地区电网短期负荷预测系统设计

2014-09-22付学谦陈皓勇牛铭金小明

电力建设 2014年2期

付学谦，陈皓勇，牛铭，金小明

(1.华南理工大学电力学院，广州市510640;2.广州供电局有限公司，广州市510620;3.南方电网科学研究院，广州市510080)

0 引言

短期负荷预测是电力系统规划、经济安全运行及调度自动化的重要依据，是现代电力系统能量管理系统的重要内容。短期负荷预测的结果直接用于火电分配、水火电协调、机组经济组合和交换功率计划、运行方式的调整计划等，因此短期负荷预测的精度直接决定了上述各种调度计划的准确性。各种调度计划的准确性提高，不仅将提高电网的安全性、可靠性，还可以减少机组的备用，提高电网运行的经济性。

根据所采用的数学理论和预测工具，可以将预测方法分为经典方法和智能方法两大类，经典方法通常以统计理论为基础，最典型的是时间序列法［1］、趋势外推法［2］、回归分析法［3］。短期负荷预测方法还有人工智能的事例推理、神经网络法［4］、卡尔曼滤波、小波分析［5］、模糊集理论、混沌理论［6］、数据挖掘［7-8］、聚类分析等。

负荷本身具有复杂性和不确定性，很难用一种数学模型将各影响因素及其规律进行有效归纳，各种负荷预测算法均有一定的适用条件［9］。选择若干预测算法进行组合预测可以提高预测的精度。合理地考虑气象因素对负荷的影响是提高负荷预测精度的重要因素之一［10］，可以设置气象因素为负荷预测相关因素类型的内容。电力负荷预测系统采用B/S结构可以从技术上保证系统灵活的扩展能力、良好的可再升级性能和快速移植能力［11］。基于B/S模式的负荷预测管理系统可以实现负荷预测信息共享与统一管理，极大地提高负荷预测效率［12］。

本文设计符合广州电网电力负荷特性的短期负荷预测管理系统，包括功能设计、外部接口设计、系统体系结构和配置，并对自适应能力进行研究。

1 功能设计

1.1 短期负荷预测

短期负荷预测利用历史样本数据，预报出未来1周内指定日期96点(每日00:15～24:00，每15 min 1点)或指定时段的系统有功负荷。文献［13］对平时和重大节日期间的负荷预测分别研究，建立了平时日和节日期间的负荷预测数学模型。预测日可以划分为普通工作日、双休日、普通节假日和重点节假日。本设计中提供多种先进的算法分别进行普通工作日、双休日和节假日的负荷预测。对于重要节假日，如春节，能参照阳历(阴历)的历史负荷数据，自动进行预测。

为了克服普通人工神经元网络负荷预测模型的缺陷，文献［14］提出了小波神经元网络电力负荷预测模型，结合了小波变换与人工神经元网络思想。为避免单一算法的缺陷，本文在设计中采用组合预测法预测短期负荷。组合预测采用线性回归法、时间序列法、指数平滑法、基于温度准则的回归法和人工神经网络算法，如图1所示。选择若干预测算法并设置相应算法的权重系数，即可确定一种组合算法。权重系数自动计算的过程如下:短期负荷预测系统采用当前选择的算法对当前预测日的前一个同类型日进行预测，假设该同类型日可以取得实际数据，进行误差分析，最后根据各算法的误差确定其权重系数。

图1 组合预测设置Fig.1 Combined forecast setting

负荷预测相关因素只列出有代表性的点，其他点采用线性映射，或分段线性映射的方法来获得映射后数值。如图2所示，最高温度的映射图纵坐标为映射后数值，横坐标为映射前数值。例如，32℃映射后数值为0.32℃。

图2 最高温度的映射Fig.2 Mapping at highest temperature

相似日样本类型在确定样本空间时能够考虑气象因素，是比较理想的情况。气象因素是负荷预测相关因素的重要内容。文献［15］中对受气象因素影响的部分采用回归方法建立气象因素影响模型，对不受气象因素影响的部分，幅值大的分量建立回归神经网络预测模型，对幅值小的分量建立线形ARMA模型。本设计中的负荷预测相关因素包含了受气象因素影响的部分与不受气象因素影响的部分，如图3所示。

图3 相关因素设置Fig.3 Relative factors setting

相关因素的取值范围相差很大。为了反映其影响程度把各影响因素映射到［0，1］区间上比较，这样才有可比性。如图2，最高温度映射后数值的取值在0和1之间。影响相似度的是映射后数值和系数的乘积，映射前数值的作用相当于一个索引，即与某一因素的实际数值直接对应的是映射前数值，系统可以根据与实际数值最匹配的映射前数值来获得映射后数值和系数。

特殊事件是反常行为，会导致历史数据不正常，特殊事件设置如图4所示。特殊事件一经设置保存，对预测数据和样本数据都有影响，这一点是与分时段修正不同的。如果不是真正的特殊事件，仅仅是要对预测结果进行分时段修正，可采用分时段修正设置。因事件导致负荷变化量，与实际负荷数据的单位一致，可为正数，也可为负数，正负号应与实际事件导致的负荷变化方向一致。

图4 特殊事件设置Fig.4 Special event setting

图5 给出了当预测11月20日以后的某一天，11月20日作为其中一个样本日时的情况，由上一条曲线可见11月20日的原始数据曲线因受事件的影响而显得不正常，这会影响负荷预测的结果，因此必须进行处理，下一条曲线即为考虑事件影响并自动进行处理后的样本数据，显然系统自动消除了事件对11月20日样本数据的不良影响。

图5 11月20日作为样本的情况Fig.5 November 20th as a sample

1.2 人工干预

用户干预是提高负荷预测软件预测准确度的重要手段。主要的人工干预手段包括:特殊事件的设置;各种负荷相关影响因素的人工置入;调整负荷预测参数;样本数据的修改;直接修正负荷预测结果。其中，负荷预测相关因素的映射前数值和映射后数值由用户结合本地区实际情况自行设置，设置好以后，一般不需要经常改变，但是每一种相关因素类型的系数必须根据实际情况经常进行修改。

1.3 考核管理

实现相关的预测考核指标计算和考核功能。可以计算出预测合格率、各个预测点的预测误差、峰谷负荷准确率等各种指标，并通过与设置的考核指标的对比给出考核结果信息。

图6为广州电网日考核标准设置。例如某一点的预测值为1 200MW，则允许相对误差标准为5%，满足此标准的即为合格点。

图7为广州电网的月考核标准设置，按月判断负荷预测结果是否符合要求。

图6 日考核标准设置Fig.6 Setting of daily assessment standard

图7 月考核标准设置Fig.7 Setting of monthly assessment standard

1.4 负荷特性分析

提供全面的、多角度的统计分析工具，实现对负荷特性的分析统计功能，并把分析结果予以发布。负荷特性主要指标包括日负荷特性、月负荷特性和年(季)负荷特性3个方面。

(1)日负荷特性:日最大(小)负荷、平均负荷、日负荷率、日最小负荷率、日峰谷差、日峰谷差率等。

(2)月负荷特性:月最大(小)负荷、月平均日负荷、月平均日负荷率、月负荷率、月峰谷差、月最大(小)峰谷差率、月平均日峰谷差、月平均日峰谷差率、月不均衡负荷率等。

(3)年(季)负荷特性:年(季)最大(小)负荷、年(季)平均日负荷、年(季)平均日负荷率、年(季)平均月负荷率、年(季)最大(小)日负荷率、季不均衡系数、年(季)负荷率、年(季)最小负荷率、年(季)最大(小)峰谷差、年(季)最大(小)峰谷差率、年(季)平均日峰谷差、年(季)平均日峰谷差率、年最大负荷利用小时数、年负荷曲线、年(季)生产均衡率等。

1.5 用户管理

提供一套完整的机制来保证系统的安全运行，其中对用户的身份认证与权限管理是其中最重要的内容。对系统的访问权限被限制在最细的级别，即用户所做的每一种操作都需得到管理员的认可。同时对若干种权限组成集合，以方便系统管理员对权限的管理。每一可访问本系统的用户都必须被分配一个唯一的用户号，在进入本系统前，用户必须以此用户号进行登录。用户权限划分为下面的3个等级。

(1)系统管理员:拥有系统最高权限，管理所有用户的权限、登录身份和口令;拥有其他两级用户的所有权限。

(2)负荷预测执行用户:可以执行负荷预测的计算、查询、修改等功能;可以查看、修改负荷预测的所有参数;可以查看、修改负荷预测的实际数据和预测数据;可以查看所有预测项目的预测准确率和负荷分析结果等。

(3)浏览用户:只有查看功能。

2 接口设计

广州电网短期负荷预测系统与广州电网EMS系统、广东省气象台和广东省调度系统通过接口实现数据传输。

2.1 与EMS系统的接口

短期负荷预测系统所需要的运行数据取自广州电网能量管理系统(energy management system，EMS)的Web服务器上的数据库。

2.2 与气象数据接口

广东省气象台以文本文件方式提供昨日天气实况和次日天气预报数据，通过ftp传送文本文件方式实现。天气预报数据内容有:时间、地区、天气状况、气温、降雨量、湿度、气压、能见度、风力、风向。天气状况应该是固定的描述，用代码表示。温度缺省单位是℃;降雨量缺省单位是mm;湿度缺省单位是%;气压缺省单位是100 Pa;风力缺省单位是级;风向用字母表示:西北风为WN(东、南、西、北分别用E、S、W、N 表示)。

2.3 与广东省调度系统的接口

短期负荷预测系统可以定时输出负荷预测结果的文本文件，并自动以ftp方式传送给广东省调度系统。

3 体系结构

3.1 网络接入方式

本系统安装在安全III区，所需要的实际数据取自广州电网EMS系统的Web服务器，与处于I区的EMS系统通过物理隔离装置相隔离，从而有效地保证了各级应用系统的安全性。用户均通过调度数据专用网访问本系统Web服务器。短期负荷预测系统结构如图8所示。

图8 短期负荷预测系统结构图Fig.8 Short-term load forecasting system structure

3.2 系统结构

负荷预测系统由服务器端与客户端2个部分组成［16］，并采用由表示层、业务逻辑层和数据层组成的3层体系结构，如图9所示。

图9 体系结构Fig.9 System architecture

(1)表示层面向客户，用户通过浏览器输入Web服务器地址访问Web服务器。

(2)应用服务器作为业务逻辑层，实现对用户的接入，接受用户请求，执行复杂运算，并将结果返回给用户。

(3)数据库服务器作为数据层存储数据。

4 系统配置

为实现短期负荷预报系统的功能，需要配置一台高性能PC服务器，运行W Application Server，所有的应用功能全部部署在该台PC服务器上。数据库使用现有的广州电网EMS系统的服务器，防火墙设备、网络设备(包括局域网和广域网设备)，均采用现有配置的设备。

4.1 硬件配置

PC工作站1台，CPU在1.8 GHz以上，内存1 G以上、硬盘80 G以上，主要用于负荷预测应用服务器。

4.2 软件配置

系统采用最先进的B/S结构。应用服务器的操作系统采用Microsoft Windows 2003 Server;数据库服务器利用现有EMS系统Web服务器;客户端、管理员工作站操作系统为Microsoft windows 95，浏览器为版本4.0以上的Microsoft Ineternet Explorer，支持中文环境网络接入方式;应用软件类别包括短期负荷预测、负荷分析、系统管理、界面设计和系统接口。

5 自适应研究

自学习和自动调节参数算法，使系统能够自动适应广州负荷的特征，进一步提高预测精度。对较大的预测误差，系统会自行纠偏，并且将预测误差原因反馈。自学习、自适应功能与反馈机制在短期负荷预测中可对模型和参数进行修正，如图10所示。

图10 自学习、自适应功能与反馈机制Fig.10 Self-learning，self-adaption and feedback mechanisms

(1)自学习功能:系统自动将操作人员的预测控制策略存储到专家系统作为学习样本，在以后的预测过程中，根据结果自动调用专家系统中的方案，从而提高预测精度。

(2)自适应功能:实际预测中不可能所有的算法都能有效完成预测，对此，系统可以自主选择最合适模型，自动调节参数，使系统能够自动适应广州负荷的特征，进一步提高预测精度。

(3)反馈机制:如果预测出现较大误差，系统会自行与历史误差相比较，并且将预测误差原因以建议的形式反馈给操作人员，以便于今后对预测精度的改进。

6 结语

本文设计除了实现负荷的短期预测功能外，同时还可以实现相关的预测考核指标考核功能。规范化的短期负荷预测数据库可以提高数据共享的程度，最大限度地减小数据的冗余，为各级、各层面工作人员的具体应用提供可靠性高、一致性好的信息来源。基于网络数据库，最先进的B/S结构可以实现数据的集中化存储，提高数据的利用率和系统的执行效率，保证了系统的兼容性，并使系统功能易于拓展。

［1］谷子，唐巍.电力短期负荷时间序列混沌相空间重构参数优选法［J］.中国电机工程学报，2006，26(14):18-23.

［2］李栓，刘莉，刘阳.趋势外推法在电力负荷预测中的应用［J］.沈阳工程学院学报:自然科学版，2005，1(Z1):64-65.

［3］张伏生，汪鸿，韩悌，等.基于偏最小二乘回归分析的短期负荷预测［J］.电网技术，2003，27(3):36-40.

［4］雷绍兰，孙才新，周湶，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):81-85.

［5］宋超，黄民翔，叶剑斌.小波分析方法在电力系统短期负荷预测中的应用［J］.电力系统及其自动化学报，2002，14(3):8-12.

［6］杨韬，刘崇新，许喆，等.基于神经网络与混沌理论的电力系统短期负荷预测［J］.陕西电力，2008(6):6-9.

［7］牛东晓，谷志红，邢棉，等.基于数据挖掘的SVM短期负荷预测方法研究［J］.中国电机工程学报，2006，26(18):6-12.

［8］朱六璋，短期负荷预测的组合数据挖掘算法［J］.电力系统自动化，2006，30(14):82-86.

［9］钟惠锋.提高电网短期负荷预测精度的研究［J］.广东电力，2011，24(6):97-100.

［10］廖峰，周勇，贺辉，等.集中式省地一体化母线负荷预测系统［J］.电力需求侧管理，2011(3):54-58.

［11］端木彬，谢芳，王健，等.负荷预测中气象因素的影响［J］.山东电力技术，2013(2):20-24，28.

［12］谭海龙，梁建武，孙正军.基于.NET的电力负荷预测系统设计与实现［J］.微计算机信息，2009，25(6):16-17，9.