基于解集模型的水电站超短期负荷预测研究

寇立夯?陈在妮?朱阳

摘 要：结合瀑布沟电站实际负荷资料，提出基于解集模型与标幺值原理的负荷预测模型，并进行超短期负荷预测实例验证，预测结果与电网下达的计划出力对比分析结果表明，模型预测结果与实际负荷的偏差明显小于计划出力与实际负荷的偏差。本文所建负荷预测模型可用于指导水电站的生产运行管理，特别是指导发电企业参与现货市场交易决策。

关键词：典型解集模型;相关解集模型;标幺值;超短期负荷预测;瀑布沟电站

中图法分类号：TM73                  文献标志码：A               DOI：10.19679/j.cnki.cjjsjj.2021.0212

随着电力市场化改革不断深化，作为第一批电力现货市场试点省份，四川省已经进入现货市场模拟运行阶段。超短期负荷不仅对于发电企业制定发电计划、避免重大事故、保障生产和生活用电有着重要作用，随着电力现货市场的展开，对企业制定现货市场竞价策略也有著重要指导意义。负荷预测可分为传统方法和人工智能两大类。传统方法中的时间序列预测一般以建立符合假设条件的统计模型来实现，基于线性关系确立序列中数据点间的依存方式，其优点是方法计算简单，属于模型驱动的预测方法[1-3]，包括移动平均法、指数平滑法、自回归方法等。人工智能方法中的人工神经网络是由大量信息处理单元通过广泛互连的方式构成的一种数学模型，是一种基于数据驱动的预测方法[4-6]，相关研究已取得了积极的成果[7-10]。

瀑布沟水电站是大渡河流域下游控制性水库工程，作为四川省电网的主力调峰调频电站，对四川电网全稳定运行以及下游梯级水电站群发电运行等均具有重要的影响。目前关于电站短期负荷预测的研究较少，为此，本文基于解集模型与标幺值原理，提出两种瀑布沟电站96点负荷耦合预测模型，通过与电网下达计划负荷对比分析表明，本文模型的预测效果优于电网计划出力曲线，能够较明显的提高瀑布沟电站的负荷预测精度。

1  预测模型基本原理

解集模型是一类用途广泛的模型，其实质是基于某种关系将总量随机分解成各分量，其显著特点是能够保持变量平衡和连续分解。当前应用的解集模型主要有典型解集模型

1.1  典型解集原理

典型解集模型的思路是，先预测总量，再按照某种原则从实测资料中选择一种分配系数对预测总量进行分配，得到预测分量序列。使用典型解集模型进行96点负荷预测主要有以下三个步骤：预测日电量序列;生成分配系数序列;结合上述两个步骤确定96点预测序列。

1.2  相关解集原理

相关解集模型的分量序列能全面反映总量和各分量之间的统计关系。在负荷预测应用时，相关解集模型的优点在于其能够体现各时刻负荷不仅和当天总电量有关，还受到相邻其它时刻的负荷影响，步骤如下。

数据去中心化处理，即

xt =- x′（1）

yt，m = - ym′（2）

其中、分别为日电量和96点负荷;、分别为日电量、96点负荷的均值;xt、yt，m分别是中心化的日电量和96点负荷。

建立相关解集模型，即

Y= A·X + B·ε  （3）

其中，Y为中心化后的96点负荷，X为中心化的日电量，对瀑布沟电站只有一个元素，ε为96点标准化的独立随机变量矩阵，A，B为特征参数。

2  负荷预测模型构建

2.1  典型解集预测模型

通过比选多种负荷分配系数和总量以及多种标幺值和基准值的模型组合后，本文选取以日最大点负荷为基准的标幺值方法。其中标么值指的是某一物理量的实际值与某一选定同单位的对照值之间的比值，该模型的建模过程如下。

求得T-1日（待预测日T的前一日）的96点负荷的最大值F_maxT-1。

将T-1日的96个点负荷分别除以该日最大点负荷F_maxT-1，得到T-1日的96个标幺值，显然，标幺值在该日的最大点负荷处可以取得最大值1，最大点负荷可能不止1个，所以相应的标幺值为1的点可能超过1个。

T日96点负荷最大值的预测值F_maxT直接取为T日96点计划负荷的最大值P_maxT。

将（2）求得的96个标幺值分别乘以（3）步得到的P_maxT，则得到T日的96点负荷预测值，顺序从时刻0：00到时刻23：45。

2.2  相关解集预测模型

在相关解集模型中，使用了不同长度的相关区间（可以理解为相关解集模型的训练区间，即每个待预测日的分配系数由之前一定天数的分配系数根据相关解集的方法确定），分别为前2天和前3天，预测负荷值用来相关分析的天数也分别为2天和3天，即公式（3）中A、B和ε的值分别根据前2天、前3天的X、y序列数据计算确定。其中，相关解集（前2天）模型使用XT-1，XT-2和yT-1，1～ yT-1，96、yT-2，1～ yT-2，96来计算A、B和ε;相关解集（前3天）模型使用XT-1，XT-2，XT-3和yT-1，1～ yT-1，96、yT-2，1～ yT-2，96、yT-3，1～ yT-3，96来计算A、B和ε的值。

根据典型解集的预测规律，本文在建模时也采用标幺值的预测方法，即相关解集模型的分析和预测数据均为各日的标幺值（基准值为每日最大点负荷），在求得待预测日的96点标幺值后，点乘待预测日的96点计划最大点负荷，得到该日的96点预测负荷过程。

3  实例分析

为对全年内不同时间段进行预测，验证模型的适用性，结合瀑布沟电站负荷整体趋势，本文将其划分为8个区间，具体划分见表1。

按照上述典型解集模型的构建步骤，结合瀑布沟电站实际负荷数据，对瀑布沟电站2017年和2018年年内各区间的负荷进行预测，并将其与电网发电计划的偏差情况进行对比，结果如表2所示。

由表2可知，典型解集模型的整体预测效果较好，相比平均计划偏差，这种模型在2018年部分区间（区间1、2、3、7、8）的平均预测误差可以减少20个百分点以上，在区间8预测误差减少81.1个百分点。

按照上述相关解集模型的构建步骤，结合瀑布沟电站实际负荷数据，分别以待预测日前2天和前3天的数据为相关区间，对瀑布沟电站2017年和2018年年内各区间的负荷进行预测，并将其与电网发电计划的偏差情况进行对比，结果如表3所示。

由表3可知，在区间1和区间7，以前2天为相关区间的相关解集模型比以前3天为相关区间的相关解集模型平均预测误差更小。在区间2、区间3、区间4和区间8，以前3天为相关区间的相关解集模型比以前2天为相关区间的相关解集模型平均预测误差更小。

结合表2和表3可知，典型解集模型和相关解集模型的预测结果均能较好的减少发电计划的偏差，提高发电负荷的预测效果。其中，除区间1、区间3和区间6之外，两種相关解集模型方法均比典型解集模型方法的预测效果更好，平均预测误差更小。

4  结语

在电力市场化改革不断深入的背景下，水电站负荷预测的重要性日益凸显。为此，本文结合瀑布沟电站实际情况，构建适用于水电超短期负荷预测的典型解集模型和相关解集模型，并通过实例验证表明，本文所建负荷预测模型均能够较好地提升水电站超短期负荷预测的准确性，与电站计划负荷曲线相比，均能够明显减少瀑布沟电站负荷曲线的偏差，对于指导瀑布沟电站发电计划制定以及参与即将开展的现货市场竞价决策均具有重要的理论和现实意义。

参考文献：

[1] Williams J K，Neilley P P，Koval J P，et al. Adaptable regression method for ensemble consensus forecasting[C]//Thirtieth AAAI Conference on Artificial Intelligence. 2016.

[2] Liu C，Hoi S C H，Zhao P，et al. Online arima algorithms for time series prediction[C]//Thirtieth AAAI conference on artificial intelligence. 2016.

[3] Anava O，Hazan E，Zeevi A. Online time series prediction with missing data[C]//International Conference on Machine Learning. 2015：2191-2199.

[4] Sheng C，Zhao J，Wang W，et al. Prediction intervals for a noisy nonlinear time series based on a bootstrapping reservoir computing network ensemble[J]. IEEE Transactions on neural networks and learning systems，2013，24（7）：1036-1048.

[5] Abdollahzade M，Miranian A，Hassani H，et al. A new hybrid enhanced local linear neuro-fuzzy model based on the optimized singular spectrum analysis and its application for nonlinear and chaotic time series forecasting[J]. Information Sciences，2015，295：107-125.

[6] Gupta P，Batra S S. Sparse short-term time series forecasting models via minimum model complexity[J]. Neurocomputing，2017，243：1-11.

[7] Bianchi F M，Scardapane S，Uncini A，et al. Prediction of telephone calls load using echo state network with exogenous variables[J]. Neural Networks，2015，71：204-213.

[8] Ren Y，Suganthan P N，Srikanth N，et al. Random vector functional link network for short-term electricity load demand forecasting[J]. Information Sciences，2016，367：1078-1093.

[9] Zjavka L. Numerical weather prediction revisions using the locally trained differential polynomial network[J]. Expert Systems with Applications，2016，44：265-274.

[10] Dasgupta S，Osogami T. Nonlinear dynamic Boltzmann machines for time-series prediction[C]//Thirty-First AAAI Conference on Artificial Intelligence. 2017.

Research on Ultra-short-term Load Forecasting of Hydropower Station Based on Disaggregation Model

Kou Libang1  Chen Zaini2  Zhu Yang2

（1. National Energy Investment Group Co.， Ltd.，Beijing 100038，China; 2. National Energy Dadu River Basin Production Command Center， Chengdu 610041， China）

Abstract：With the deepening of electricity market reform，Sichuan Province，as the first batch of power spot market pilot province，has entered the spot market simulation operation stage，so accurate prediction of ultra-short-term load is particularly important for power generation enterprises.Combined with actual load data of Pubugou hydropower station，this paper proposed a load forecasting model based on disaggregation model and per-unit system，and examined the model by short-time load forecasting practical example.The analysis results show that the error of  the load forecasting model is obviously less than the deviation of plan and actual load.The model proposed by this paper can be used to guide production management of hydropower station，especially making policy for spot market transaction.

Keywords：typical disaggregation model，correlational disaggregation model， per-unit，ultra-short term load forecasting，Pubugou Hydropower Station