曲线模式，然后实现不正常曲线模式与正常曲线模式的分类。
　　我们可以采用一种抗差性能较好的聚类方法，将正常曲线和含有坏数据的曲线以及与它们相似的其他曲线聚成一类，那么，这一聚类的代表曲线是一条没有坏数据特征的正常负荷曲线。当一个聚类成功的产生后，该类的正常曲线模式只有一类，即这一聚类的特征曲线。但是，不正常曲线模式的类别数量非常大。以每天96个采样为例，每个数据点可能有三种模式：过高和过低的两种坏数据模式和一种正常数据模式。总的坏数据模式组合就有396－1种，显然，把它们一个个精确地描述出来是不可能的，必须采用一种泛化能力较强的分类算法，用较少的、有代表性的坏数据模式将这一分类算法模型建立起来，那么，其他的坏数据模式就可以用它辨识出来。坏数据准确定位以后，还需要按照正常数据的模式加以调整。每一聚类的代表曲线为调整坏数据提供了参考依据，这样调整的结果尽可能地“复原”了正常模式应有的负荷值。
2．2　Kohonen网进行负荷曲线抗差聚类和产生特征曲线
　　聚类的方法有多种，其中有一类重要的自组织神经网络方法，不需要或极少需要数据矢量的先验知识，抗差性能好，而且使用极为方便，我们采用了自组织特征映射算法实现负荷曲线的抗差聚类。
　　自组织特征映射的重要特征是其相邻神经元之间的侧反馈。图1为自组织特征映射网络的拓扑结构，该网仅有输入层和输出层，两层之间为全互联结，输出层神经元之间存在侧反馈。网络经过训练以后，每一输出节点所连接的权矢量即为该节点所代表模式类的特征矢量。
   每天的负荷数据作为一个输入矢量，将某时期负荷作为输入样本集对Kohonen网进行训练。训练结束后，每一聚类的特征矢量对应一条日负荷特征曲线。

2．3　非正常曲线模式分类
　　采用多输出BP完成非正常曲线模式分类的任务。BP网分类模型的建立分两个步骤：训练样本集的产生和网络的训练。也就是存在两个问题：①以少量的训练样本获得对于巨量的坏数据模式的识别能力；②尽可能缩短网络的训练时间。
2．3．1　BP网
　　反向传播神经网络（BP网）［1］算法是数据挖掘中的一种重要的和有效的算法。它可以实现从输入到输出的任意复杂的非线性映射关系，并具有良好的泛化能力，能够完成复杂模式识别的任务。其缺点为收敛速度慢，并存在许多局部极小值，为此，采用附加动量法和自适应调整学习率相结合的方法对BP算法加以改进［2］。
2．3．2　用特征曲线产生BP网训练样本集
　　设Kohonen网将负荷曲线分成S类，则同时产生S条特征曲线，记为X1，…，Xi，…，XS，共对应S个BP网，记为BP1，…，BPS。每个BP网的输入层和输出层的神经元数目相同，输出分量的值指示对应的输入分量是否为坏数据。规定所有BP网的结构，即隐层数及各层节点数完全相同。以BP1为例，输入输出样本集的生成过程如下。
　　（1）将特征曲线X1作为一个输入样本，对应输出样本Y为（0，…，0）；
　　（2）将X1的第一个分量叠加一个偏差e（e为一个正数，大小依经验而定），即
                  
产生一条含有一个坏数据的曲线，对应输出Y为（c，0，…，0），c为小于1的正数。其余分量均如此处理，得到正偏差样本集；
　　（3）将e换成－e，c换成－c，重复第（2）步，得到负偏差样本集。至此，BP1的样本集就形成了。
　　用类似的方法得到BP2，…，BPS的输入输出样本集。
2．3．3　BP网的训练
　　先将BP1中的权值初始化为随机数，用前述的改进的BP网训练算法对BP1进行训练，得到权值集合P1。然后将P1作为BP2的初始权值对BP2进行训练，得到权值集合P2。类似地，BPi＋1的初始值Pi＋1选为BPi的训练结果Pi，直至全部BP子网训练完成。显然，由P1，…，Ps对应的解空间中S个点连成的曲线是求解BPs网的一条较短的路线。
2．4　坏数据辨识的组合神经网络模型
　　完成了以上的讨论，就可以建立如图2所示的组合神经网络。模型第一层为Kohonen自组织特征映射网络，将样本曲线进行聚类，并给出各类的特征曲线；第二层为若干BP子网，由各类的特征曲线产生的，一次只能有一个BP子网被激活，实现坏数据精确定位。

　　整个网络训练好之后，即可以用它来辨识坏数据。设定一个正常数据接受域［－d，＋d］，（0＜d＜0．5）。将待检曲线X输入Kohonen网，与该曲线相似度最大的特征曲线所对应的输出神经元值为1，该神经元激活由此特征曲线训练得到的BP网；以待检曲线作为该BP网的输入矢量，其输出即为网络输出矢量Y。Y的超出接受域范围的分量所对应的输入分量即为坏数据。
2．5　基于特征曲线的坏数据的调整
　　调整方法是将特征曲线Xt的相应段平移到被检曲线Xd上。设检出某曲线Xd的p点至q点为坏数据，其特征曲线为Xt，修正后的曲线为Xr，采用式（2）对坏数据进行调整。
                       
i＝p，p＋1，…，q
　　调整结果使得修正后的曲线Xr更加符合本类曲线的特征。即使偶有正常数据被误检为坏数据，用上述方法调整也不会产生大的偏差。
3　多因素负荷预测的模糊建模
3．1　基于CART算法的模糊推理系统结构辨识
　　考虑多因素的电力负荷预测，实际上是用一个对象的多个属性确定其一个或多个数值属性。决策树分类算法是一种有效的数据挖掘技术，它可以采用的变量属性非常灵活，尤其适用于不同性质的变量组成的矢量的分类问题。我们采用CART构造分类模型，能够自动剔除那些对负荷预测无显著影响的输入变量，实现输入变量的自动辨识，将与负荷水平有关的因素组成的数据集输入空间划分为若干互斥区域，每个区域对应一个属性值，该属性值即相应的预测结果。
　　CART算法分为树生长和树剪枝两部分［5］。将输入数据集分为训练和测试两个部分，树生长是通过将训练数据集划分为不相连的子集来完成。选择误差指标减少最大的分叉点，在此处将数据集划分成两个子集，重复此过程，直到误差指标减少到小于某个值域时，过程结束。在分叉过程中为考虑噪声，会产生对训练数据的过度拟合和泛化能力差的问题。树剪枝是一种克服噪声的技术，逐次寻找最弱的子树进行剪枝，同时用测试数据集进行树性能测试，选择最佳规模树。
3．2　确定模糊推理系统的结构
　　树结构形成以后，剔除那些从未存在分叉点的变量，就完成了变量的选择和输入空间的划分，并给出一组决策规则集。在对其进行模糊化以后，采用TSK模型构造一个与之等价的自适应网络，即相应的零阶ANFIS模型［4］，这样，负荷预测的模型结构就基本确定下来。
3．3　模糊系统的参数辨识
　　用电力负荷及其影响因素的历史数据对ANFIS网络进行有导师的学习，完成参数辨识的任务。由CART算法产生的决策规则集转化而来的模糊推理系统具有激励强度归一化的重要性质。采用T－范式算子作为乘积算子，设P为ANFIS的参数集，Xi为ANFIS的一个输入矢量，yti、y（Xi，P）分别为相应的负荷实际值和预测值（模型输出值），定义如下：
                        
式（3）给出的误差指标具有平方和的形式，适合采用一种非线性最小二乘法－LM算法。这种方法的收敛性好，计算速度快，在实际应用中效果很好。
3．4　日负荷预测模型的建立
　　本文采用单点预测模型。大致选取负荷的历史数据和对预测值可能会有影响的变量，前几个时刻、前几个相同类型日和前几周相同时刻的负荷值，对应的气象状况，包括气温、气压、风速、光照、雨量和湿度共6类数据，形成样本集，执行CART算法，剔除无关变量，确立决策规则集；然后构造ANFIS网络，进行决策规则集模糊化，采用LM算法进行参数辨识。最终负荷预测值就是各规则的输出值与其激励强度乘积之和。
4　实例分析
　　我们采用浙江省2000年和2001年的负荷数据进行坏数据处理和建立模型，并对2002年的负荷做出预测。
4．1　坏数据调整
4．1．1　样本集的产生
　　选择浙江省2000年负荷作为网络训练数据源。首先将每天的负荷曲线除以其日电量，以消除负荷总体水平的高低对聚类的影响。实际负荷采样间隔时间为5 min，日负荷数据为288点，我们将其分成三个96点的曲线分别进行处理，这样做除改善收敛性、减少训练时间外，还使得每一类中的曲线更为相似，相对于特征曲线偏差更小，有利于坏数据辨识。
4．1．2　网络训练及坏数据调整结果
　　对各BP网均只设置一个隐层，其节点数取为200，坏数据偏差e取为0．02，接受域的阈值d取为0．3。图3（a）是一个负荷曲线聚类的算例，特征曲线并未带有坏数据的明显特征，说明用Kohonen网进行曲线聚类和产生特征曲线的方法具有良好的抗差能力。而图3（b）是根据特征曲线调整后的负荷曲线。
　　从2000年和2001年抽取两周的曲线，检测实验结果如表1所示。其中漏检表示把坏数据检测为正常数据，误检表示把正常数据检测为坏数据。相对稳定的，如果某条负荷曲线不属于训练样本集，只要它与样本集中某条负荷曲线较为相近，就能够被有效的检测。所以，尽管2001年的数据并未参加训练，但还是能够给出较高的检测准确率。


4．2　模糊推理建模
4．2．1　CART算法分析
　　我们选取浙江省某地区一月份的负荷为例，取某一时刻的实际负荷作为一个样本的输出变量，先选取97个变量作为输入变量，其中13个是负荷数据，84个是非负荷数据，即上述负荷点及预测日所对应的气温、气压、风速、光照、雨量、湿度共六类气象数据。样本数据集分为训练数据集和测试数据集。通过回归树充分生长和剪枝以后获得最佳性能树，剔除了那些对负荷预测无明显影响的输入变量，其计算结果为后续的ANFIS优化过程提供了良好的初值，如图4所示，拟牛顿法收敛性相当好，在经过381次迭代以后就达到了误差要求。


4．2．2　日负荷预测结果分析
　　为了便于比较预测结果，我们选用了只有一个隐层，隐节点数为100的相同输入的BP网来对负荷进行预测，模糊建模方法采用了是否考虑气象两种情况，结果如表2。

　　在CART算法对前提空间进行了有效的划分后，ANFIS网络恰当的描述了气象输入变量和负荷输出变量之间的关系。气象的考虑提高了准确率，模糊推理系统以CART算法给出的合理的结构辨识为基础，以接近人类思维的形式给出两者之间的关系，在意义上较BP算法更精确，其所用的训练时间也比BP算法要短。
5　结束语
　　由于电力负荷的原始数据具有很明显的两个特征即相似性和平滑性，我们根据数据挖掘理论中的分类和聚类思想构建了Kohonen和BP网的组合模型来对其进行坏数据的辨识和调整，然后采用CART算法完成基于软计算的模糊推理系统的结构辨识任务，构造相应的ANFIS网络进行参数辨识。所有建模过程完全基于样本数据自动进行，保证了模型能够客观的反映输入输出数据集之间的实际关系。本套负荷预测模型已经在浙江省的电力系统中得到应用，并取得了很好的结果，也说明了本文建模的有效性。
参考文献
1　Khotanza A，Afkhami－Rohani R，Maratuk la D．AAASTLF－Artificial Neutral Network Short－termLoad Forecaster－Generation Three．IEEE Trans．On PowerSystems，1998，13（4）：1413～1422
2　袁曾任．人工神经网络原理及其应用．北京：清华大学出版社，1999．
3　Jiaweihan，Micheline kambr．数据挖掘．北京：高等教育出版社，2001．
4　Jyh－Shing Roger Jang．ANFIS：Adaptive Network－BasedFuzzy In Inference System．IEEE Transactions on Sys－tems，Man，and Cybernetics，1996，23（3）：665～684
5　Breiman L，Friend JH，Olshen R A．Classification andRegression Trees．Belmont（calfornia）：Wadsworth Inc，1984．
6　张国江，邱家驹，李继红．基于模糊推理系统的多因素电力负荷预测．电力系统自动化，2002，26（5）：49～53

鸡虱门子

其实看看还是有用的

鸡虱门子

电力负荷预测理论与方法

陈霞山 东科技大学 (271000)
安伯义 陈广林 新汶矿业集团华丰煤矿 (271000)

摘要：负荷预测对电力系统规划和运行极其重要，本文论述了电力负荷预测与分类、负荷预测的基本过程，对负荷预测方法进行了综述，同时介绍了新兴交叉学科理论现代预测方法。
关键词：电力负荷　负荷预测　预测方法
电力系统负荷预测是电力系统发电计划的重要组成部分，也是电力系统经济运行的基础。在当前电力发展迅速和供应紧张的情况下，合理地进行电力系统规划和运行极其重要。
1　电力负荷的构成与特点
电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。
城市民用负荷主要是城市居民的家用电器，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。
商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不及工业负荷和民用负荷，但商业负荷中的照明类负荷占用电力系统高峰时段。此外，商业部门由于商业行为在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之一。
工业负荷是指用于工业生产的用电，一般工业负荷的比重在用电构成中居于首位，它不仅取决于工业用户的工作方式(包括设备利用情况、企业的工作班制等)，而且与各行业的行业特点、季节因素都有紧密的联系，一般负荷是比较恒定的。
农村负荷则是指农村居民用电和农业生产用电。此类负荷与工业负荷相比，受气候、季节等自然条件的影响很大，这是由农业生产的特点所决定的。农业用电负荷也受农作物种类、耕作习惯的影响，但就电网而言，由于农业用电负荷集中的时间与城市工业负荷高峰时间有差别，所以对提高电网负荷率有好处。
从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。
电力负荷的特点决定了电力总负荷由以下四部分组成：基本正常负荷分量、天气敏感负荷分量、特别事件负荷分量和随机负荷分量。
2　负荷预测的内容与分类
电力系统负荷预测包括最大负荷功率、负荷电量及负荷曲线的预测。最大负荷功率预测对于确定电力系统发电设备及输变电设备的容量是非常重要的。为了选择适当的机组类型和合理的电源结构以及确定燃料计划等，还必须预测负荷及电量。负荷曲线的预测可为研究电力系统的峰值、抽水蓄能电站的容量以及发输电设备的协调运行提供数据支持。
负荷预测根据目的的不同可以分为超短期、短期、中期和长期：①超短期负荷预测是指未来1h以内的负荷预测，在安全监视状态下，需要5～10s或1～5min的预测值，预防性控制和紧急状态处理需要10min至1h的预测值。②短期负荷预测是指日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划，包括确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等，对短期预测，需充分研究电网负荷变化规律，分析负荷变化相关因子，特别是天气因素、日类型等和短期负荷变化的关系。③中期负荷预测是指月至年的负荷预测，主要是确定机组运行方式和设备大修计划等。④长期负荷预测是指未来3～5年甚至更长时间段内的负荷预测，主要是电网规划部门根据国民经济的发展和对电力负荷的需求，所作的电网改造和扩建工作的远景规划。对中、长期负荷预测，要特别研究国民经济发展、国家政策等的影响。
3　负荷预测的基本过程
负荷预测工作的关键在于收集大量的历史数据，建立科学有效的预测模型，采用有效的算法，以历史数据为基础，进行大量试验性研究，总结经验，不断修正模型和算法，以真正反映负荷变化规律。其基本过程如下。
3.1　调查和选择历史负荷数据资料
多方面调查收集资料，包括电力企业内部资料和外部资料，从众多的资料中挑选出有用的一小部分，即把资料浓缩到最小量。挑选资料时的标准要直接、可靠并且是最新的资料。如果资料的收集和选择得不好，会直接影响负荷预测的质量。
3.2　历史资料的整理
一般来说，由于预测的质量不会超过所用资料的质量，所以要对所收集的与负荷有关的统计资料进行审核和必要的加工整理，来保证资料的质量，从而为保证预测质量打下基础，即要注意资料的完整无缺，数字准确无误，反映的都是正常状态下的水平，资料中没有异常的"分离项"，还要注意资料的补缺，并对不可靠的资料加以核实调整。
3.3　对负荷数据的预处理
在经过初步整理之后，还要对所用资料进行数据分析预处理，即对历史资料中的异常值的平稳化以及缺失数据的补遗，针对异常数据，主要采用水平处理、垂直处理方法。
数据的水平处理即在进行分析数据时，将前后两个时间的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；数据的垂直处理即在负荷数据预处理时考虑其24h的小周期，即认为不同日期的同一时刻的负荷应该具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正，为待处理数据的最近几天该时刻的负荷平均值。
3.4　建立负荷预测模型
负荷预测模型是统计资料轨迹的概括，预测模型是多种多样的，因此，对于具体资料要选择恰当的预测模型，这是负荷预测过程中至关重要的一步。当由于模型选择不当而造成预测误差过大时，就需要改换模型，必要时，还可同时采用几种数学模型进行运算，以便对比、选择。
在选择适当的预测技术后，建立负荷预测数学模型，进行预测工作。由于从已掌握的发展变化规律，并不能代表将来的变化规律，所以要对影响预测对象的新因素进行分析，对预测模型进行恰当的修正后确定预测值。
4　电力负荷预测方法简介
电力负荷预测分为经典预测方法和现代预测方法。
4.1　经典预测方法
4.1.1　指数平滑法
该方法是常用的预测方法之一，指数平滑法的基本思想是加权平均，选取一组时间上有序的历史数据，X1、X2、X3……Xt，一次指数平滑预测的迭代公式为：

式中Lt+1—t+1时刻的负荷值
　　n—所有数据记录的个数
对越近期的数据加权越大，这反映了近期数据对未来负荷影响更大这一实际情况，同时能通过平滑作用消除序列中的随机波动。
4.1.2　趋势外推法
就是根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明显的变化趋势，例如农业用电，在气候条件变化较小的冬季，日用电量相对稳定，表现为较平稳的变化趋势。这种变化趋势可为线性或非线性，周期性或非周期性等等。
4.1.3　时间序列法
时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。
时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累计式自回归-动平均(ARIMA)、传递函数(TF)几类模型，其负荷预测过程一般分为模型识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正5个阶段。
4.1.4　回归分析法
回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测。
4.2　现代负荷预测方法
20世纪80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。
4.2.1　灰色数学理论
灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰色系统理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。
4.2.2　专家系统方法
专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。
4.2.3　神经网络理论
神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。由于该方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场，但其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。
4.2.4　模糊负荷预测
模糊负荷预测是近几年比较热门的研究方向。
模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制。模糊系统不管其是如何进行计算的，从输入输出的角度讲它是一个非线性函数。模糊系统对于任意一个非线性连续函数，就是找出一类隶属函数，一种推理规则，一个解模糊方法，使得设计出的模糊系统能够任意逼近这个非线性函数。
下面介绍模糊预测的一些基本方法。
(1)表格查寻法：
表格法是一种相对简单明了的算法。这个方法的基本思想是从已知输入--输出数据对中产生模糊规则，形成一个模糊规则库，最终的模糊逻辑系统将从组合模糊规则库中产生。
这是一种简单易行的易于理解的算法，因为它是个顺序生成过程，无需反复学习，因此，这个方法同样具有模糊系统优于神经网络系统的一大优点，即构造起来既简单又快速。
(2)基于神经网络集成的高木-关野模糊预测算法：
它是利用神经网络来求得条件部输入变量的联合隶属函数。结论部的函数f(X)也可以用神经网络来表示。神经网络均采用前向型的BP网络。
(3)改进的模糊神经网络模型的算法：
模糊神经网络即全局逼近器。模糊系统与神经网络似乎有着天然的联系，模糊神经网络在本质上是模糊系统的实现，就是将常规的神经网络(如前向反馈神经网络，HoPfield神经网络)赋予模糊输入信号和模糊权。
对于复杂的系统建模，已经有了许多方法，并已取得良好的应用效果。但主要缺点是模型精度不高，训练时间太长。此种方法的模型物理意义明显，精度高，收敛快，属于改进型算法。
(4)反向传播学习算法：
模糊逻辑系统应用主要在于它能够作为非线性系统的模型，包括含有人工操作员的非线性系统的模型。因此，从函数逼近意义上考虑，研究模糊逻辑系统的非线性映射能力显得非常重要。函数逼近就是模糊逻辑系统可以在任意精度上，一致逼近任何定义在一个致密集上的非线性函数，其优势在于它有能够系统而有效地利用语言信息的能力。万能逼近定理表明一定存在这样一个可以在任意精度逼近任意给定函数的高斯型模糊逻辑系统。反向传播BP学习算法用来确定高斯型模糊逻辑系统的参数，经过辨识的模型能够很好的逼近真实系统，进而达到提高预测精度的目的。
5　结束语
随着电力市场的发展，负荷预测的重要性日益显现，并且对负荷预测精度的要求越来越高。传统的预测方法比较成熟，预测结果具有一定的参考价值，但要进一步提高预测精度，就需要对传统方法进行一些改进，同时随着现代科学技术的不断进步，理论研究的逐步深入，以灰色理论、专家系统理论、模糊数学等为代表的新兴交叉学科理论的出现，也为负荷预测的飞速发展提供了坚实的理论依据和数学基础。相信负荷预测的理论会越来越成熟，预测的精度越来越高。

鸡虱门子

短期负荷预测方法探究及提高精度之展望

阎承山 刘军
华北电业管理局
　
内容摘要
　　本文通过对电系统负荷预测方法的探究，提出了提高预测精度的几种措施在实际运行中得一了很好的效果，并给电网运行带来了一定的经济效益。
关键词：负荷预测 量化分析 随机捕捉
　　1、引言
　　电力系统负荷预测是电力系统运行、控制和规划不可缺少的一部分。随着计算机在电力系统中的日益普及和电力系统自动化水平的不断提高，负荷预测的精度也相应有所改进，并逐步实用化。负荷预测的结果已成为经济调度和推行电力市场的必要基础。
　　几十年来各种可能的算法均在负荷预测课题上试验过了，目前实用的算法主要有：线性外推法、线性回归法、时间序列法、卡尔曼滤波法、人工神经网络法、灰色系统法和专家系统方法等。各种算法均有一定的适用场合，可以说没有一个算法适用于各种负荷预测模型而精度比其它算法都高。
　　电力系统负荷预测是一项重大意义的课题，提高预测精度就是提高电力系统运行的安全性，就是提高电力系统运行的经济性。
2、 电力系统负荷预测方法概述
　　到目前为止，用于电力系统负荷预报的算法很多，这里，仅介绍常用的几种。
(1)、 经典方法
　　<1>、线性外推法
　　<2>、回归分析方法
　　<3>、时间序列方法
　　<4>、卡尔曼(kalman)滤波方法
　　<5>、小波分析方法
(2)、人工神经网络方法
　　神经网络是由大量的简单神经元组成的非线性系统，每个神经元的结构和功能都比较简单，而大量神经元组合产生的系统行为却非常复杂；它具有较强的学习能力、计算能力、变结构适应能力、复杂映射能力、记忆能力、容错能力及各种智能处理能力。目前，研究和应用最多的是以下四种基本模型和它们的改进模型，即Hopfield神经网络、多层感知器、自组织神经网络和概率神经网络。
　　在电力系统负荷预报中，应用最多的是带有隐层的前馈型神经网络，它通常有输入层、输出层和若干隐层组成。对多层感知器，误差反传训练算法（BP算法）是目前最简单、最实用的一种，实质是一梯度算法。其将各种有关的数据作为输入，通过历史样本的训练收敛后便可以进行预测了。
(3)、综合方法
　　根据各种方法的优点和不足，以及针对不同情况的预测精度的差异，将几种方法有机地结合起来，最终达到比较高的精度。这种方法实现起来比较困难，历史数据要求高，方法结合有较大的难度，但确是提高负荷预测精度的有效方法之一。
(4)、专家系统方法
3、提高负荷预测精度的措施
　　任何一种算法都不能保证在所有情况下精度很高，要想提高负荷预测的精度，我们还需要做大量的工作，以下是笔者的一点体会。
(1)、原始数据的预处理
　　我们都知道，任何负荷预测都是基于原始数据的，因此，原始数据的正确与否决定预测结果的精度。而原始数据往往都是从EMS系统实时采集的，由于动态的数据采集有时会出现通道故障、拥堵等现象，相应的数据采集程序就会中断，造成了原始数据的错误与不真实。所以，在程序设计中，首先应针对原始的各种不真实现象进行预处理，力求将设备造成的随机的影响据之于预测过程之外。从实际的程序设计中来看，遇到影响原始数据真实性的情况有以下几个方面：
　　a、通讯通道故障、拥堵而造成的数据采集程序中断这种情况是最为严重的，造成了大量的原始数据的丢失。处理这种情况要在数据采集程序中设置告警信号，力求最为及时地发现问题，尽早处理，将数据丢失的损失减到最小。如果没有发现，那么只有两种补救方法：一是从其他数据源中摘取数据，人为补齐数据库，但是这种方式很复杂，随着采样数据步长的逐渐减小，采集间隔的逐渐密集，人为修正数据更加困难。而另一种方法就是从相关的历史数据中选择与次日相近的数据值进行复制，虽不尽真实，但也不会出现太大的偏差，亦可以作为真实的数据使用。
　　b、由于种种原因，已有相当多的不真实数据，而又无法修复的情况这种情况很棘手，对于无法修复的坏数据，程序中必须加以识别，在预测中予以去除，这虽然使程序的应用数据减少，但由于去除了坏数据的负面影响，对预测也是有好处的。对于坏数据的处理方法主要在程序中自动识别，根据数据的平滑度、日常曲线的趋势、平时负荷的分布范围等因素对数据进行识别和处理。
　　c、真实数据的预处理虽然数据采集程序采集的历史数据是真实的，但并不能完全直接应用于预测程序。因为预测程序是从历史数据中寻找规律性的东西，而历史数据中随机的影响都会使这些规律扭曲变形，进而影响负荷预测的精度。因此在预测之前必须对原始数据进行预处理，去掉一些随机的影响。具体方法就是将负荷曲线的波动性，即一些随机的冲击负荷的影响进行平滑，去除非规律数据的影响。
　
(2)、随机因素(冲击负荷)捕捉
　　大家都知道，在负荷的构成中有许多类似于电炉、轧钢等冲击性的负荷，这种负荷的特点是起停快、持续时间短、随机性强、数值较大，对于京津唐电网大概有冲击负荷10～20万千瓦，占总负荷的1～2％，而负荷预测的精度要求在2％以内。因此处理好冲击负荷的影响对于提高精度有很大的影响。从(1)中可以知道，在原始数据的平滑处理中去除了冲击负荷的影响，但却不能忽略其存在。所以在原始数据的处理中必须考虑到冲击负荷。我们使用的方法是有效值法，通过对冲击负荷的分析和处理，得到其有效值，然后叠加到平滑后的负荷曲线上，这样的处理结果便可以应用于负荷预测中了。
　
(3)、提高影响因素的预测精度以及影响因素的量化处理
　　负荷预测不仅仅要使用历史数据，还要考虑各种对负荷有较大影响的因素，如气象因素、政治因素、重大活动等。这些因素都会与历史数据一样作为预测程序的输入值。因此，这些因素的准确度直接会对负荷预测结果造成影响。
　　类似于政治因素、重大活动等由于是人为的活动，一般有固定的时间安排，所以预测比较准确，但是，对于诸如气象因素等，由于其本身就是不确定的预测值，带有一定的误差，因此，必须对这一类数据进行预处理。
　　另外，对于各种影响因素必须进行适当的量化处理，这主要是因为很多因素都是定性的，无法直接用于程序计算，例如气象因素的阴、晴，政治因素的庆祝活动等。这些因素的量化一是依靠经验值，并且调试后不断改进，力求准确，二是由程序识别，通过回归等方法动态赋值。前一种方法比较简单，但很难准确，后一种方法虽然理论上比较成熟，但由于模型不确定，实现起来很困难，具体应用哪一种方法，要视实际情况而定。
　
(4)、比较预测模式，寻求最优方案
　　对于中国目前的电力结构，在一个网省调下面有许多供电区域，往往是以地域划分的。而实际需要的结果却是一个整体的负荷。因此便产生了单独预测和整体预测两种模式，究竟哪一种模式比较好，则需要从实践中去试验。
　　从京津唐电网的负荷预测实践来看，单独预测后叠加与整体预测各有优缺点。由于各类影响因素(如气象因素、政治因素)的分布区域不同，单独预测时可以通过细化考虑的因素比较真实，以气象因素为例，京津唐电网的七个地区气象条件不同，可以各自考虑，应该说更准确些，但这样 做也有缺陷，一方面是一般都采用一种方法进行预测，其误差方向比较一致，这样叠加后产生更大的误差，另一方面各供电区域的预测叠加后并非是我们所需求的用于发电安排的负荷，还要通过换算，考虑厂用电情况，而厂用电率一般并不是一个精确的数值，如此势必带来误差。若采用整体预测，原始数据便是我们用于安排发电计划的数据，各种因素虽然不能直接使用，但可以通过负荷比例进行等值拟合后作为整体预测的输入量，这样只会有一次误差。从实践中看，后一种方式虽比较模糊，但由于大电网效应，精度较前一种方式高。
　　当然，具体采用哪一种方式要根据实践的检验而定，前一种模式在理论上比较成熟，但在算法的选择上不能单一。我们都知道，任何一种算法都无法在所有情况下达到较高的精度，这与负荷结构以及负荷特性有直接的关系。
　
(5)、选择适用的预测算法
　　虽然负荷预测有很多方法，简单的有，复杂的也有，线性的有，非线性的
　　也有，但每一种算法都有其局限性或适应场合。例如，线性外推法的外推特性比较好，周期性差，人工神经网络周期性好，外推特性差。所以根据预测地区的负荷构成、负荷特性，以及实践经验，选择一种比较适当的算法是非常重要的。
　　如果进一步分析，可以将负荷日详细分类，对于不同的预测日使用不同的方法，势必会得到更好的结果。这项工作虽然不难，但需要大量的分析和实践的统计。
　
(6)、做好负荷日的类型分析
　　在做负荷预测的时候，对于历史数据的选择很有学问，力求使用与预测日同类型的历史负荷数据。这样不但可以去除好多非同类型日数据的干扰，而且可以提高迭代收敛速度，简单计算。但是，对负荷日进行精确分类是相当困难的，需要大量的经验和比较。目前最简单的分类是休息日和工作日，这样的划分太粗糙，不能满足实际的需要，真正实用化的分类还需要大量的判据。
　　负荷日类型一般可以根据以下几个方面科学分类：
　　a、负荷特性，一般指负荷曲线轮廓
　　b、负荷值大小
　　c、气象等有关因素
　　d、工作日、休息日、节假日
　　在这几个方面中最重要的是负荷特性和负荷值，但这个判据比较难于归纳分析，而后两种判据易于判别。因此，实际中主要根据后两种判据进行分类。若要提高精度，类型日一定要分得准确、详细，这样的组合会有很多种，需要人为通过经验设定与预测区域有关的判据。
　
(7)、利用约束条件进行预测结果修正
　　负荷预测应包括电力预测和电量预测，我们常使用的是电力预测，因为这也是需要的最终结果。但电量预测也是相当有用的，它不会象电力预测的随机性那么大，可以作为电力预测的修正约束条件。
　　以最大、最小值配合分配系数法的电力预测为例，这种方法只需要预测出预测日的最大、最小值，用同类型日的历史数据计算出分配系数，即曲线趋势，经分配计算后便可以得到预测日的预测曲线。这种方法比较简单、实用、计算量小，但随机性较大，若最大、最小值由于受历史坏数据或冲击负荷的影响偏差过大，就会使整个曲线抬高或降低，而电量受冲击负荷的影响较小，利用电量预测进行约束，便可以得到较好的修正曲线。
　
　
4、具体范例分析
以下是1999年春节的负荷曲线，通过比较我们可以看出修正后的精度有所提高。

　
5、后记
　　提高负荷预测精度的方法和途径还有很多，以上仅是笔者的一些愚见，若想达到较高的境界，仍需长足的研究和努力。
　　负荷预测的结果是电力系统运行的基础数据，其精度直接影响运行的安全性和经济性。因此，提高其精度也是每个负荷预测人员追求的最高目标。我们每个负荷预测人员都应知难而上，从理论和实践上积极探索，不断提高负荷预测精度以真正满足实际生产的需要。
　








指数平滑法在短期负荷预测中的应用
田德胜 刘厚法 江苏泗阳县供电公司 (223700)
摘要：针对泗阳电网的负荷预测问题，引进了改进的指数平滑法，应用于实际负荷预测问题中，获得了满意的效果。
关键词：电力系统；负荷预测；指数平滑法
中图分类号：TM715　　　　　文献标志码：A　　　　　　文章编号：1003-0867(2005)02-0036-02
0 引言
负荷预测是电力系统运行调度中一项非常重要的内容，是保证电力系统安全经济运行和实现电网安全管理的及调度的基础。泗阳供电公司调度自动化系统采用的是电力自动化研究院的DS3000系统，在其高级应用软件PAS中的负荷预测系统采用了改进的单指数平滑法，对解决泗阳电网的负荷预测问题具有良好的性能和较高的预测精度。
1 一般单指数平滑法
作为一种广泛使用的预测方法，单指数平滑法的一般表达式为：

式中 Xt--t时刻实测值；
　　 Ft, Ft+1 --t, t + 1时刻预测值；
　　 α--平滑常数，0 <α< 1。
确定平滑常数?的唯一途径是通过多种?的取值计算，应用最小均方差的原则，比较误差平方和，从而选出一个最佳的?值。
但是，单指数平滑法只适用于变化不大的平稳时间序列，当时间序列发生变化，尤其发生突然变化时，预测结果就不甚理想，而且在比较长的时间内一直跟不上实际的数据，反应缓慢。为解决这一问题引进"追踪信号"来反应时间序列的变化，一旦追踪序号大于某一特定的数值，就可以在一定的置信程度下推断预测过程中存在系统偏差。当追踪信号反应出预测过程中有系统偏差以后，意味着时间序列发生了变化，此时重新修正平滑常数?的取值，使预测模型自动响应这种变化，并对预测重新加以调整，从而合理解决前面提出的问题。这就是自调整平滑参数的单指数平滑法。这里?为平滑参数是因为?将随着每一时期实际观测值的变化而被修正，不再是固定不变的常数了。此方法的具体计算步骤如下。
(1)计算t时刻预测的平滑误差：

式中 et--t时刻的预测误差，et=Xt - Ft ;
　　 Et-1--t-1时刻预测的平滑误差；
　　 β--用于计算平滑误差?quot;第二平滑常数"，一般取0.1或0.2。
(2)计算t时刻预测的绝对平滑误差：

式中 Mt-1--t-1时刻预测的绝对平滑误差。
（3）计算追踪信号：

（4）计算t时刻的平滑参数α：

（5）对t + 1时刻进行预测：

当预测能够反应实际的时间序列时，平滑误差应很小，即追踪信号应接近于零；反之，预测结果存在着系统偏差，追踪信号将会接近于－1或1。由上述计算步骤可以看出，在实际计算过程中，平滑参数?t是随着每期的预测值而变化的。如果平滑误差Et较大，追踪信号Tt的绝对值即?t的数值会相应较大，这就是说预测存在系统偏差时，t的数值会相应增大，从而增加了近期观测值Xt的权数，使预测值Ft + 1得以较快适应时间序列的变化。而当适应了发生了变化的时间序列后，平滑误差Et将会较小，于是追踪信号Tt的绝对值即?t也相应减小，从而便于抵消时间序列中的随机变差。
2 对自动调整平滑参数单指数平滑法的改进
(1)建立等维信息的自动调整平滑参数单指数平滑模型。
(2)对原始数据系列进行处理。电力系统的负荷在本质上来说是不可控的，但是它具有一定的固定变化趋势，如逐步增长或减小和按天、周以及按年周期性变化等特点。尽管如此，由于负荷具有随机性，或者说由于众多因素影响使得负荷时间序列的变化在趋势变量、周期变量的基础上叠加了随机干扰，以致实测负荷值表现不出明显的趋势或周期来。对于这种非平稳随机过程，或称非平稳时间序列，采用单指数平滑法进行负荷预测实际上只考虑趋势项，而忽略了周期性以及随机波动项，当原始数据波动较大时，预测模型一般很难通过假设检验。所以在预测前，需对原始数据序列进行处理。
应用自回归模型对残差进行处理。单指数平滑法一般不对计算过程中产生的残差进行处理。实际应用结果表明，采用自回归模型对残差进行处理后，在提高预测精度方面的确有良好的效果。
3 应用计算实例及效果
应用改进后的方法，以每个预测日之前20天的实际负荷作为历史资料，对泗阳电网2003年1～12月的负荷进行了预测，实际预测结果表明，这种预测方法的预测效果是良好的，将预测值与2003年系统中实际观测值进行比较，发现63%以上的每一时刻的预测相对误差小于5%，74%以上的预测日平均误差小于5%，短期离线负荷预测的精度得到了提高。
4 结语
⑴单指数平滑法由于其对非平稳时间序列处理能力较差，已很难适用于当今错综复杂的电力系统。此方法改进后，其适用范围更加广泛，用于实际电力系统的负荷预测，在适应性、精确性等方面都有好的效果。
⑵改进后的指数平滑法主要应用于电网日负荷值的预测，对节假日负荷值的预测精度也较高，但对于个别负荷规律差异较大的预测日（如春节、除夕等），由于一些用电负荷不可控，导致预测偏差偏大。
⑶基于改进后的指数平滑法的短期负荷离线预测软件应用于泗阳电网负荷预测工作中取得了良好的效果。

参考文献：
[1]赵月.DS-3000电网调度自动化系统使用说明书.电力自动化研究院.2002.
[2]王勇领.预测计算方法.科学出版社.1986.
[3]刘晨晖.电力系统负荷预报理论与方法.哈尔滨工业大学出版社.1987.

鸡虱门子

短期负荷预测精度影响因素分析和对策

潘勇 江苏省宜兴市供电局 (214206)
【摘要】　根据宜兴市供电局近几年负荷预测工作情况，对影响短期负荷预测精度的因素进行分析，并对提高精度提出了对策和今后的工作重点。
【关键词】　负荷预测　精度因素　效果分析
1　前言
电力系统的作用是对各类用户尽可能地提供可靠的、合乎要求的电能，以随时满足各类用户负荷的需求。而要满足这种需求，就要对未来预期的负荷有一个量的估计，这就是负荷预测。电力系统负荷预测可以分为长期预测、中期预测与短期预测，电网调度部门广泛使用短期预测，主要用于电力系统运行的安全监视、预防性控制和调度计划的安排。英国的一项研究报告表明，短期预测误差每增加1%将导致每年增加运行成本1千万英镑，因此提高电力系统负荷预测的精度，可以提高电网运行的安全性和经济性，提高电能质量。
2　现状
江苏省电力公司自2000年起对下属局受网计划进行考核，根据《受网计划编制与考核办法》的要求，无锡电力公司自2000年1月1日起，要求县级供电企业编制受网电力电量计划并对其进行考核，考核结果将在工资考核基金中进行奖惩结算。表1是2001年日负荷预测考核结果。
表1　2001年日负荷预测考核统计表
月份    预测合格率(%)    兑现金额(元)
1    41.1    79395
2    58.4    37953
3    79.1    1420
4    81.1    10315
5    80.1    11655
6    60.5    35790
7    41.9    69905
8    41.5    7088
9    67.5    22820
10    70.43    15522
11    71.49    22440
12    75.47    18300
合计    59.12    332603
该办法实施至2001年底，由于多方面的原因，我局负荷预测工作结果很不理想，根据考核办法，兑现金额直接在工资基金中扣除，因此负荷预测工作直接和企业的经济效益挂钩，为此随着电力企业逐步走向市场，电力体制改革不断深入，加强负荷预测，提高预测精度工作迫在眉睫。
3　原因分析
我们根据短期负荷预测工作实行以来，对影响负荷预测精度的因素进行分析，认为主要存在以下几方面问题：
(1)　基础数据缺乏，历史数据统计分析不够。由于以前电力系统对负荷预测工作重视不够，尤其是县级供电公司，同时管理技术手段落后，造成大量原始的电网运行数据流失，以致不能对地区负荷进行有效地分析。
(2)　预测手段落后，人工干预困难。自2000年开始负荷预测工作，我们采用人工预报的原始方法，该方法一是不能很好根据以前的负荷进行分析预测，二是不能随时对预测情况进行监视，使得预测精度大大降低。
(3)　思想重视不够，内部协调不力。由于多方面的原因，使得我们一开始对负荷预测工作重视不够，负荷预测是一个系统性工作，需要有关部门、班组之间协调工作，才能确保整个工作流程顺畅，因此要做好这项工作，必须做到个人职责分明，分工明确。
(4)　调度缺乏调节手段。随着电力市场化的逐渐深入，县调对非统调电厂的调控力减弱，根据考核公式网供=地区-小电厂，非统调电厂的出力直接影响到网供负荷的变化，以我局为例，网供平均负荷为250MW，按误差6%计算，负荷变化最大不得超过15MW，而地方电厂装机容量57MW，可见对网供负荷的影响不容忽视。
(5)　预测人员经验有待提高。负荷预测受各方面影响很多，很多因素依靠软件是无法解决的，必须通过提高预报人员经验来实现。
(6)　预测理论有待提高。几十年来各种可能的算法均在负荷预测课题上试验过了，目前实用的算法主要有：线性外推法、线性回归法、时间序列法、卡尔曼滤波法、人工神经网络法、灰色系统法和专家系统方法等，各种算法均有一定的适用场合，可以说没有一个算法适用于各种负荷预测模型而精度比其它算法都高。
(7)　大用户监控难以到位。目前负荷控制系统在县局基本还是空白，随着电力行政职能的脱钩，电力企业对大用户的生产用电情况很难掌握，以我局为例，我市化肥厂正常负荷40MW，一般情况下供电企业根本不了解厂内设备检修、开停机情况，造成负荷预测难度增大。
(8)　检修停电时间难以确定。由于目前供电企业对设备检修停电时间的考核力度偏弱，使得检修部门在安排检修时间时偏大估计，以确保不造成延时送电，而往往送电时间提前较多，造成较大缺口。
(9)　远动、通道影响。目前主要表现为计量关口旁路代供后的切换，远方和当地网供实测数据存在误差，通道运行可靠性不能保证，远动系统运行可靠性有待提高等问题。
(10)　天气预报精度不能满足要求。天气信息是负荷预测的基础，其精度直接影响负荷预测的结果，天气预报包括天气状况、气温、风向、风速、湿度及降雨量等。天气预报值与天气实况值相差往往较大，尤其在夏、冬两季。
4　对策
通过上述影响因素的分析，我们采取以下几方面措施：
(1)　从思想上高度重视负荷预测工作，认识到这是一项直接影响到全局经济效益的大事，组织有关人员认真学习《受网计划编制与考核办法》，熟悉工作规则，充分利用规则。
(2)　协调好各班组的工作关系，明确责任，远动、通讯负责通道、自动化系统工作可靠性，加强值班，确保系统正常工作，认真分析两地存在数据误差原因(误差原因是由于数据发送方式造成的)，从技术和组织措施上加以落实，每天定期与上级调度核对数值和时钟，将误差影响减至最小，预测人员负责当班期间负荷数据的监视，节假日和晚上由调度员负责监视和调整。
(3)　协调与地方电厂、大用户的关系，通过走访沟通，双方愿意通过彼此的理解和支持实现"双赢"局面，在保证完成上网电量的前提下，电厂积极配合县调调整发电出力，大用户需提前将厂内重大负荷变化情况通知县调。
(4)　加强内部检修停电的考核力度，制订《停电管理办法》，严格控制停电时间，确保按时送电。
(5)　配备合适的负荷预测软件，加强负荷历史数据的分析统计，方便实现对负荷曲线的实时监控，数据对比分析，通过考察比较，我们引进了电科院计算机所的STF8.0短期负荷预测软件，通过试用能满足我们目前的应用需求。
5　效果分析
通过上述一系列措施的采取，我局的负荷预测精度有了长足的进步，并在市局组织的负荷预测劳动竞赛中取得优异成绩，表2是负荷预测合格率对比表。
表2　负荷预测合格率对比表
月份    2001年    2002年
4    81.1%    85.26%
5    80.1%    88.87%
6    60.5%    88.44%
7    41.9%    81.69%
8    41.5%    81.90%
6　结束语
从负荷预测工作开展以来，我们感到目前有些工作亟待解决和提高。
(1)　软件预测精度及预报人员经验亟待提高，技术人员从理论层面提出新型的预报理论和算法能更广泛的适用于电力系统短期负荷预测，预报人员应及时总结预测工作的经验，找出适合本地区各种情况下应采用的预测算法组合。
(2)　天气预报精度，与当地气象部门建立联系制度，了解天气变化给用电负荷带来的影响，收集完善各类天气基础数据，开展天气对负荷影响因素分析研究。
(3)　定期召开用户座谈会，建立对属地大用户走访制度，了解用户生产情况，对大用户安装负控系统。

鸡虱门子

　

鸡虱门子

基于ARIMA与改进型GM模型组合的短期电力负荷预测

朱陶业1，2  张学庄1 李应求2    张 颖2  蔡碧野2  李峰2  晏小兵2  何朝阳3  陈桂远3
(1.    中南大学信息物理工程学院，湖南 长沙410083； 2. 长沙理工大学，湖南 长沙410077；
3.广西电力有限公司电网调度中心，广西 南宁 530023)

摘要：阐述了ARIMA(p，d，q)建模、改进型GM(1，1)残差序列构造、预测值修正等方法，提出了适用于广西电网电力负荷原始数据的预处理方法，并对影响负荷预测准确率的气候温度因素进行特殊处理。利用Delphi5.0实现的负荷预测软件，经多年运行检验证明，该软件适应性好，预报准确率高，处于全国领先水平，成功解决了在日采样点为 2 4点 (正点采样 )情况下预测准确率较低的问题。对预测组合算法进行适当处理，同样适用于96点短期负荷预测。
关键词：电力负荷预测； 动态模型； 组合预测； 数据处理
0    引言
提高负荷预测准确率，对电网安全、稳定、经济运行有着极其重要的意义。负荷预测误差小，则电网的开机、线路的潮流都在预计的范围内运行，电网的安全、稳定、经济运行就有了保障。尤其在丰水期，提高负荷预测准确率，就能安排好电网火电机组开机，减少弃水 ，既保证了电网安全稳定运行，还可以大大提高电力公司的经济效益。在为广西电力公司开发的短期电力负荷预测软件中，我们通过有效的数据预处理方法，对原始数据进行合理分组，再综合考虑各种气候变化因素的影响，利用 [1-3]与改进的 等动态模型进行组合预测[4，5]，使用Delphi5.0开发环境，实现了广西电网（24点预报模式）短期电力负荷预测软件的开发目标。该软件界面友好，操作简便，适应性强，预测准确率高。
1    数据预处理
不同类型的数学模型拟合数据变化规律的能力各不相同，再好的预测数学模型，它也遵循进垃圾出垃圾的规律。广西电网短期电力负荷预测的原始数据来源于SCADA实时数据采集系统，为了提高模型 在预测过程中对数据的拟合能力，我们对用于确定 预测模型各种待定参数的原始数据先进行数据预处理，分成实际数据表与异常数据表，定义如下：
实际数据——记录某一变化过程内抽样点的真实数据,记为 。归入实际数据表，作为普通日负荷预测用数据。
异常数据——不符合选定数学模型所揭示的某一变化过程正常发展规律抽样点的数据，记为 。
  实际数据与异常数据的关系——某些实际数据可以作为异常数据看待，异常数据不一定是实际数据。
就广西电网而言，我们把周末、节假日、气候温度聚变这些日期的数据（全天24点）统统称为异常数据，归入异常数据表，作为特殊日负荷预测用数据。
对每天的数据（24点）中明显偏离某一域的数据，采用取该点前后点和值的平均值再结合前一天相应点的变化趋势进行调整获得该点的新值，求新值的数学表达式为：
          ⑴
这一新值成为正常数据，根据相应条件归入相应数据表。
2     模型的建立
模型的一般形式为： ，其中  ， ， ， 为延迟算子。采用五步建模法，方法如下：
2.1    模型识别
设 表示 时刻的用电负荷量，以一小时为采样间隔，那么容易知道， 序列包含有24小时的周期性变化。令 ,其中 ，则得到消除了周期性的随机序列 ，现在通过分析 ， ， 各自的样本自相关函数 和偏相关函数 ，发现 的 、 都近于拖尾，其 值中只有 、 较大， 、 其次,其余 都近于零值。因此ARIMA模型确定为:
，即 。    ⑵
2.2    模型变换
通过令 ，则模型⑵变为：
。              ⑶
2.3    参数 、 的估计
据式⑶知： ， ， ， 。由此及
， ，有
，
，                ⑷
,
, .
用 代替式⑷中的 便解出参数 、 的估计值 、 。
2.4     的预报递推公式:
其中      ， ， .
2.5    还原 的预报值
, .

,
其中 为满足 的整数。 表示不大于 的最大整数。
3    改进型GM(1，1) 残差序列的构造及预测值修正方法
对周末、节假日、这类变化过程的日负荷值，它的变化规律还是按24小时周期性变化，只不过某些因素影响使负荷值发生了较大的改变，因而导致用 模型来预测这类特殊日的负荷值准确率较差。对差值（预测值与实际值之差）进行纵向（不同年的相同采样点）比较发现：各年同点差值绝大部分呈较好的增长规律变化，而改进型 模型对呈增减变化趋势的数据具有很好的拟合特性。采用它们对特殊日电力负荷进行组合预测。用前者预测特殊日负荷基值，为后者构造残差序列，对残差序列进行 拟合，以此来提高对周末、节假日这类特殊日负荷预测值的准确率。改进型 模型的辨识及建模步骤请读者参考文献[4,5]，此文只介绍残差序列的构造及预测值的修正，具体方法如下：
（1）    对序列 ，  用 模型预测出周末、节假日这类特殊变化过程的日负荷值 ,算出残差序列 ,  ,其中 。
（2）    若 时， 符号一致， ，则对残差序列 ， ， 利用 中的方法求出预测值 ，其中  。
（3）     的预测修正值： ， ，其中“ ”的取定应与残差 的符号一致。 即为最终预测结果值。
4    对气候温度变化影响预测准确率的处理
采用前述方法，对预测周末、节假日这类变化过程的日负荷值具有较好的准确率。而对预测气候温度急变这类变化过程的日负荷值准确率虽有一定的提高，但是有相当一部分还是满足不了用户提出的“预测准确率达到95%以上的要求”。在对试算结果进行统计分析中发现：预测周末、节假日这类变化过程的日负荷值时，如果同时出现气候温度急变的情况，预测准确率也会下降。由于构建适合广西气候变化的模型十分困难，对此，我们决定采用一种简单而有效(试算证明)的影响因子权重特殊处理法。根据气候温度的变化程度分出几个不同的调整权重，气候分“晴、阴、雨”，温度以28℃为分界，低于28℃每相差4℃为一档，高于28℃每相差2℃为一档。为了便于分析，我们定义了气候温度同时差与相对气候温度同时差：
气候温度同时差——上一年与预测点同月同日类气候温度条件下的同时刻预测值与实际值的差值。
相对气候温度同时差——上一年与预测点前后各348（约15天）个取样点中类气候温度条件下的首点的预测值与实际值的差值。
类气候温度条件指的是：气候温度的变化在划定的同一档内。
气候温度聚变——预测日前是晴雨交替或日平均温度跳档。
对气候温度聚变条件下的预测值进行以下原则的处理：先判断是否存在气候温度同时差，如存在，将气候温度同时差值除以实际值得到差比，然后将预测值加上差比乘以预测值，得到最后的预测值；如不存在，转求相对气候温度同时差及差比，经同样处理后得到最后的预测值。预测结果绝大部分达到用户要求。
5    预测软件适应性与准确率检验
多年来，课题组成员根据用户的要求，使预测算法模型得到不断改进，预测软件不断完善。随着电网负荷基值不断增大，历史数据不断丰富，预测算法显现出了良好的适应性，预测准确率始终稳定在一个较高的水平，优于国家电力调度通信中心的考核指标。
2001年4月4日国家电力调度通信中心发布各网短期电力负荷预测准确率简报，为节省篇幅，此处仅列出与广西电网有关数据。
表1 国网短期电力负荷预测季报表      日期：2001年4月4日
Tab.1  Quarter statistical forms of forecast day-ahead power load in China network
Date：4/2001/4


单位  指标    负荷预测准确率     一季度平    上季度平    传送
名称    %    一月  二月  三月  均准确率    均准确率    率%

广西    95  96.4  98.68  96.83  97.18     96.91     100

在考核指标均为95%的同类电网中，广西位踞第一，综合指标（考虑传送率）位踞全国第一。
2003年4月10日中国电力企业联合会网http://www.cec.org.cn/news/content.asp?NewsID=20986发布：据国家电力调度通信中心的统计表明，2002年广西负荷预测平均准确率为96.65％，超过考核标准95％的1.65个百分点，名列全国各网区负荷预测平均准确率榜首。
2005年1月，课题组对预测组合算法进行适当处理，使该软件具备了96(点/日)负荷预测功能，对某电网2004年的日负荷进行了预测，年预测平均准确率为98.68％。
6    结语
合理的数据预处理，选择适合负荷变化规律的 与改进的 等动态模型进行组合预测，在组合算法模型中加入气候温度变化影响因子，增强了算法对气候温度变化的适应性，进一步提高了负荷预报的准确率。对组合预测算法进行适当处理，同样适用于96点短期负荷预测。

参考文献
[1] 杨位钦(Yang Wei-qin)．时间序列分析与动态数据建模(Time Series Analysis and Dynamic Data Modeling) [M]．北京∶北京理工大学出版社(Beijing：Beijing Univ. of S & T Press)，1998．
[2] F J Nogales，J Contreras，A J Conejo and R Espínola． Forecasting Next-Day Electricity Prices by Time Series Models[J]．IEEE Trans．Power Systems，2002，17(2) ：342-348．
[3] J Contreras，R Espínola，F J Nogales and A J Conejo．ARIMA Models to Predict Next-Day Electricity Prices[J]．IEEE Trans．Power Systems，2003，18(3) ：1014-1020．
[4] 邓聚龙(Deng Ju_long)．灰色控制系统(Grey Control System) [M]．武汉：华中工学院出版社(Wuhan: Central Chnia Univ. of S & T Press)，1985．
[5] 张 颖，朱陶业(Zhang Ying，Zhu Tao-ye)．基于灰色GM(1，1)及其改进型模型的短期电力负荷预报(Forecast of Electric Load Based on GM(1，1) and Its Improved Model)．电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2003，23(2)∶23-25．

作者简介：朱陶业(1965-)，男，博士生，高级工程师，主要从事光电子测量技术与电力系统计算机应用等方向的教研工作。
详细通信地址：长沙理工大学西家属区8栋603    邮政编码：410077
联系电话：0731-2618972(家)  13875889839(手机) E-mail: zhuty_2002@163.com

Forecast of Day-Ahead Power Load Based on ARIMA and Improved GM Forecasting Model
Zhu Tao-ye1,2 Zhang Xue-zhuang1 Li Ying-qiu2 Zhang Ying2
( 1. School of Info-Physics and Geomatics Engineering Central South University，Changsha 410083，China； 2. Changsha Univ. of S & T，Changsha 410077，China )

鸡虱门子

扩展短期负荷预测方法的应用

莫维仁1，张伯明1，孙宏斌1，胡子珩2，刘顺桂2

（1．清华大学电机系，北京100084；2．广电集团深圳分公司，广东省 深圳市 518001）

  摘 要：扩展短期负荷预测方法利用最新的历史负荷数据，预测当日当前时刻以后若干小时的未知负荷，其预测精度明显高于常规的短期负荷预测。为满足电力市场实时交易对负荷预测的新要求，将这种方法应用于修改历史负荷坏数据和补足当日未知负荷数据，以协助提高短期负荷预测的准确度。文中详细介绍了这两种应用的背景和实现原理，并以实际电力系统的应用结果数据证实了这两种应用方案是有效的和实用的。
  关键词：电力市场；负荷预测；扩展短期；不良数据处理

1 引言
  短期负荷预测是电力市场运营中不可少的计算。短期负荷预测结果准确与否，对系统运行的经济性、安全性有很大影响[1]。
  对于任何负荷预测系统，要提高预测的准确度，需要具备两个条件：第一，良好的预测基础；第二，充足的参考信息。在电力领域，对于常规的短期负荷预测系统，这两个条件体现为：首先，给负荷预测系统提供充足的、完整而且准确的历史数据样本；其次，在预测过程中充分的引入最新的负荷相关信息（包括负荷信息，负荷敏感因素的变化信息等。下同）。基于当前实际情况，需要解决的问题是：
  （1）修正历史负荷数据中的坏数据；
  （2）充分应用预测当日已知的最新负荷信息参与次日的负荷预测。
  扩展短期负荷预测的原理是[2]：在已知当日部分负荷的条件下，引入最新获得的负荷相关信息，预测当日未知的多点负荷。它主要应用于电力市场环境下调整当日负荷计划。该方法为解决短期负荷预测的上述两个问题提供了非常理想的实现方案，应用效果非常明显。
2 扩展短期负荷预测方法
  扩展短期预测的基本思想是[3]：利用预测时刻（例如11:00）以前的历史负荷数据，用几种不同的方法做预预测，可以预测该时刻以前的系统负荷，根据各方法的预测精度确定这些方法在综合模型中的权重[3, 4]；利用这一权重，使用昨天及以前的历史负荷数据，做今天预测时刻后的全日未知负荷的预测。由于利用了预测时刻以前的最新的负荷信息，因此，用这种方法大大提高了负荷预测的精度。
  扩展短期负荷预测方法的关键是：以当日已经发生的负荷的变化模式作为全日未知负荷变化规律的参考，在此基础上预测出未知的负荷值。其隐含的原理是：对于同一日，在一天内的天气等负荷敏感因素不发生突变的情况下，其全日负荷的变化模式不会发生突变。
  下面用这个方法解决限制短期负荷预测准确度提高的两个问题。
3 应用1：修正历史负荷坏数据
3.1 概述
  历史实况负荷数据是负荷预测系统（尤其短期负荷预测系统）建立算法模型的基础，其数据质量的好坏直接影响负荷预测准确度。历史负荷中的坏数据需要处理。
  传统的短期负荷预测方法一般凭靠人工经验完成这些坏数据的修正，或采用简单的辨识、平滑方式处理坏数据，这些方式均有很大的局限性，其效果也不理想。
  采用扩展短期负荷预测方法对历史坏数据点进行修正（补足），具有简单有效、适应性好、准确度高的特点。
3.2 应用背景
  负荷预测应用中的历史负荷坏数据有两类。一是数据采集系统（SCADA）采集设备或传输设备质量不高，造成一些瞬时丢失的坏负荷数据点（称为通道坏数据）；二是电力系统中，一些人为或非人为的突发事件（如重大事件、电网故障、停电检修、大用户不规律用电等）影响用电负荷，造成持续时间较长的畸变负荷数据点（称为畸变坏数据），这是不可预见的负荷变化。图1给出了这两种坏数据的特征示例。

这些坏数据点（包括通道坏数据、畸变坏数据，）若不作处理，直接作为数据样本参与预测，必然降低负荷预测的准确度。
  对于图1左下方所示的瞬时通道坏数据点，传统的负荷预测系统处理的方法是：参考该点前后负荷点的数据，采用线性插值法或者3阶或多阶平滑法的方式完成该坏数据点的修正，其修正准确度通常可以接受。然而，对于图中右上方持续时间较长的畸变坏数据，传统的修正方式则难以达到理想的修正效果。相反，采用扩展短期负荷预测方法对坏数据点进行修正却简单、实用、高效。
3.3 实现方案
  采用扩展短期负荷预测方法对坏数据点进行修正的原理是：辨识出历史日中的正常数据点和可疑数据点；以正常数据点为已知条件，采用扩展短期负荷预测方法完成对可疑数据点的预测，用预测结果修正这些可疑数据点。其修正步骤如下：
  （1）辨识可疑数据点
  坏数据点往往具有数值突变的特征。通过这个特征可以辨识出历史负荷数据中的可疑坏数据点（简称可疑数据点）。实现辨识的方案并不唯一，笔者采用的方案为负荷数据突变辨识。
  首先，对于某日负荷数据中的某点（第i点），计算它与其前面最近1个正常负荷数据点（第j点，参考点）的负荷变化率。

  然后，统计历史上各日的这两时刻点间的负荷变化率（在概率意义上[5]）的正常范围。对比待检测日的这两点的负荷变化率是否在该正常范围，以认定该点是否为可疑数据点。
  对于不同的电力系统，其负荷数据中存在的正常的随机变化量幅度不同，通过提高或降低判断标准，即可收紧或放宽对可疑数据点的认定。任何一种可疑数据判断机制都可能造成一定的误差（误判或漏判），但是，在采用扩展短期负荷预测进行坏数据修正时，由于依据的是有规律的预测结果完成修正，所以所认定的可疑数据点多几个点或少几个点并不会对修正结果造成太大的影响。这正是这种修正方案独特的优势所在。
  （2）修正可疑数据点
  修正历史数据中的可疑数据是短期负荷预测系统的要点和难点之一。准确的修正可疑数据点的数据要比辨识它难得多。因此，传统的负荷预测系统无法很好地处理坏数据修正问题，只能依靠预测人员的人工经验来解决。采用扩展短期负荷预测方案进行坏数据修正则可代替人工修正方式，减少预测人员的工作量，同时减少由于人工修正带来的人的主观因素影响。
  负荷坏数据修正方案如下（以每日采样96点为例）：
  首先，对某日负荷数据点进行逐一的辨识，记其正常负荷数据点的矢量为Xr=(xr1,xr2,…，xrm)，不正常数据点（即：可疑数据点）的矢量为Xe=(xe1,xe2,…,xen)，m+n=96。这里的下标r1,r2,…,rm和e1,e2,…,en并不一定连续。
  然后，依据前述的扩展短期负荷预测实现方案，在已知Xr条件下，可以获得Xe的估计值 ，采用估计结果 替代原值Xe，即完成该日坏数据修正。
  为了确保历史负荷数据曲线平滑，可以在修正后的可疑数据点与其前后2点数据间作平滑处理，这样得到的修正效果更好。
  统计表明，实际电力系统中每日坏数据点数一般不超过10点，即：n<10，正常数据点m≥86。则上述修正方案相当于，在以已知的（多于）86点数据为优化目标的情况下，对该日96点数据进行扩展短期负荷预测，统计表明，这样条件下的预测准确度高达98.42%以上。可见，修正效果非常理想。
3.4 应用实例
  采用上述历史坏数据修正方案对我国某电力系统2002年1月11日历史数据进行模拟修正：在该日正常负荷数据（图2中的虚线）基础上，人为地模拟制造一些坏数据，包括通道坏数据及畸变坏数据，如图2中的实线，以此模拟实际电力系统中的带有坏数据的“实际负荷曲线”。然后，对这些坏数据进行修正，观察其修正效果。
  从图2可见，该日的“实际负荷曲线”基本上失去了正常负荷数据具有的特征，即便一个有经验的预测人员也不可能准确地修正出正常的负荷数据。然而，采用上述扩展短期负荷预测方案进行修正，其结果如图2中的短划线所示，它与正常负荷曲线非常贴近。
  分别将修正后的预测结果和“实际负荷曲线”与正常负荷曲线相对比，所得结果列于表1。


  从表1可知，采用上述坏数据修正方案对负荷数据进行修正，将日负荷误差均方差从9.32%降低到0.77%。该结果表明，采用扩展短期负荷预测进行历史负荷坏数据的修正相当有效。
  该方案具备如下优点：
  （1）算法简单，准确度高，修正效果明显；
  （2）对畸变坏数据有很好的修正效果；
  （3）对可疑数据点的辨识要求不严。
  实际应用中，由于错判或漏判几个坏数据点对修正结果无太大影响，因此，该方案尤其适用于正常负荷曲线比较平滑，而系统突发事件又比较频繁的电力系统。
4 应用2：补足当日未知多点负荷值
4.1 概述
  短期负荷预测主要应用于提前一天完成用电计划的制定。传统的负荷预测系统往往只是依赖昨日以前的历史数据样本，及相关的负荷影响因素数据，完成明日用电计划负荷的预测。这种预测方案没有利用最新的、含信息量非常丰富的当日的已知负荷信息（及负荷相关信息），使得预测准确度难以进一步提高。
  如何利用最新获得的当日的负荷信息参与明日的用电预测，是提高短期负荷预测的预测精度的关键之一。采用扩展短期负荷预测对当日未知的负荷数据进行虚拟补足，并利用这些数据和当日已发生的负荷数据一起作为已知数据参与预测，可以提高第二日负荷的预测精度。其应用背景及实现方法如下所述。
4.2 应用背景
  目前，国内适用的短期负荷预测系统绝大多数采用的是综合模型预测方案[4]。该方案的实现原理是：寻找出与预测日各种影响因素相似的历史日期（即相似日）；采用不同的预测算法对其进行虚拟预测；比较该日实际历史负荷与虚拟预测结果的拟合准确度以确定各种算法的权重分配；应用所得到的各算法的权重做第2日负荷预测。
  在这样的预测机制下，有一个矛盾需要解决，即在对寻找到的相似日（历史日）进行虚拟预测时，该日前1日的负荷已经知道，而且参与了对相似日负荷结果的预测；然而，采用同样的算法对预测日（明日）进行预测时，其前一日（当日）的负荷不全，例如。只有11时之前的负荷数据，缺少11时之后到24:00这段时间的负荷。因此，只能取昨天的负荷做预测，影响预测精度。为此，必须尽可能准确的补足这些缺失负荷，并用它们参与预测。采用扩展短期负荷预测实现对当日负荷数据的补足是一个有效、合理的方案。
4.3 实现方案
  该方案原理是：以当日及以前已知的实况信息（包括负荷信息、气象信息）为已知条件，采用扩展短期负荷预测对当日未知负荷点的数据进行预测，并用预测结果作为这些点的数据的合理估计值，从而“弥补”上当日缺失的负荷值。
  假设当日已知的前m点负荷值矢量为：Xr=(x1,x2,…,xm)T，未知的后96-m点负荷值矢量为：Xe=(xm+1,xm+2,…,x96)T。
  参照前述扩展短期负荷预测实现方案，以Xr为已知条件，确定综合模型参数，再用昨日负荷预测今日负荷，可以得到Xe的合理估计值 。采用 “补足”当日缺失的Xe的负荷数据，即可虚拟的得到当日全日的负荷数据。
  统计数据表明，在已知当日1/3以上的负荷数据（比如已知该日0:00~11:00的负荷数据）的基础上，对当日进行扩展短期负荷预测，统计14:00后平均预测准确度可达96.08%[2]；且全年半数以上的日期的扩展短期负荷预测准确度在98%以上，因此，用该结果作为虚拟实况负荷补足当日负荷，参与明日的短期负荷预测，可以提高预测精度。
4.4 应用效果
  对国内某电力系统利用近几年的负荷数据进行预测，按上述方案补足当日负荷数据，并应用它参与次日的短期负荷预测，与传统的短期负荷预测方法相比，其预测准确度可提高约2%。而且，由于扩展短期负荷预测充分应用了当日最新的负荷信息和气象信息，对日负荷变化跟踪迅速，因此，它尤其适用于负荷变化幅度大、日负荷影响因素多的电力系统。
5 结论
  要提高短期负荷预测的准确度，需要确保预测系统积累有足够的、准确的历史参考样本信息，并尽可能的利用最新的负荷（相关）信息。扩展短期负荷预测方法为这两种需求提供了理想的实现方案。实际应用表明，该方法对提高短期负荷预测准确度的作用是明显的。
参考文献
[1] 莫维仁，孙宏斌，张伯明（Mo Weiren, Sun Hongbin，Zhang Boming）．面向电力市场的短期负荷预测系统设计及实现（Design and realization of a short-term load forecasting system under electricity market）[J]．电力系统自动化（Automation of Electric Power System），2001，25(23)：41-44．
[2] 莫维仁，张伯明，孙宏斌，等（Mo Weiren，Zhang Boming，Sun Hongbin et al）．扩展短期负荷预测的原理和方法（Extended short-term load forecasting principle and method）[J]．中国电机工程学报（Proceedings of the CSEE），2003，23(3)：1-4．
[3] 王民量，张伯明，夏清，等（Wang Minliang，Zhang Boming，Xia Qing et al）．能量管理系统TH-2000中的短期负荷预测(Short-term load forecasting of TH-2100 EMS) [J]．电力系统及其自动化学报（Journal of Electric Power System and Its Automation）．1999，(4)：15-20．
[4] 康重庆，夏清，沈瑜，等（Kang Chongqing，Xia Qing，Shen Yu et al），电力系统负荷预测的综合模型（Integrated model of power system load forecasting）[J]，清华大学学报（Journal of Tsinghua University），1999，39(1)：8-11．
[5] 盛骤，谢式千（Sheng Zhou，Xie Shiqian）．概率论与数理统计（Probability theory and symbolic statistics）[M]．高等教育出版社（Higher Education Press），1996，8．

鸡虱门子

一种用于配网状态估计的实时负荷数据模型

杨成龙
(东南大学，江苏 南京 210096)

摘 要：状态估计在DMS中具有重要作用，它是配电网络分析的数据之保证。由于配网量测装置配置量极其有限，单靠实时量测难以进行状态估计，通常需引入伪量测，实时负荷数据模型可有效地实现伪量测。日渐发展和完善的负荷管理系统和用电营业系统提供了大量负荷信息，因而该文充分利用负荷管理系统提供的数据和历史用电信息，提出了一种用于实时状态估计的实时负荷数据模型，并根据当前计算机网络技术和供电公司组网的实际情况，制定了实现实时负荷数据模型的网络连接和数据流程。仿真分析表明，该算法具有一定精度，在实际中是可行的。
关键词：配电网；实时负荷数据模型；负荷管理；状态估计
中图分类号：TM715；TP274.2     文献标识码：A     文章编号：1009-0665(2003)04-0001-04

A Real-time Load Data Model for Distribution Net State Estimation
YANG Cheng-long
(Southeast University，Jiangsu，Nanjing，210096,China)
Abstract：State estimation is an important role in DMS，it is a guarantee to obtain correct data for distribution net analysis.Because of the limit of measuring equipments quantity arranged in distribution net，it is difficult to state estimate only by real-time measurement，normally，the pseudo-measurement is introduced，the real-time load data model can be used to realized pseudo-measurement effectivelly.Ever developing-and-reforming load management system and power-supply business system may supply with a large amount of load information.By using the data and historical demand information supplied by the load management system，a real-time load data model for real-time state estimation is given and according precent computer-net technique as well as net-forming technique application situation of power supply company，the net connection and data flow of the model is determinated.Simulation shows that the algorithm used possess definite accuracy，which fulfils the practical need.
Key words：distribution net；real-time load-data model；load management；state estimation.
　
  近年来，电力用户对供电质量和服务的要求不断提高，供电部门为满足用户的需要和提高配电网运行管理的效率及经济效益，广泛开展配网自动化(DA)项目，建设配电管理系统(DMS)。配网自动化中最重要的一项功能是实时监视配电网状态，以便有效地进行无功/电压控制、网络重构和经济运行等分析工作，这些分析工作都是在获得配网状态的基础上进行，因此实时掌握正确的配网状态显得非常重要。
  在DMS中，配网状态是利用监视控制和数据采集系统(SCADA)，从装设在馈线上的测量装置采集实时数据，借助状态估计来获得［1］。
由于配电网量大面广、节点众多，考虑到经济原因，在目前甚至今后相当长一段时间内，配置象输电网那样对状态估计有一定冗余量的量测系统是不可能的，实际上目前配网中实时量测严重不足。因此，单靠实时量测量，不能进行状态估计，为获得系统的状态必须使用伪量测量数据模型可以有效地提供负荷伪量测。
1 负荷管理和负荷数据模型的现状分析
  供电部门要对所供负荷进行管理、监视和控制，需负荷管理(LM)系统来支持和实现。负荷管理功能之一是远方抄表，传统上是在每个电力用户处装设电能表，通常由人工按月记录其用电量，统计和分析用电信息。随着负荷容量不断增多，用电销售市场和供需电矛盾变化，为实现对电力用户的可靠供电及提高用电管理的自动化水平和效率，实现计算机联网、负荷数据与配网自动化、调度等部门共享，电力负荷(监控)管理系统逐渐建立和完善，监控管理的负荷容量不断增大。目前的负荷管理系统能监测的负荷可达所供负荷的70％以上，对变压器容量在100 kVA及以上的用户通常都能进行可靠监测。这种电力负荷管理系统可定时(半点或整点)或在需要的任意时刻将负荷的实时有功、无功功率及有功、无功电量等送往负控监控中心，并有日和月的功率与电量数据。监控中心可利用这些数据进行负荷特性、负荷预测、用电情况等分析处理，为实时的负荷数据模型提供了条件［2～5］。
  工程应用中，曾采用的一种简单粗糙的实时负荷数据模型是将变电站出线实时功率量测按配网馈线上的变压器额定容量成比例地分配到馈线上各负荷节点，以此作为负荷伪量测。但在一般情况下，配变负荷并非与配变的额定容量成严格的比例，这种分配没有考虑不同性质负荷间的差别，忽略了线路的损耗，与实际负荷有较大的误差。文献［6］提出将用户的用电量来代替配变容量，作为分配未装设量测装置的配变负荷的依据。根据这种想法，依据收集的用户历史用电情况记录［6］，统计获得每台配电变压器所供用户过去多个月的日平均用电量，以此预测出当前日均用电需求量，将属于该范围的实时量测功率按各节点日均用电需求量成比例地分配得到各节点的负荷。但是，不同负荷类型在一天的变化情况(即日负荷曲线)是不同的，该方法忽略了不同负荷的这种差异。文献［7］仍然利用用户的用电信息，但将各个节点的负荷分类，对每类负荷统计其用电信息预测每类负荷的当前日均用电需求量，并且统计每类负荷的日变化曲线，以此获得反映负荷日变化的分类负荷曲线，将二者结合作为负荷分配的依据。这对没有其他数据来源的负荷进行估计是一种有效的方法，但在出现负荷监控系统后，可在更短的时间间隔内获得用户的用电情况，用该方法估计的结果误差相对较大。文献［8］利用自动抄表系统(AMR)获得的数据，并结合负荷分类曲线构造负荷数据模型算法，获得较高的精度［7、8］。
  目前，由于供电部门对用户负荷的监测还有限，通常对大用户(变压器容量为100 kVA以上)率先进行监测，而相当多的小用户没有得到监测，大部分居民小区负荷还是采用传统管理手段，仍用人工抄表。因此，对这两种负荷应分别对待，采用不同的处理方法，在此分析基础上提出一种实用的实时负荷数据模型。
2 实时负荷数据模型
  配电网通常呈辐射形，在馈线上仅装有少量量测装置，测量有功、无功功率及电压、电流。此外，在建有负荷管理系统的地区，在馈线上的部分配电变压器(通常容量较大)低压侧的用户处有负控终端装置，负荷监控系统利用它们可对大部分负荷进行有效监测。负荷数据模型利用负荷监控系统提供的数据，获取反映不同类型负荷在不同状况下日变化的标准化分类负荷曲线，然后对所有节点的负荷分可监测负荷、未监测负荷，依此建立负荷数据模型，以进行实时负荷估计。
2.1 标准化分类负荷曲线的制定
  影响日负荷曲线的形状因素很多，主要有负荷的类型、季节天气和日类型，现考虑3类负荷(工业、商业和居民)、2种日类型(工作日与节假休息日)、3个季节(春/秋季、夏季与冬季)共18种情况，标准分类负荷曲线制定过程如下。
  (1) 对每种情况下的负荷制定日负荷曲线
  ① 若有定时遥测到的瞬时负荷功率值，利用它们可获得日负荷曲线上的N个点(若每半点采集一次则N=48，以此类推)；
  ② 用遥测得到的每个间隔ΔT的电量WT按下式估计该段时间平均功率值，以此作为每ΔT/2时刻的功率：