提高配電網短期負荷預測準確率的研究

曹松錢

（國網浙江省電力公司寧波供電公司，浙江寧波315200）

提高配電網短期負荷預測準確率的研究

曹松錢

（國網浙江省電力公司寧波供電公司，浙江寧波315200）

以鎮海電網作為研究對象，將影響電網負荷的外界因素量化為特征向量，并修正了最高溫度，采用相似日選擇法選取與待預測日相似程度最高的日期作為輸入樣本，通過灰色系統的計算得到負荷預測值。通過對鎮海電網工作日和節假日分別進行負荷預測分析，驗證了此方法的實用性和有效性。

短期負荷預測；氣溫；相似日；灰色系統

電力系統負荷預測指的是在考慮一些重要的運行特性、增容特性、自然條件以及設備影響的前提下，利用各種計算方法去預測未來負荷變化規律，并能滿足一定的精度要求。提高負荷預測水平有利于計劃用電、減少能耗和發電成本、合理安排檢修計劃和調整電網運行方式[1-2]。

以鎮海配電網為主要研究的對象，探討短期負荷預測的方法，即預測未來1～7日的負荷變化趨勢。

1 負荷預測方法的選擇

電網的短期負荷受到各種因素的影響，其中較為明顯的有天氣變化、社會活動和節假日類型等因素，從時間序列上來看呈現出非平穩的隨機過程，但是影響電力系統負荷的各種因素大部分是具有規律性的，這也就為實現有效的負荷預測奠定了基礎。目前常用的負荷預測的方法有回歸分析法、時間序列法、神經網絡法、灰色系統法等[3-6]。

采用了灰色系統法可以對含有不確定因素的系統進行預測，利用灰色模型（GM）的微分方程作為單一指標（如網供負荷）的預測時，求解微分方程的時間響應函數表達式即為所求的灰色預測模型。對模型的精度和可信度進行校驗并修正后，即可據此模型預測未來的負荷，適用于信息匱乏條件下的分析和預測。常用的灰色預測模型是GM（1，1），其優點在于建模時不需要計算統計特征量，用于任何非線性變化的指標預測，需求的負荷數據少，不考慮分布規律和變化趨勢。

以下采用的是相似日選擇法和灰色系統預測法相結合的方式，先在歷史數據中檢索出與預測日相似程度較高的幾個典型日，完成處理和修正以后作為灰色系統的輸入值，通過微分變換得出對應的負荷預測值。

圖1是近幾年來鎮海電網負荷增長情況，從圖1可以看到，鎮海地區工業發展十分迅速，電網負荷增長明顯，近幾年維持在15%左右的增速，電網的參數變動較大，歷史數據的參考價值不大，所以選擇灰色系統法來應對信息量不足的問題，會取得良好的效果。

圖1 網供最大負荷變化趨勢

2 電網負荷特性分析

圖2是某日鎮海電網負荷變化情況，通過觀察典型日網供負荷曲線可以看到，負荷曲線8∶00開始上升16∶00開始下降，期間出現2次波峰，分別在10∶00和14∶00，由此可見鎮海區工業負荷特性較為明顯。

圖2 鎮海電網日負荷變化

鎮海地區專線用戶有24家，大多數為化工企業，其負荷曲線主要有3類，第1類企業用電負荷基本不變，呈1條直線，典型代表為鎮洋化工；第2類企業用電負荷呈現振蕩式周期性變化，主要與其生產工藝有關，典型代表為天地特鋼；第3類企業用電負荷在以日為周期變化，典型代表為光鑫特鋼。

其中第1類和第3類企業的負荷除了出現臨時故障或者節假日休息等特殊情況外基本不變，沒有研究的價值；第2類企業需要預測生產周期，通過建立大用戶每日上報制度，基本能實現準確預測，這些用戶負荷幾乎不受外界因素的影響。為提高預測的準確度，在研究負荷預測時均將上述幾家大用戶負荷剔除，得到電網基礎負荷，通過灰色系統計算得出預測結果，在此基礎上疊加上述專線大用戶負荷，最終得到實際的網供負荷值。采用此方法有助于發現外界因素對電網負荷的影響程度。

3 相似日選取與修正

3.1 相似日選擇流程

相似日選擇的方法有很多，而各種方法的側重點不同。有純粹利用歷史負荷數據，用負荷的趨勢相似度與曲線相似度相結合來選取相似日；有利用氣象要素與負荷曲線相結合，將氣象數據與負荷數據相結合，用不同季節里溫度對負荷的影響來選取相似日[7-8]。

此處采用預測日的日類型和氣象要素來選取相似日，選擇流程見圖3。通過獲取待預測日的類型和氣象信息，在歷史數據庫中檢索出相似度較高的N天作為樣本輸入灰色系統進行計算得出預測值。

圖3 相似日選擇流程

3.2 日期分類

鎮海配電網周負荷曲線見圖4，觀察1周的網供負荷曲線可以發現，周二至周五的負荷曲線基本一致，沒有太大的變化，所以將其定義為工作日，在選取時不需要區分。周六負荷整體比工作日偏小，可以參考工作日負荷變化趨勢，周日負荷最小，一般最大負荷比工作日減少100 MW左右，周一凌晨時段負荷較工作日明顯偏小，所以這3天的負荷定義為周末負荷，選取時只能參考之前的周末負荷。

特殊日指負荷明顯不同的特定日期。主要包括一些節日，如元旦、春節等。另外，一些地區的災害性天氣、舉辦特定活動的日期也可認為是特殊日。一年當中特殊日出現的次數不多，在定義日期類型時未加區分，統一歸為一類，在遇到特殊日需要預測時，采用人工選取的方式。

圖4 鎮海電網周負荷曲線

3.3 日期距離修正

式中：Sim為第x周日期距離因素的相似度；a為衰減系數，定義為歷史日所在的周與待預測日每增加1周相似度的縮減比例，一般取值在（0.9，0.99）區間范圍內；C為最低相似度。

設置以周為單位主要考慮到一般情況下1周內的負荷變化很小，具有較高的參考價值，設置日期距離相似度系數可以保證其入選。設置最低相似度是為了應對氣溫突變情況的發生，進入夏季以后剛出現高溫時本年度數據無法利用，只能檢索歷史數據，或者在持續高溫情況下出現降溫或者降雨導致近期內沒有相似日，為了保證距離遠的日期在出現上述情況時有入選的可能性，所以設置了最低相似度。

一般來說，距離待預測日越近其負荷曲線相似度越高，因此在選擇相似日時，應遵循“近大遠小”的規律。日期距離相似度的修正采取下式計算：

3.4 歷史數據修正

若研究的配電網處于成熟期，則可以直接參照使用歷史數據，此處研究的配電網處于發展期，近2年的負荷數據具有參考價值，在選取歷史數據時需要對其作出修正，若直接引用偏差過大。采取的方法是將待預測日所在月份的前1個月某1周負荷取平均值，減去對應前N年月份某1周負荷平均值，估算出2個年份對應月的負荷差值，將其加在下1個月對應工作日的網供負荷上，作為修正后的歷史數據。選取上1個月的數據來計算差值主要考慮到用戶接入的時間和負荷是隨機的，不是按比例平穩增長的，選取時間越接近，修正后得到的電網負荷預測也就越準確。

圖5顯示2014年和2013年4月份某1周的負荷差值，將其作為增長負荷疊加在5月份的網供負荷上，得到修正以后的歷史網供負荷值。

圖5 負荷修正

3.5 氣溫修正

由于人體感官對溫度的變化有一個適應的過程，若該地區一直處于高溫天氣，負荷處于較高水平，如果某1天溫度突然下降，則負荷減少不明顯。相反，涼爽的天氣持續一段時間以后，溫度突然上升，負荷上升也不明顯。所以在選取相似度時需要將最高溫度進行修正，體現出前幾日溫度的累積效應[9-10]。

考慮到溫度的累積效應主要體現在空調負荷上，所以只有溫度介于28℃和38℃之間時修正，低于28℃空調負荷未開啟，高于38℃時空調已基本全部開啟。

式中：T′為考慮累積效應后的待預測日最高氣溫修正值；T0為待預測日最高氣溫；Ti為待預測日i天前氣溫的真實值；k為累積效應系數；p=min（n，3）；n為日最高溫度連續高于28℃的天數。

3.6 特征向量

通過對影響負荷預測的各個參數量化以后形成一個特征向量，包括日類型、天氣、最高溫度、最低溫度、相對濕度等。通過矩陣運算可以快速檢索出負荷條件的待選日期，再計算最高溫度偏差值和日期距離，得到具體的相似度數值，選取相似度最高的N個待選日作為灰色系統的輸入值。采用上述方法可以減少計算量，快速得到所需的網供負荷預測值。

特征向量：E=[D，W，H，Tmax，Tmin]，

4 灰色系統的負荷預測

4.1 預測流程

短期負荷預測流程見圖6。首先選取相似日負荷值作為輸入值，得到預測值，疊加上專線大用戶負荷，然后判斷網架結構是否正常，有無限電等，若沒有就不需要修正。

4.2 灰色GM（1，1）模型

灰色GM（1，1）模型通過累加的方式，將離散的負荷數據轉化成非減遞增數列，從而削弱原樣本數據的隨機性，突出其趨勢性，以探求數據序列的內在規律，其基本的形式是：

根據新序列x（1）計算灰色模型的背景值序列z（1），可得

GM（1，1）模型的微分方程為

式中：a為發展系數；b為灰作用量。

式中：z（1）（t）為上文定義的背景值。

由最小二乘法求出

圖6 短期負荷預測流程

得到灰色模型為

式中：t=1，2，3，…，n.

4.3 預測結果修正

得到預測結果以后，結合近期的配電網檢修工作，同時利用現有的PI數據庫檢索鎮海地區負荷較大的用戶前幾日負荷數據，判斷負荷是否出現波動。

各考核點負荷預測偏差率：

日負荷預測偏差率均方根：

日負荷預測準確率：

月負荷預測準確率：

4.4 預測結果

周負荷預測平均準確率見圖7，2014年3月份的負荷預測準確率見表1。

可以看到，負荷預測的準確率基本能維持在97%左右的高水平，其中工作日準確率在98%左右，其余在97%左右。主要原因在于工作日參考的歷史數據豐富，1周有4天，能選擇相似程度高的樣本，而其余日期1周只有1天，加上星期天負荷最小，導致準確率相對要略差一點。

圖7 周負荷預測平均準確率

表1 2014年3月份負荷預測準確率%

5 節假日負荷預測

節假日負荷預測難度較大，其原因在于電力負荷特性與正常的工作日和周休日的特點明顯不同，采用相似日選取的方法存在樣本容量不足的問題，不能單純的以過去某1年的歷史數據作為參考。

節假日的負荷預測主要采用比例法，操作步驟：選取相似的參考模型，得到參考的歷年節假日的節前節后以及節假日當天歷史數據；計算節假日當天各個時刻與節前各個關聯日時刻的比值系數，通過該比值系數構成1個序列，利用該序列可以預測出待預測年的比值系數；結合預測年節前關聯日各個時刻的負荷數據，依次計算出待預測節假日所有時刻的數據，即可得到該節假日的負荷曲線。其中關聯日可以參照前文中提到的相似日的方法選取，一般挑選放假前1周的配電網負荷參數。

比值系數計算如下：

假設共有N年的歷史數據，每年節前關聯日為m天，先求出第n年第l日t時刻負荷為Pnlt，對第n年節前關聯日求平均值

設第n年節假日t時刻負荷為Pnt，則該年的t時刻比值系數為

得出96個點的比值系數后，將其作為輸入值構成初始序列X（0），后續的計算方法與正常工作日一致。

在分析了鎮海地區歷年的網供負荷數據后，發現節假日期間最小負荷均出現在法定節假日的當天，負荷的變化趨勢與法定節假日在3天假期中所處的位置有直接的關系。

若第1天為法定節假日，則第1天負荷最低，后面兩天負荷逐步回升；若第2天為法定節假日，則第2天負荷最低，第1天、第3天負荷基本相當，3天的最高負荷呈現V字型走勢；若第3天為法定節日，則該節假日3天的最高負荷逐日下降，第3天達到最低。其原因在于鎮海的網供負荷構成以工業負荷為主，法定節假日當天由于加班費較高以及傳統觀念的影響，一般企業都選擇放假，其余兩天負荷的下降比例與是否是正常工作日關系較大，如果是正常工作日，企業的放假比例較小，網供負荷的下降幅度也較小。

如2013年和2014年的清明節法定節日均為放假的第1天，所以負荷曲線基本一致，而2012年法定假日為放假的第3天，所以有較大的區別。清明節負荷曲線見圖8。

圖8 清明節負荷曲線

在對比3年的負荷曲線以后可以發現，清明、五一、端午這3個節日的負荷曲線與法定假日出現在第幾天有直接的聯系，2014年清明節的負荷走勢與2012年端午節的負荷走勢基本一致，也就是說在選取參考模型時，上述3個節日可以相互參照，其他節假日也存在類似的規律。

通過本文介紹的方法對2014年端午的負荷進行了預測，得到3天的網供負荷曲線，其負荷預測準確率分別為97.12%，95.85%，96.23%。考慮到節假日負荷較低，基數小，偏差率比正常工作日要大的多，所以結果是令人滿意的。其中第2天和第3天的略低，第2天負荷最小，第3天回升，所以第3天預測準確率要好于第2天。

6 結語

對配電網供負荷做分類處理，篩選出不受外界因素影響的專線負荷，得到基礎負荷后采用相似日選擇法選取輸入樣本，并對樣本添加了日期距離，修正了最高溫度，使得選出的樣本與待預測日的相似程度得到了明顯的提高，采用灰色系統得到預測負荷值。在節假日預測時采用合理的參照模型和比值法都取得了良好的結果。

[1]康重慶，夏清，張伯明.電力系統負荷預測研究綜述與發展方向的探討[J].電力系統自動化，2004，28（17）∶1-11.

[2]康重慶，夏清，劉梅.電力系統負荷預測[M].北京：中國電力出版社，2007.

[3]于海燕，張鳳玲.基于模糊神經網絡的電力負荷短期預測荷預測中的應用[J].電網技術，2007，31（3）∶68-72.

[4]楊正瓴，王渭巍，曹東波.短期負荷預測的Ensemble混沌預測方法[J].電力系統自動化，2007，31（23）∶9-13.

[5]張振高，楊正瓴.短期負荷預測中的負荷求導法及天氣因素的使用[J].電力系統及其自動化學報，2006，18（5）∶79-83.

[6]張林，劉先珊，陰和俊.基于時間序列的支持向量機在負荷預測中的應用[J].電網技術，2004，28（19）∶38-41.

[7]莫維仁，張伯明，孫宏斌，等.短期負荷預測中選擇相似日的探討[J].清華大學學報：自然科學版，2004，44（1）∶106-109.

[8]錢衛華，姚建剛，龍立波，等.基于負荷特性分析的短期負荷預測相似日選擇方法[J].華中電力，2007，20（1）∶17-21.

[9]金義雄，段建民，徐進，等.考慮氣象因素的相似聚類短期負荷組合預測方法[J].電網技術，2007，31（19）∶60-64.

[10]王鵬，邰能靈，王波，等.針對氣象因素的短期負荷預測修正方法[J].電力系統自動化，2008，32（13）∶93-96.

（本文編輯：楊勇）

Study on Accuracy Improvement of Short-term Load Forecast of Distribution Networks

CAO Songqian
（State Grid Ningbo Power Supply Company，Ningbo Zhejiang 315200，China）

This paper investigates on Zhenhai power grid and quantifies external factors that influence grid load as characteristic vectors.Furthermore，it corrects the maximum temperature，adopts the date which is very well similar to the forecast day as the forecast day by using similar day selection method and concludes load forecast value by grey system calculation.By forecast and analysis on load in working day and festivals and holidays，practicality and effectiveness of the method are verified.

short-term load forecast；air temperature；similar days；grey system

TM715

：B

：1007-1881（2014）11-0009-06

2014-09-11

曹松錢（1988－），男，浙江寧波人，助理工程師，從事電力系統調度工作。