短期電量預(yù)測的應(yīng)用實(shí)例

1引言

電力負(fù)荷預(yù)測是根據(jù)電力負(fù)荷、經(jīng)濟(jì)、社會(huì)、氣象等的歷史數(shù)據(jù)，當(dāng)前及未來天氣信息，預(yù)測未來電力負(fù)荷的過程。

負(fù)荷預(yù)測是電力系統(tǒng)運(yùn)行管理的關(guān)鍵組成部分。工業(yè)、民用、公用事業(yè)用電負(fù)荷特性迥異，電力負(fù)荷及用電量因天氣、社會(huì)活動(dòng)的變化，具有很大的波動(dòng)性和季節(jié)性;對電力負(fù)荷作出正確的預(yù)測，是電力系統(tǒng)制訂擴(kuò)容、運(yùn)行、檢修等計(jì)劃的基礎(chǔ)。為了電力系統(tǒng)運(yùn)行的有效性和運(yùn)行效率，我們需要正確地預(yù)測系統(tǒng)負(fù)荷;如果系統(tǒng)負(fù)荷預(yù)測過高，系統(tǒng)發(fā)電容量偏大導(dǎo)致運(yùn)行成本過高;相反，如果系統(tǒng)負(fù)荷預(yù)測偏低，將會(huì)影響到系統(tǒng)的可靠性和安全性。

2負(fù)荷預(yù)測的主要分類：

2.1按照預(yù)測指標(biāo)分類:

電力負(fù)荷預(yù)測可分為電量預(yù)測和電力預(yù)測。電量預(yù)測包括社會(huì)用電量、網(wǎng)供電量、行業(yè)電量、區(qū)域電量等，電力預(yù)測包括最大負(fù)荷、最小負(fù)荷、負(fù)荷率、負(fù)荷曲線等。

2.2 按照預(yù)測時(shí)間的長短分類，負(fù)荷預(yù)測可分為以下三類：

2.2.1長期負(fù)荷預(yù)測：3～5年甚至更長時(shí)間段內(nèi)的負(fù)荷預(yù)測，用于電力公司規(guī)劃管理，進(jìn)行未來擴(kuò)建、電網(wǎng)改造、設(shè)備采購、人員招聘等預(yù)測;

2.2.2中期負(fù)荷預(yù)測：月至年的負(fù)荷預(yù)測，用于燃料供應(yīng)和機(jī)組維護(hù)的計(jì)劃，功率共享協(xié)調(diào);

2.2.3短期負(fù)荷預(yù)測：指日負(fù)荷預(yù)測和周負(fù)荷預(yù)測，用于經(jīng)濟(jì)運(yùn)行計(jì)劃，機(jī)組發(fā)電系統(tǒng)管理，安全分析，短期維護(hù)等。

2.2.4超短期負(fù)荷預(yù)測：是指未來1h以內(nèi)的負(fù)荷預(yù)測，用于預(yù)防性控制和緊急處理。

3短期負(fù)荷預(yù)測的常用方法：

隨著科學(xué)創(chuàng)新產(chǎn)生的新方法、計(jì)算機(jī)技術(shù)發(fā)展?fàn)I造的實(shí)時(shí)環(huán)境和電力營銷機(jī)制的發(fā)展，二十世紀(jì)九十年代中期以來，短期負(fù)荷預(yù)測在電力文獻(xiàn)中是很常見的研究課題。盡管許多方法經(jīng)過了測試并證明其實(shí)用性，目前還沒有一種強(qiáng)大的通用方法，主要是因?yàn)樘囟ㄇ闆r下的環(huán)境和需求對適用模型的選擇有著重大影響。

3.1時(shí)間序列分析法：

時(shí)間序列分析模型由美國學(xué)者George Box和英國統(tǒng)計(jì)學(xué)家Gwilym Jenkins在1968年提出，被認(rèn)為是最經(jīng)典、最系統(tǒng)的預(yù)測方法，是短期負(fù)荷預(yù)測的常用方法。

3.1.1自回歸——移動(dòng)平均模型(ARMA，AutoRegressive Moving Average)：

自回歸模型(AR，AutoRegressive)負(fù)荷的現(xiàn)在值由過去值的加權(quán)值的有限線性組合及一個(gè)干擾量來表示;移動(dòng)平均模型假設(shè)干擾的影響只表現(xiàn)在有限的幾個(gè)連續(xù)時(shí)間間隔內(nèi)，自回歸——移動(dòng)平均模型既包含自回歸部分又包含移動(dòng)平均部分。

3.1.2累積式自回歸——移動(dòng)平均模型(ARIMA，AutoRegressive Integrated Moving Average)：

電力系統(tǒng)負(fù)荷受季節(jié)、天氣、社會(huì)活動(dòng)、設(shè)備狀況等因素影響，負(fù)荷時(shí)間序列的變化會(huì)出現(xiàn)非平穩(wěn)的隨機(jī)過程。通過差分將負(fù)荷時(shí)間序列進(jìn)行平穩(wěn)處理，然后按照3.1.1和3.1.2的平穩(wěn)時(shí)間序列模型進(jìn)行建模;這就是累積式自回歸——移動(dòng)平均模型。

3.1.3季節(jié)性綜合自回歸移動(dòng)平均模型(Seasonal ARIMA)：

每日負(fù)荷與前一天和上一周相同日具有相似性，不同季節(jié)之間的負(fù)荷具有明顯的區(qū)別;累積式自回歸——移動(dòng)平均模型加上季節(jié)性因素以后，形成季節(jié)性綜合自回歸移動(dòng)平均模型。

3.2基于人工智能網(wǎng)絡(luò)技術(shù)(ANN，Atificial Neural Network)的預(yù)測方法：

研究人員常常使用基于人工智能網(wǎng)絡(luò)技術(shù)的方法進(jìn)行負(fù)荷預(yù)測并取得很好的效果，這些方法的亮點(diǎn)在于假設(shè)人工智能網(wǎng)絡(luò)對負(fù)荷特性有學(xué)習(xí)能力。

3.2.1什么是人工智能網(wǎng)絡(luò)(ANN)?

人工智能網(wǎng)絡(luò)始于人們認(rèn)識到人的大腦以完全不同常規(guī)的數(shù)字計(jì)算機(jī)。人腦是一個(gè)高度復(fù)雜的、非線性的、并行的信息處理系統(tǒng)，組織神經(jīng)元以超過當(dāng)今最快的計(jì)算機(jī)數(shù)倍的速度進(jìn)行運(yùn)算;例如，在陌生的環(huán)境中辨別一張熟悉的人臉，大約只需要100~200毫秒，而常規(guī)計(jì)算機(jī)執(zhí)行一項(xiàng)相對簡單的任務(wù)還需耗費(fèi)數(shù)天之久。

人工智能網(wǎng)絡(luò)將人腦處理特定任務(wù)的方式進(jìn)行模型處理，由電子元件或計(jì)算機(jī)軟件模擬過程執(zhí)行，是由通過學(xué)習(xí)過程具有存儲(chǔ)經(jīng)驗(yàn)知識并使用的許多單一處理單元組成的大型并行處理機(jī)器。

3.2.2人工智能網(wǎng)絡(luò)的優(yōu)勢：

經(jīng)過培訓(xùn)的人工智能網(wǎng)絡(luò)可以作為某個(gè)信息類別的“專家”，為新情況指明方向或回答判斷路徑問題等。

人工智能網(wǎng)絡(luò)是功能極其強(qiáng)大的、高效的并行處理機(jī)器，具有學(xué)習(xí)和歸納能力，對錯(cuò)誤和噪音具有特別的適應(yīng)性。

3.2.3人工智能網(wǎng)絡(luò)的結(jié)構(gòu)：

單層前饋網(wǎng)絡(luò)：

4研究對象和模型選擇：

4.1研究對象：

本文選擇供電區(qū)域內(nèi)的一個(gè)典型的500kVA變壓器作為負(fù)荷預(yù)測分析的對象，負(fù)荷以居民用戶為主、兼有商業(yè)和非工業(yè)單位用戶。

本文嘗試對單個(gè)變壓器的每日用電量進(jìn)行預(yù)測分析。單個(gè)變壓器的負(fù)荷波動(dòng)性較大，特別在周末和節(jié)假日，游客數(shù)量多少對該變壓器用電量影響較大，因此預(yù)測的難度相對加大。

4.2方法和模型選擇：

本文選擇時(shí)序系列分析法為基本研究方法，考慮天氣、季節(jié)等因素，對負(fù)荷時(shí)間序列進(jìn)行平穩(wěn)處理;以EXCEL表格為基本分析工具，采用人工智能網(wǎng)絡(luò)技術(shù)對天氣、季節(jié)各變量分配相應(yīng)的權(quán)重，同時(shí)對誤差進(jìn)行及時(shí)修正。

4.3數(shù)據(jù)時(shí)間范圍：

由于今年3月份開始收集負(fù)荷數(shù)據(jù)，因此負(fù)荷數(shù)據(jù)的時(shí)間長度只有三個(gè)月，暫時(shí)沒有定義出各季度變量的權(quán)重系數(shù)，有待下一步在積累更多數(shù)據(jù)后進(jìn)行分析。

5電量預(yù)測及結(jié)果分析：

5.1輸入：

5.1.1天氣信息：

每日最高溫度、最低溫度、濕度、平均風(fēng)力、晴雨、臺風(fēng)等。