基于有效度和虚拟预测的负荷组合预测

王智翔,殷 豪,卢海明

(广东工业大学 自动化学院,广州 510006)

基于有效度和虚拟预测的负荷组合预测

王智翔,殷 豪,卢海明

(广东工业大学 自动化学院,广州 510006)

为提高电力系统负荷预测精度,应对大量随机冲击负荷接入电网带来的预测精度下降,提出一种基于有效度遴选和虚拟预测的负荷组合预测方法。首先通过预测有效度对单项预测模型进行选择,确定最终组合预测模型,然后运用组合预测方法进行提前24 h预测,得出实际预测结果,其中各单项预测模型的权系数通过虚拟预测法来确定。实例分析表明,该方法有效解决了选择单项模型的随机性和权重难以确定的问题,且预测效果明显优于单一预测方法。

有效度;虚拟预测;组合预测;冲击负荷;负荷预测

电力系统负荷预测是电力系统规划的重要组成部分,而短期电力负荷预测则是现代电力系统控制与运行分析的一项重要研究内容[1]。

目前国内外专家学者对负荷预测方法的研究大体上可以分为两类:第一类是经典预测方法,主要有回归分析法、时间序列法[2]、趋势外推法等,经典方法缺点是面对比较复杂问题时建模难度大,需要较高的技巧和丰富的经验;第二类是人工智能算法,主要有模糊预测法[3]、专家系统法[4]和人工神经网络法[5]等。由于电力系统负荷具有很多不确定因素,单项预测模型不能完全反映出电力负荷的变化规律和信息,因此组合预测模型成为当今研究新的发展方向。在以往的组合预测研究及应用中,参与组合预测的单项预测模型往往没有经过筛选,而是人为主观决定后直接进行组合,文献[6]观点表明最优模型组包含的单项预测模型并非越多越好。在组合模型的权值研究中，要根据各单一模型在历史数据中的表现确定其组合权值,如方差倒数法;利用优化算法求取组合预测模型的最优权系数,如粒子群优化组合预测[7]等。

本文针对负荷变化的特点和已有方法的不足,提出了一种基于有效度遴选和虚拟预测的负荷组合预测方法,有效提高包含大量冲击负荷地区的预测精度。

1 单项预测模型遴选

当参加组合的预测方法由n种增加到n+1时,并不能保证一定会降低非负权重最优组合预测误差平方和。本文参考排除冗余数据的方法[8],从预测有效度的角度考虑,确定最优模型组包含的单项预测模型。

假设εij=(xj-xij)/xj为第i种预测方法在第j个时刻的相对误差,令

则称aij为第i种方法在第j个时刻的预测精度,i=1,2,…,m;j=1,2,…,t;称M(zi)=E(Ai)(1-σ(Ai))为第i种预测方法的预测有效度,其中数学期望E(Ai)和标准差σ(Ai)计算公式为

根据有效度选择单选预测模型的过程为:

1) 按照有效度公式对各个单项预测模型进行评价,并按有效度大小进行排序,例如,假设M(z1)≥M(z2)≥…≥M(zm)。

2) 挑选有效度最高的两个预测模型z1和z2,以误差平方和最小准则建立组合预测模型z12并计算其有效度M(z12)。如果M(z12)≤M(z1),表明单项模型z2的加入并没有使预测有效度提高,说明z2为有效度冗余模型,把它从单项模型中剔除;如果M(z12)≥M(z1),表明z2的加入使得预测有效度提高,保留该组合预测模型。

3) 将步骤2)中得到的组合预测模型作为最好的预测模型,继续加入余下的单项模型,并进行有效度判断,直到所有的单项模型判定完为止。最后所得组合预测模型即为最终预测模型。

根据上述步骤,在模糊预测法、误差反馈加权时间序列法、回归分析法、BP神经网络法和最小二乘支持向量机法中,最终选取BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型。

2 基于虚拟预测的负荷组合预测方法

虚拟预测是指对历史时间点的数据进行假定的预测,其预测的结果认为是历史时间点的拟合结果,从而可以按拟合的效果做出各个单一方法权重的判断[9]。将预测日之前的历史数据进行整理分析,可分为历史时段和虚拟预测时段。本文构建的组合预测模型借助了虚拟预测思想,其应用在电力系统负荷预测上的基本思想如图1所示。

图1 虚拟预测

组合预测模型通过利用各单项模型进行虚拟预测得到各单项模型的预测结果,利用评价指标形成组合预测模型中单项模型的权系数。方差倒数法是一种常用的权系数生成方法,通过使用预测误差平方和反应预测模型预测精度,通过对预测时段前的历史若干次等时长虚拟预测,在同一时刻t预测误差平方和较小则认为单项模型在t时刻预测效果较好。此单项预测模型在t时刻被赋以较高权重,即

t=1,2,…,n;i=1,2,…,m

根据有效度遴选,选取BP神经网络、灰色模型法和误差反馈加权时间序列法组成组合预测模型,可以得到虚拟预测模型的完整框架,如图2所示。

图2 基于虚拟预测的负荷组合预测实例

Fig.2 A practical structure of load combination forecasting method

3 仿真分析

3.1 负荷准确率评价指标

在组合预测模型中,BP神经网络的输入除了负荷样本还考虑了最高温度、最低温度、降雨量和日期类型,补充了时间序列模型和灰色理论模型的不足。

根据南方电网调度负荷预测管理与考核办法,并结合地区电网的实际需求,分别取用日最大负荷准确率、日最小负荷准确率、日24点准确率作为不同预测模型的评价指标,其指标计算表达式为

3.2 实例分析

所使用的历史负荷数据由广东河源地区电网提供。历史数据(2010年—2012年)为数据采集与监控(SCADA)系统获取的实测负荷量,所有数据的时间分辨率均为5 min,即一天拥有288个数据样本。该地区用电基数比较小,处于300～1000 MW的规模,同时存在着较多的钢铁用户,其主要用电设备属于冲击性负荷,与其他负荷的随机波动叠加在一起,将会使电网负荷发生较大波动。选取了2012年7月1日至7月7日一周的历史负荷作为评价样本,第1天预测结果如图3所示,连续7 d各方法预测结果误差如表1所示。

由图3可知,该地区负荷曲线呈现“三峰两谷”的变化趋势。由于电网对工业用电实行峰谷电价,鼓励多用低谷电,因此炼钢厂、轧钢厂生产主要集

中在00∶00-08∶00,负荷曲线的每个拐点均为高频分量幅值较大的时刻。由此可见,本文所述的组合预测方法能准确地捕捉冲击毛刺的变化规律,预测曲线比各单项预测更接近实际值。

图3 第1天预测效果图

由表1可知,对最重要的24点准确率采用本文所述的组合预测模型比各个单项预测模型表现的更好,而且预测结果稳定,日最大、最小负荷准确率均比其他两种模型有明显提高。这对于基础负荷相对较小、冲击负荷所占总负荷较大的地区已是不小的提升。从综合结果来看,本文方法对于含冲击负荷地区负荷预测有更大的优越性。虚拟组合预测相对百分比误差如图4所示。

由图4可知,在连续7 d共168个预测点中,误差在10%以上共有3个预测点,占总数的1.79%;154个点预测误差在5%以内,占总数的91.67%;其余11个预测点误差为5%～10%,占总数的6.55%。由此表明,本文提出的预测方法能有效提高负荷预测精度,且每个考核点预测结果稳定,更接近于实际的负荷曲线,而单一方法的预测结果则会出现较大的偏离。

表 1各模型准确率评价指标对比

图4 组合预测方法7天预测百分比误差分布图

Fig.4 Percentage error of combination forecasting method in 7 days

4 结 论

1) 与单项预测模型对比,本文所述组合方法能有效克服单一模型的缺点,解决选择单项模型的随机性和权重难以确定的问题。

2) 新方法具有更高的预测精度和更好的稳定性。

[1] 廖旎焕,胡智宏,马莹莹,等. 电力系统短期负荷预测方法综述[J]. 电力系统保护与控制, 2011, 39(1): 147-152. LIAO Nihuan, HU Zhihong, MA Yingying, et al. Review of the short-term load forecasting methods of electric power system [J]. Power System Protection and Control, 2011,39(1): 147-152.

[2] 兰华,朱锋. 基于EMD与粗糙集及神经网络相结合的短期负荷预测[J]. 黑龙江电力, 2012, 34(4): 241-245. LAN Hua, ZHU Feng. Short-term load forecasting based on EMD and the combination of rough set and neural network [J]. Heilongjiang Electric Power, 2012, 34(4): 241-245.

[3] 姜妍,兰森,孙艳学. 基于最小二乘支持向量机的短期负荷预测[J]. 黑龙江电力, 2012, 35(5): 349-352. JIANG Yan, LAN Sen, SUN Yanxue. Short-term load forecasting based on least square support vector machine [J]. Heilongjiang Electric Power, 2012, 35(5): 349-352.

[4] KANDIL M S, EL-DEBEIKY S M, HASANIEN N E. Long-term load forecasting for fast-developing utility using a knowledgebased expert system [J]. IEEE Power Engineering Review, 2002, 17(4): 78.

[5] 李程,谭阳红. 电力负荷的RBF神经网络预测[J]. 黑龙江电力, 2010, 32(4): 252-254. LI Cheng, TAN Yanghong. RBF Prediction of electric power load [J]. Heilongjiang Electric Power, 2010, 32(4): 252-254.

[6] 金鑫,罗滇生,孙广强,等. 中长期电力负荷预测模型筛选与组合方法[J]. 电力系统及其自动化学报, 2012, 24(4): 150-156. JIN Xin, LUO Diansheng, SUN Guangqiang, et al. Sifting and combination method of medium-and long-term load forecasting model [J]. Proceedings of the Chinese Society of Universities, 2012, 24(4): 150-156.

[7] 高丙坤,李阳,许明子. 优化粒子群算法在组合供热负荷预测中的应用[J]. 信息与电子工程, 2011, 09(5): 655-659. GAO Bingkun, LI Yang, XU Mingzi. Application of particle swarm optimization algorithm in the heating load combination forecasting [J]. Information and Electronic Engineering, 2011, 09(5): 655-659.

[8] 王丰效. 基于有效度的组合预测单项模型的逐步遴选方法[J]. 统计与决策, 2014(12): 69-71. WANG Fengxiao.Stepwise selection method based on combination forecast of the validity of single model[J].Statistics and Decision Making，2014(12)：69-71.

[9] 孟安波,陈育成. 基于虚拟预测与小波包变换的风电功率组合预测[J]. 电力系统保护与控制, 2014，43(3): 71-76. MENG Anbo, CHEN Yucheng. Wind power combination forecasting based on wavelet packet transform and virtual forecasting meth-od [J]. Power System Protection and Control, 2014，43(3): 71-76.

(责任编辑 侯世春)

Load combination forecasting based on effective measure and virtual forecasting method

WANG Zhixiang, YIN Hao, LU Haiming

(College of Automation, Guangdong University of Technology, Guangzhou 510006, China)

To improve the accuracy of load forecasting and to cope with the challenge from a large number of grid-connected random impact loads, this paper proposes the load combination forecasting based on effective measure and virtual forecasting. Firstly, forecast effectiveness of the individual prediction model selection, to determine the final combination forecasting model. Then use the combination forecasting method to predict 24h before to work out the actual prediction. Finally, the weight coefficients of each method are identified by using variance reciprocal method through a virtual forecasting method. The example analysis shows that the method is effective to solve the randomness and the difficulty in determining the weight of individual models with a great forecasting effect apparently superior to single forecasting method.

forecasting effective measure; virtual forecasting; combination forecasting; impact load; load forecasting

2015-03-06。

王智翔(1988—),男,硕士研究生,主要研究方向为智能算法在电力系统中的应用。

TM714

A

2095-6843(2015)04-0309-04