基于小波分解的短期电力负荷智能预测研究

2019-01-16张贺龙杨俊杰

通信电源技术 2019年2期

张贺龙，杨俊杰

（上海电力学院，上海 200090）

1 小波分解方法概述

小波分解方法具有较强的衰减性和波动性特征，其振幅具有正负相间的震荡形式。与Fourier变换相比，小波变换是时间频率具备局部化特点，它通过伸缩平移运算对信号逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换在科学方法上的重大突破[1]。从数学角度看，信号与图像处理可以统一看作是信号处理，在小波分析的应用过程中，对电力负荷的预测和分析都可以归结为信号处理问题。但是，在实际应用中绝大多数信号是非稳定的，与常规的神经网络分析方法相比，小波分析更为适用[2]。

2 电力负荷的类别划分

第一，将时间的长短作为划分电力负荷的依据，可将其划分为长期电力负荷、中期电力负荷和短期电力负荷集中类型。短期电力负荷是指一天到一周内的负荷，中期电力负荷涵盖未来几周到几个月期间的负荷总量，长期电力负荷囊括了未来一年的电力负荷。

第二，将用电部门的差异性作为划分电力负荷的标准，能够将电力负荷分为商业负荷、农业负荷、工业负荷以及民用负荷等几种常见类型。在工业电力负荷中，重工业用电负荷占据了较大的比重。商业负荷是指各个企业空调、机器以及照明设备所耗费的电力负荷，呈现明显的季节性变化特点，节假日成为影响商业电力负荷的主要因素。农业负荷是指农业种植生产所耗费的电能，与天气和降水具有较强的相关性。民用电力负荷是指农村和城镇居民在日常生活中家电使用和取暖所耗费的电能。

第三，将电力负荷的特性作为划分依据，可将电力负荷划分为最高负荷、最低负荷、高峰负荷、低谷负荷集中类型。

第四，将用电途径作为划分电力负荷的依据，可将电力负荷划分为通信用电、站名用电、电热用电以及动力用电等几种常见形式。

3 电力负荷预测的影响因素

第一，气象条件是电力负荷预测准确性的主要影响因素之一。气候条件主要包含温度和湿度等。伴随着家用电器的普及，民用电力负荷已成为总体电力负荷中占比较高的类型。温度变化情况与电力负荷的总量产生了直接影响。例如，在冬季温度较低的动机和温度较高的夏季，居民需要启动空调取暖和降温，从而导致电力负荷总量的增加；而在春秋温度适宜的季节则不会出现用电负荷骤增的现象。

第二，通常情况下，在法定假日民用负荷和商用负荷的总量会呈现骤升骤降趋势；而工业用电负荷则会出现显著下降情况。究其原因，节假日期间，工厂和企业大多放假，而居民为了庆祝节日，往往会选择外出就餐和游玩，从而导致商用负荷的增加。与工作日相比，周六和周日的民用负荷总量增加也十分明显。

第三，突发事件也会在一定程度上导致用电负荷总量的增加。受计划检修、限制供电以及突发事故的影响，会形成对日常供电的干扰。例如，输电线路突然发生故障，会导致用电负荷异常下降，这也对未来一段时间内用电负荷预测的准确性产生了严重影响。

4 基于小波分解的短期电力负荷智能预测

4.1 样本选择

目前，技术领域所进行的模型样本根据预测方案和预测流程，通常选择历史符合预测模型样本，同时对模型进行日符合情况预测。对于短期电力负荷来说，这种模型方式能够结合历史数据信息，形成相对精准的预测方案。在模型中，样本内容的选择主要来自于历史负荷数据和相似日负荷数据样本两种。其中，相似日历史负荷数据样本精准化特殊，因此选定了历史数据样本信息要求具备检索、筛选等能力，保证相似日所产生的历史负荷数据能够充分代表某一类电力活动中的电力负荷状态，模型对该状态所具有的普遍性进行研究，最终得到模型预测结论。在以往的理论研究中，研究者提出借助人工神经网络的方式，对历史数据样本进行检索和分析，从而得到相似日的选取方案。人工神经网络中的应用层，可以对大量历史数据样本进行训练，从而获取到历史数据中的电力负荷规律。然而，运用人工神经网络法进行的样本监测和训练，无法反映新样本的加入。因此，在电力负荷预测分析中，难以分析变化活动电中活跃的新负荷变化情况和电力系统受到气候环境因素所产生的负荷条件变动情况。为了弥补这一缺陷，笔者在进行样本分析方案选择时，选定了具有应用优势和应用经验的映射算法，通过映射算法对样本数据进行选取，映射算法能够完成不同日之间的对照，从而形成特征量分析结果。分析结果可以借助映射逻辑进行数据库统计，对所选小波分解智能模型建设具有一定的帮助[3]。

4.2 映射库建立

映射算法在短期电力负荷的预测模型中，主要通过构件映射库的方式，对历史数据样本进行统计。而在样本数据统计内部，映射库可以直接进行相似日的因素考量，包括气象因素、特殊日期因素、星期、星期差、天气类型等，可以在映射库中找到对应的数据内容。而气象因素中所包含的温度信息、湿度信息、风力风向信息等，都需要在映射库中借助特征量量纲完成统计。模型在进行映射库设置时，应当根据量纲的特点，运用不同量纲值实现无量纲化的统计，进而完成对不同区间的映射。在映射逻辑中，各个量之间能够在数值上拥有可对比性，模型则能够根据对比分析，完成对映射库与实际预测对象的定量计算，获取二者之间的差异度和相似性。在进行模型设定中，要根据映射数据库的实际要求，分别进行原始定量和转化分类定量两个类型的指标建设[4]。其中，原始定量指标主要是指自然环境变化规律所代表的相似日指标，包含温湿度信息、降水量信息、风力信息等自然信息。通过信息统计，完成映射数据库指标建立。转化分类的定量指标主要以相似日特征量为指标设定内容，其中，日期差、日分类、星期分类等都可作为转化定量指标纳入到映射数据库中。

4.3 智能预测

模型为了能够完成对于短期电力负荷的智能预测，需要进行巨量历史数据的建模和预处理。在实际的模型中，历史数据一般利用电量变送器和调度系统进行传输和采集，部分电力系统内部由于人为管理因素的影响，历史负荷数据往往表现出集中在某一天或某几天的波动，从而使得数据丢失或者数据失真，以至于预测数据与实际数据相差巨大。因此，模型在进行数据预处理之前，需要完成数据加工，通过筛选手段，对巨量历史数据中存在的不规则数据进行去除，填补其存在缺失的数据，再借助函数分析，清除模型中的不良影响，获得异动数据垂直处理后的平滑曲线，保障数据信息的真实性。

映射数据库需要根据已知的、完成预处理的数据进行样本选择，样本选择需要与应设法的逻辑一致。在模型中，数据预测样本选择一般遵守“近大远小”的原则，通过对已知日设定为待选日，并结合天气类型、星期类型、气候环境因素等进行因素分析，将待选日的影响因素映射到映射量表中。模型需要通过对映射量表中的数据进行归一化处理，避免数据分析与样本预测出现计算饱和问题。通过归一化处理后的负荷数据需要维持在[0，1]，并借助归一化公式对负荷数据中t时刻进行计算。

本次模型所进行的小波分析，主要借助具有支撑性和高正则性的小波函数daubechies，对于映射库中的历史数据进行三级小波分解，利用分解方式能够将将误差控制在最低，再通过多次数据，将db4小波基进行三尺度分解，从而获取到四个子序列。其中，一个子序列作为低频序列，通过滤除法，对序列中存在的高频分量和奇异值进行滤除，从而还原数据样本的变化本质。其他三组序列则为高频细节序列，四组序列能够直接以各分量的分解形态呈现出不同周期规律，并以实际负荷曲线的方式，完成对于短期电力负荷的智能预测。

4.4 实例论证

为了判断模型的应用方式和预测能力，通过对某电网负荷数据进行统计的方式，完成了对电网电力运行过程中短期负荷情况的预测。在预测过程中，映射数据库主要借助日负荷准确率作为模型预测结果，通过运用小波回归分析方法，对一周内每一天的电力负荷情况做出预测，并与实际的电力负荷情况进行对比。对比结果显示：小波回归分析法所进行的预测平均准确率可达98%以上，准确率极高。