基于体感温度的电力系统负荷分类及负荷预测

谢家安

（广东电网公司佛山供电局，广东佛山 528000）

基于体感温度的电力系统负荷分类及负荷预测

谢家安

（广东电网公司佛山供电局，广东佛山 528000）

电力系统短期负荷预测是电力部门一项重要工作，是调度部门制定系统运行方式、设备停电检修计划、功率调配及调峰调频所依赖的重要参考依据之一。由于影响负荷预测因素众多，且其变化趋势与各因素之间呈现非线性关系，很难用固定的数学模型来加以描述，长期以来为提高负荷预测精度，学者们也提出了多种不同短期负荷预测方法[1-3]，这些方法各有优点，也都存在一定的局限性。

时间序列法、回归分析法计算量小、速度快，但其线性化处理过程无法反映负荷与各影响因素的非线性关系，对复杂电力系统负荷预测效果不佳；专家系统法凭借其强大的数据库能避开复杂的数值计算，但通用性较差，缺乏学习能力，难以适应负荷随机性变化的要求[3]；而支持向量机中虽然考虑了非负荷因素对负荷的影响，但这种考虑是“黑箱”的，对非负荷因素对负荷影响如何并不清楚，也就谈不上在气象预测有误差时如何根据分析结果对负荷预测结果来进行有效的修正[4]。

近年来，体感温度对负荷的影响研究得到极大重视，获得了一定研究成果。将气象因数中温度、湿度及风速综合考虑而提出的体感温度引入到电力系统负荷预测中，为提高预测精度打下良好的基础。但目前体感温度对负荷影响的研究还普遍停留在线性化补偿阶段，无法真实的反映它们之间非线性关系。

据此，本文提出将体感温度差与具有强鲁棒性、非线性映射能力、强大记忆力和自学能力、收敛速度快且可收敛到全局最小的径向基神经网络相结合的方法引入到短期负荷预测中来，是一种综合考虑负荷本身特性及其与气象因素非线性关系特征的预测方法，预测结果表明，该方法能有效提高短期负荷预测精度，是一种有效的负荷预测方法。

1 体感温度计算及其对负荷影响

1.1 体感温度计算方法

仅考虑气象条件影响时，体感温度计算公式可表示为

式中，Tg为体感温度；Ts为气温；T（u）为空气相对湿度修正项；T（v）为风速修正项；T（r）为太阳辐射修正项[5-7]。

T（r）修正项对个体而言，不同的辐射条件下夏天中午前后偏差可达8℃，冬至前后中午也可达4℃左右。由于本文考虑的是地区整体平均体感温度对负荷的影响，而作为室外辐射条件下的温度修正项，对用电负荷的影响几乎可以忽略不计，因此，本文中的体感温度计算略去了辐射修正项的作用，其具体的计算公式如下

式中，ui为静风、非太阳直射条件下体感温度等于气温时的相对湿度，也称为临界相对湿度，具体表达式为

式（3）表明，在温度为25℃、静风和非太阳直射条件下，人体感觉最舒适，不需要借助任何外在设施来保持舒适度。

图1所示为2009年11月7日某市体感温度曲线，从图1中可以看出，在湿度、风速影响之下，体感温度较实际温度产生了较大偏差，特别是在高温和低温天气时，体感温度受到湿度和温度影响将更为明显。图1中体感温度曲线更能表征人体对温度实际感受，从而更精确表征气象因数对负荷变化所产生的影响[8-10]。

1.2 体感温度对负荷的影响

为了验证体感温度对负荷变化的影响，通过计算可得出每天不同时刻经修正后的体感温度曲线，进而计算出体感温度与负荷变化量之间的关系。通过分析大量负荷数据与体感温度之间的关系，并参考气象学研究成果得出了某市的负荷与体感温度关系曲线，如图2所示。

图1 体感温度曲线图Fig.1 The curve of apparent temperature

图2 负荷-体感温度曲线图Fig.2 The curve of load-apparent temperature

从图2中可以看出，当体感温度小于29℃或者大于36℃时，体感温度对负荷的影响将变得非常小，说明这2个区域的体感温度对负荷影响非常不敏感，而当体感温度处于两者之间时，负荷的变化受体感温度影响将非常的明显，且表现出非线性关系。负荷与体感温度之间的特性曲线为对负荷进行分类预测打下了良好的理论基础。

2 预测方法分类及其样本选取方法

2.1 预测方法分类

通过对体感温度与负荷关系曲线并结合实际数据分析可知，当日早上10点至下午17点之间平均体感温度处在负荷对体感温度敏感区时，负荷预测时必须考虑体感温度对负荷的影响，将该类负荷定义为类型一；而当日平均体感温度处在负荷对体感温度敏感区之外时，则负荷预测时不必考虑体感温度对负荷影响，将该类负荷定义为类型二。

2.2 训练样本选取及处理方法

如果气象部门预测某天负荷为类型一，则该负荷预测的训练样本应包括同类型的最近某2天负荷数据和体感温度，以及待预测当天体感温度数据。

具体样本处理方法是首先从样本库里找出最近2天同类型负荷数据和体感温度数据，将第一天负荷数据和2天的体感温度差分别进行归一化处理后作为训练样本输入，第二天负荷数据作为目标输出对径向基神经网络进行训练，在完成网络训练后，同理将第二天的负荷数据和待预测天与第二天的体感温度差做归一化处理后作为输入样本，实现类型一负荷预测。

如果判断出要预测负荷为类型二，则直接从样本库里搜索出离预测天最近的同类型4天负荷数据，将前3天负荷数据进行处理后作为样本输入。

具体样本处理方法是将前3天的样本总共288个数据按前后顺序排成一列，运用小波包函数对该列负荷数据进行分解，具体分解层数依不同情况而定，本文对负荷数据6层分解后得到一个64行288列小波系数矩阵，然后求取每行小波系数能量，并形成64行1列的小波能量矩阵，最后对该小波能量矩阵进行归一化处理。将归一化处理后小波能量矩阵作为训练输入样本，以第4天负荷数据作为目标输出对径向基神经网络进行训练。在完成网络训练后，同理将后3天负荷数据做与之前相同处理过程后，将形成的归一化能量矩阵作为输入样本，从而实现类型二负荷的预测目的。

通过前节分析可知，本文提出的2种负荷预测方法均是以径向基神经网络为基础和载体的，因此，有必要对径向基神经网络原理做简要概述。

3 径向基神经网络原理

径向基（R B F）神经网络是一种性能良好的前向神经网络模型，它具有全局逼近的性质，并且不存在局部最小问题[11-13]。R B F网络是一个包括输入层、隐含层和输入层的多输入单输出系统，其隐含层执行的是一种用于特征提取的非线性变换，在输出层则可实现输出权值的线性组合，其结构如图3所示。

设R B F神经网络的输入为n维，学习样本为（X，Y），其中 X=（x1，x2，…，xn）为输入变量，Xi=（xi1，xi2，…，xin）T，1≤i≤Ni；Y=（y1，y2，…，yn）为期望输出变量；N为训练样本数。当神经网络输入Xi为时，隐含层第j个节点的输出为

式中，Gi=（ci1，ci2，…，cin）T，为第 j个隐含层高斯函数的中心；σi为第j个隐含层高斯函数的宽度。

对全体输入学习样本，网络期望输出为

式中，wi为第j个隐层节点与输出层之间的网络连接权；M为隐含层节点数；e为拟合误差。

图3 径向基神经网络示意图Fig.3 Schematic diagram of RBF neural network

对于隐含层高斯函数中心的选取参考文献[13]，并对网络输出权值进行最小二乘法拟合，使输出总误差达到最小，即

4 负荷预测方法步骤

本文提出的负荷预测方法，先对待预测天负荷类型进行分类处理，通过对2种不同类型待预测负荷的输入样本选取和处理，结合径向基神经网络便形成2种不同预测方法，具体实现步骤如下：

1）联合气象部门对待预测天体感温度进行预测，根据预测的体感温度对待预测天负荷进行分类。

2）对不同类型负荷预测进行数据库样本的选取，并对样本进行不同方法的处理。

3）依据不同类型负荷预测要求，将处理后的数据样本输入神经网络进行训练后，实现对待预测天的负荷预测目的。

具体负荷预测流程如流程图3所示。

5 实际负荷预测

图4所示为按上节方法进行天气分类后，预测的某市2009年9月29日全区总负荷与实际负荷曲线，误差率为1.09%。从图4中可以看出，最大预测误差出现在夜间12点至早上7点左右，这是由于这之间负荷受到前1d负荷积累效应的影响，使负荷与体感温度的相关性下降所导致的。

图4 负荷预测流程图Fig.4 Logical procedure diagram of load forecasting

图5所示为按上节方法进行天气分类后，预测的某市2009年11月9日全区总负荷与实际负荷曲线，误差率为1.13%。由于进行天气分类后，最近几天都属于对体感温度不敏感平行区，负荷预测选择的是依据经验数据预测方法，因此负荷预测精度较考虑体感温度影响的曲线区要差一些，但总体来说达到了预期的效果。

图5 类型一短期负荷预测曲线Fig.5 Short-term load forecasting curve of type 1

表1所示为本文预测方法与神经网络预测方法的误差比较，从表中可知本文方法对类型一、类型二负荷预测精度较传统的神经网络法都有明显提高，类型一预测精度提高了1.88%，类型二预测精度提高了0.52%。

图6 类型二负荷预测曲线Fig.6 Short-term load forecasting curve of type 2

表1 负荷预测误差比较表Tab.1 Comparison table of the error for short-term load forecasting

分析可知，本文方法对类型一负荷的预测精度提高较对类型二负荷预测精度更明显，这是因为类型一负荷对体感温度非常敏感，当考虑体感温度对负荷的影响后进行负荷预测显然要较只考虑温度或根本不考虑气象因数时的精确要高的多。

6 结语

本文通过对大量负荷数据与体感温度之间关系分析，给出了体感温与负荷的分段函数曲线。基于此，本文将负荷分为对体感温度敏感和不敏感2种类别，并提出了2种负荷预测方法，2种负荷预测方法均以径向基神经网络为基础，针对不同类型待预测负荷采取差异化样本的选取和处理方法，有效提了高该负荷预测模型的适用性和负荷预测的精度实际预测效果表明本方法具有一定的实用性。

同时也存在一些不足，本文只是对正常工作日的负荷预测进行了研究，对休息日或节假日的适用性还需进一步研究验证。

[1]栗然，曹磊，李莉，等.影响电力系统短期负荷预测因素的权重分析方法[J].华北电力大学学报，2007，34（5）：32-37.

LI Ran，CAO Lei，LI Li，et al.Analysis for weights allocation with influence factors in power system shortterm load forecasting[J].Journal of North China Electric Power University，2007，34（5）：32-37（in Chinese）.

[2]李兀诚，方廷健，于尔铿.短期负荷预测的支持向量机方法研究[J].中国电机工程学，2003，23（6）:55-59.

LI Yuan-cheng，FANG Ting-jian，YU Er-keng.Study of support vector machines filr short-terml load forecasting[J].ProceedingsoftheCSEE，2003，23（6）：55-59（inChinese）.

[3]于希宁，牛成林，李建强.基于决策树和专家系统的短期电力负荷预测系统[J].华北电力大学学报，2005，32（5）:57-61.

YU Xi-ning，NIU Cheng-lin，LI Jian-qiang.Electric load forecast based on decision tree and expert system[J].Journal of North China Electric Power University，2005，32（5）:57-61（inChinese）.

[4]雷绍兰，孙才新.一种多变量时间序列的短期负荷预测方法研究[J].电工技术学报，2005，20（4）:62-67.

LEI Shao-lan，SUN Cai-xin.Method of multivarivate time series of short-term load forecasting[J].Transactions of China Electrotechnical Society，2005，20（4）:62-67（in Chinese）.

[5]阮仁俊，刘天琪，吴安平.基于SCGM（1，1）的三种负荷预测模型及其组合[J].南方电网技术，2009，3（3）：54-58.

RUAN Ren-jun，LIU Tian-qi，WU An-ping.SCGM（1，1） based on Three Load Forecast Models and Their Combination[J].Journal of North China Electric Power University，2009，3（3）：54-58（in Chinese）.

[6]张建华，邱威，刘念，等.正交设计灰度模型在年电力负荷预测中的应用[J].电网与清洁能源，2010，6（2）:28-32.

ZHANG Jian-hua，QIU Wei，LIU Nian.Grey model based on orthogonal design and its application in annual load forecasting[J].Power System and Clean Energy，2010，6（2）:28-32（in Chinese）.

[7]VANAJA LYER，CHUN CHEFUNG，TAMAS GEDEON.A fuzzy-neural approach to electricity load and spotprice forecasting in a deregulated electricity market[C].IEEE Region l 0Conference on Convergent Technologies for the Asia-Pacific，Indian，2003，4：l479-l482.

[8]姚建刚，龙立波，钱卫华，等.基于NET的负荷分析与预测系统的研究与实现[J].湖南大学学报，2007，34（9）：44-48.

YAO Jian-gang，LONG Li-bo，QIAN Wei-hua，et al.Research and Development of the Load Analysis and Forecasting System Based on.NET[J].Journal of Hunan University，2007，34（9）：44-48（in Chinese）.

[9]李邦云，丁晓群，程莉.基于数据挖掘的负荷预测[J].电力自动化设备，2003，23（8）：52-55.

LI Bang-yun，DING Xiao-quan，CHENG Li.Load forecast based on data mining[J].Electric Automation Equipment，2003，23（8）：52-55（in Chinese）.

[10]康重庆，周安石，王鹏，等.短期负荷预测中实时气象因素的影响分析及其处理策略[J].电网技术，2006，30（7）:5-10.

KANG Chong-qing，ZHOU An-shi，WANG Peng，et al.Impact analysis of hourly weather factors in short-term load forecasting and its processing strategy[J].Power System Technology，2006，30（7）:5-10（in Chinese）.

[11]雷绍兰，孙才新，周淙，等.基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法[J].中国电机工程学报，2005，25（22）：78-82.

LEI Shao-lan，SUN Cai-xin，ZHOU Cong，et al.Shortterm load forcasting method based on RBF neural network and ANFIS system[J].Proceedings of the CSEE，2005，25（22）：78-82（in Chinese）.

[12]龙洪玉，江乐宁，陈耀武.基于组合式神经网络的短期电力负荷预测模型[J].中国电机工程学报，2001，21（4）：79-82.

LONG Hong-yu，JIANG Le-ning，CHEN Yao-wu.Shortterm load forecasting with modular neural networks[J].Proceedings of the CSEE，2001，21（4）：79-82（in Chinese）.

[13]赵剑剑，张步涵，样时杰，等.一种基于经向基蛹数的短期负荷预测方法[J].电网技术，2003，27（6）：22-25.

ZHAO Jian-jian，ZHANG Bu-han，YANG Shi-jie，et al.A deterministic annealing clustering shortterm load forecasting rnethod with radial basis function network[J].PowerSystemTechnology，2003，27（61）：22-25（inChinese）.

Load Classification and Load Forecasting of Power System Based on Apparent Temperature

XIE Jia-an
（Foshan Power Supply Bureau，Guangdong Power Grid Corporation，Foshan 528000，Guangdong，China）

In-depth research on the relationships between the load and the apparent temperature suggests that，in different ranges，the apparent temperature responds to the regional load in totally different ways.Two kinds of loads are classified accordingly asinto apparent temperature-sensitive one and the apparent temperature non-sensitive one,based on which two load forecasting methods are proposed in this paper.Both of the two methods are based on Radial Basis Function（RBF）Neural Network with the differentiated sample selection and handling applied to improve the applicability of the load forecasting model effectively.The method recommended in this paper is applied in the load forecasting of a certain city,and the results show that it the method,with its high precision and good practicability，is an effective one forin short-term load forecasting.

short-term load forecasting；apparent temperature；radial basis function（RBF）neural network

针对体感温度与负荷之间的变化关系进行了深入研究，研究表明体感温度在不同范围内变化时将对地区负荷影响表现出截然不同特征。将负荷分为对体感温度敏感和不敏感2种类别，并提出2种负荷预测方法。2种负荷预测方法均以径向基神经网络为基础，并针对不同类型待预测负荷采取差异化样本选取和处理方法，有效提高了该负荷预测模型适用性和负荷预测精度。将该方法运用到某市总负荷预测中，预测结果表明该方法具有较高精度和较好实用性，是一种有效的短期负荷预测新方法。

短期负荷预测；体感温度；径向基神经网络

1674-3814（2012）08-0024-05

TM 714

A

2012-01-05。

谢家安（1980—），男，硕士，从事电力系统稳定、继电保护及高压直流输电方面的研究。

（编辑 董小兵）