基于历史负荷数据的概率区间预测技术研究

徐交建，韩亚平，夏友斌，周慧慧，张向阳

摘 要：在分析地区电网负荷每日变化情况的基础上，提出基于概率区间理论的地区电网日负荷预测方法；通过分析电网历史数据，得到剔除方式变更、大用户用电计划等已知量的负荷变化大概率区间，然后根据统计分析出的天气对负荷影响规律，得出实际天气对负荷影响的模糊的压缩后的概率区间，再利用求区间均值或期望的方法从压缩后的区间中求得合适值，最后再综合各个固定因素确定负荷预测曲线。实验证明该方法能够提高地区电力系统负荷预测的合格率和准确率。

关键词：电力系统；负荷预测；概率区间

中图分类号：TM715 文献标志码：A 文章编号：2095-2945（2018）06-0051-02

Abstract： Based on the analysis of daily load variation in regional power grid， a daily load forecasting method based on probabilistic interval theory is proposed. By analyzing the historical data of the power network， the large probability interval of load change of known quantities such as mode change， large user power plan and so on is obtained， and then according to the statistical analysis， the influence of the weather on the load is analyzed. The fuzzy compressing probability interval of the influence of actual weather on the load is obtained， and the appropriate value is obtained from the compressed interval by using the method of calculating the mean value or expected value of the interval. Finally， the load forecasting curve is determined by synthesizing all the fixed factors. Experiments show that this method can improve the qualified rate and accuracy of load forecasting in local power system.

Keywords： power system； load forecasting； probabilistic interval

電力系统负荷预测是电力系统安全、稳定和经济运行的基础，其中日负荷预测对电力系统的运行、控制以及计划都有着重要的影响。进一步提高日负荷预测的准确率势在必行。多年来，国内外众多研究人员在这方面作了很多工作，也提出了很多种方法，主要有人工神经网络法、时间序列分析法、小波分析法、专家系统法等[1][2]。这些方法首先在实际操作时过分依赖计算机软件，缺乏人机交互，但是影响电网负荷的因素太多，还是需要工作人员根据经验做一些修改，因此这些方法得出的预测值的合格率与准确率往往不理想；另外以上方法直接得出一个固定的预测值，但是影响负荷预测的因素多而且复杂，特别是天气变化的不确定性更明显，任何一种因素的变化都会导致电网负荷的变化，因此得出一个负荷变化的概率区间要比直接得出一个固定值更可靠，最后工作人员根据要求以及经验得出准确的预测值。

通过分析电网历史数据，得到滤除方式变更、大用户用电计划等已知量的负荷变化规律的大概率区间，然后根据统计分析出的天气对负荷影响规律，根据实际天气对大概率区间进行进一步压缩，再利用求区间均值或期望的方法从压缩后的区间中求得合适的预测曲线，最后再综合各个固定因素以及工作人员经验确定负荷预测曲线。

1 分析历史数据

电网负荷基本呈近似以周为周期的周期性变化。为了更准确地预测电网负荷，一般提前一天预测，这里称进行预测工作的当日为预测日，预测日前一天为预测参考日，预测日后一天为被预测日。考虑到负荷预测的时效性，选预测参考日为预测日前一天，是因为离被预测日最近且24小时负荷均已知的一天就是预测日前一天。举例分析，周二当天根据周一的负荷曲线，预测周三的负荷值。因此，需分析被预测日负荷相对预测参考日负荷的变化规律，相邻若干周内，该变化率相近，可参考已知的变化率进行预测[3]。为分析电网负荷的基本变化率，首先滤除方式变更、停电检修、送电、大用户用电、地区发电厂发电等外部干扰的已知量。预测曲线由96个点构成，分别代表一天24小时内每一刻钟，即每15分钟时电网的负荷值。在此，取2017年3月到5月每周内周四对周二的96点负荷数据的变化率进行说明，如图1所示，横轴代表96点，纵轴代表相对变化率。从图1中不难发现，该变化率主要集中在-5%至+5%之间，那么这里就得到一个概率较大的变化率区间，称为大概率区间。经过统计分析，相邻若干周内，被预测日负荷相对预测参考日负荷的变化率基本处于一个区间，并且该区间相对较窄，有利于准确预测负荷。

2 分析天气对电网负荷的影响

影响电网负荷的因素很多，但其中天气对负荷的影响最大。天气变化直接影响到各个行业生产运行以及人们生活的规律，进一步影响相应的用电规律，因此，首先需分析天气对负荷的影响。天气主要由两个要素组成：雨雪和温度。风速一般对负荷影响较小，除非该地区有风电场，有风电场时可将其纳入发电厂发电部分。为方便分析天气对负荷的影响，分别对雨雪以及温度对负荷影响规律进行统计分析[4]。

（1）雨雪对负荷的影响。经统计历史数据发现，雨雪在晴、多云、阴、小雨雪、中雨雪、大雨雪以及暴雨雪七个等级时，电网负荷分别有不同程度的变化，经过计算，得出雨雪在七个等级对应的电网负荷变化率。

（2）温度对电网负荷的影响。为方便分析，结合人们生产生活的规律，将温度每5度作为一个区间，每个区间内不同温度时电网负荷变化不大，这样可以减少繁复的计算，并且有利于模糊的分析出温度对负荷的影响。一天之中不同的时间段内，温度不同，其对负荷的影响程度也不同。因此要对96点中的每一点进行分析，得出每点对应的温度及温度对负荷的影响。

研究發现，电网负荷变化与天气变化并不是一一对应关系，不同的天气，其对应的负荷变化率基本处于某一区间内，但该区间宽度比大概率区间更小，进一步压缩了预测区间。

3 从压缩后预测区间中求得合适值

在做负荷预测工作时，往往有不同的要求：求高准确率曲线或高合格率曲线。求高准确率曲线时可能会因为一些随机的因素造成负荷预测不理想，但一般情况下得出的负荷预测曲线准确率相对较高，风险大。求高合格率曲线时基本都能合格，但准确率一般相对较低，风险小。

设压缩后预测区间的上限为q1，下限为q2。若要求高合格率，则取q1+（q2-q1）/2（即区间的均值）作为区间定值，得高合格率曲线。

若要求高准确率，首先将此区间分成10等份，然后取每一等宽度小区间的中间值作为该小区间的等效值，则第i个区间的等效值为q1+（2i+1）（q2-q1）/20，该小区间的概率值为pi，那么p0+p1+……p9=1，pi可由历史数据分析得。最终得到期望：

并将此期望作为区间定值。然后以求得的区间定值，得高准确率曲线。

实验证明这两种方法能取得较好的效果。

4 综合各种因素得出最终预测曲线

在得到高合格率、高准确率预测曲线之后，结合方式变更计划、停电检修计划、送电计划、大用户用电计划、地区发电厂发电计划等已知量修正，再根据工作人员经验得出最终的负荷预测曲线。

概率区间法负荷预测流程图如图2所示。

5 实验结果

用MATLAB对负荷数据以及天气进行统计分析。为验证该预测方法的优越性，取已有的人工神经网络法、专家系统法预测结果与该方法比较。

随机抽取某地区电网2017年9月在利用以上不同方法对该地区电网负荷预测时的效果进行对比，如表1所示。

由表1可知，人工神经网络法、专家系统法虽有各自的一整套复杂预测系统，但是由于电网负荷的影响因素太多，单凭一套预测系统难以准确实现；这里以概率区间法为基础，结合工作人员的经验反而能够提高负荷预测的准确率和合格率，实现有效人机交互，在预测效率与质量两方面均得到提升。

6 结束语

概率区间法在一定程度上摆脱了对负荷预测人员经验的依赖，减少了负荷预测的工作量，减轻了工作人员的负担；同时实现人机交互，综合统计分析出的负荷规律与人员经验，比一些基于复杂的精确算法的诸如人工神经网络法、专家系统法等方法更实用、更可靠。

电网负荷的影响因素繁杂，文中做了一些简化，减少了一些参考因素，后续还需考虑更多的因素，以使得预测效果更精确。

参考文献：

[1]刘莉，彭长均，罗洋.基于BP神经网络的电力短期日负荷预测[J].电力自动化，2011，2：15-17.

[2]S. H. Ling， Frank H. F. Leung. H. K. Lam. Short-term Electric Load Forecasting Based on a Neural Fuzzy Network[J]. IEEE Transactions On industrial electronics， 2003，50（6）：1305～1316.

[3]张明理，赵瑞.短期负荷预测中相似日选择的判别方法[J].吉林电力，2005，1：19-23.

[4]谢宏，陈志业，牛晓东.短期电力负荷预测的数据主成分分析[J].电网技术，2000，24（1）：43-46.