中长期负荷预测研究

方 勇

(深圳中广核工程设计有限公司，广东 深圳 518100)

0 引言

负荷预测是根据电力负荷的变化规律，探求电力负荷与各种相关因素之间的内在联系，从而研究出能够科学地反映过去与将来负荷关系的理论方法，最终得到未来某一特定时刻的负荷值[1]。负荷预测在常规电力系统及智能微电网中有着极其重要的作用，高精度的负荷预测便于科学调度及优化配置电力网络，从而可以为用户提供安全可靠的电能，提高社会效益和经济效益。

按照时间的长短划分，负荷预测可以分为长期、中期、短期和超短期四种预测[2]。中长期负荷预测通常以年为单位，进行中长期负荷预测可以为微电网规划及建设提供数据参考; 短期负荷预测通常可用月、周、日、小时为单位，主要对区域之间的电力平衡的调整提供依据; 超短期负荷预测通常以分钟为单位，主要用于实时调度、系统安全分析、控制策略，以及提升经济效益。

中长期负荷预测方法包括单耗法[3]、电力弹性系数法[4]、趋势外推法[5]、回归分析法[6]和人工神经网络法[7]等；短期及超短期负荷预测方法包括时间序列法[8]、灰色预测法[9]、支持向量机方法[10]、小波分析法[11]和综合模型预测法[12]等。

在实际的负荷预测工作中，由于历史数据在检测、记录、转换、传输等过程中均可能出现数据异常，或者由于天气突变、线路检修、突发事件等导致负荷数据异常变化[13]。这些异常数据通常会干扰负荷预测结果，若直接用来进行负荷预测，会对预测精度造成一定影响，或者根本无法得出理想的预测结果[14]。

本文采用回归分析与趋势外推相结合的预测方法，通过负荷数据的横向比较，识别异常数据，再通过插值法进行异常数据修正，然后通过分析历史时间序列的负荷数据，寻找合适的函数模型曲线进行拟合，从而得到负荷预测数据。

1 异常数据处理

在大量的数据中依靠人工搜索异常数据是不可行的，本文采用横向比较法识别异常数据。定义负荷变化平均倍率K，则

(1)

(2)

其中α(i)为负荷变化平均值，为Li第i(i=1，2，…，n)天的负荷数据。

通过引入一个人为规定的参数P(本文取值P=4)，通过调整其大小就可改变辨识与修正的程度，该值越大，修正的程度越低。当Ki≤P时，可认为第i个数据在正常范围内波动，当Ki>P时，可认为第i个数据存在突变。

在识别出异常负荷数据后，通过线性回归拟合插值进行负荷数据修正。以4月份负荷数据为例，通过本文所采用方法，识别出4月份第7天和第8天数据为异常数据。修正前后的数据曲线如图1所示。

图1 修正前后的数据曲线

2 负荷数据聚类分析

采用平均聚类标准差作为准则函数，即

(3)

其中：Je是数据集中所有数据对象的平均聚类标准差，x是数据对象，mi是组ci的平均值。

经过计算，Je=28.32<40.84，满足收敛标准。负荷数据聚类的概率及正态分布概率密度曲线如图2所示。

图2 聚类概率及正态分布概率密度曲线

3 负荷数据预测

1)按月份预测。以N次多项式进行负荷数据的曲线拟合，即满足

y=a1xN+a2xN-1+…+aNx+b

(4)

其中a1，a2，…，aN，b为常数。

拟合决定系数为

(5)

其中，实测值为Yi，拟合曲线计算值为yi，n为数据的个数。

考虑到本文负荷数据的复杂性，本文采用6次多项式进行曲线拟合，即

y=a1x6+a2x5+a3x4+a4x3+a5x2+a6x+b

(6)

经过曲线拟合，得到月度数据拟合曲线，如图3所示。由此可知，每年的各月份负荷可按公式进行每月负荷预测，拟合决定系数R2=0.908 3，具有较好的相关性。

图3 月度数据拟合曲线

2)按星期预测。将数据按星期进行分类，1—11月作为已知数据，12月作为预测数据，进行负荷数据分析预测，1—11月份数据如图4所示。

图4 按星期分类数据

经过汇总，得到周一至周日的拟合相关系数如表1所示。可以看出，除星期二外，其余时间的拟合决定系数均大于0.7，具有较好的相关性。

表1 拟合曲线系数

通过多项式拟合，可以得到12月1—7日的整个星期内的预测值及误差，如表2所示。

表2 12月份预测值及误差

为准确预测负荷数据，引入修正因子Qi，Qi定义为第i月预测数据与第i月实际数据(首次)的比值。通过计算，得到引入修正因子前后的误差对比如表3所示。

表3 前后误差对比

由此可见，引入修正因子后，除了星期三误差增大较为明显外，其他情况下的误差要么差别不大，要么有所减小。导致星期三误差明显增大的原因主要是由于11月、12月星期三的负荷数据相关性较差。总体而言，引入修正因子后，平均误差下降了4个百分点。

4 结语

本文通过对获取原始负荷用电数据的横向比较，进行数据预处理，消除了异常数据，通过对插值法对异常数据进行了修正。在修正的数据基础上，通过对负荷数据的分析及预测，得到了不同时段类型的负荷拟合曲线。并通过聚类分析，得到了负荷的分布特性。然后采用回归分析与趋势外推相结合的方法，引入修正因子，平均误差有一定的降低，平均预测误差在10%以下，充分说明了该方法的实用性和有效性，可为后续微电网规划配置奠定一定的技术基础。