日最大負荷特性分析及預測方法

馬立新，李淵

（上海理工大學光電信息與計算機工程學院，上海200093）

日最大負荷特性分析及預測方法

馬立新，李淵

（上海理工大學光電信息與計算機工程學院，上海200093）

電力調度和市場營銷部門對電力負荷數據的走勢形態和預測方法十分重視。在實際應用中，電力市場對提前預測未來連續多天的日最大負荷提出了新的要求。本文根據電力系統中日最大負荷的歷史數據，分法定假日與非假日兩部分單獨研究其特性。對于假日最大負荷的預測，設定假日因子；對于非假日，通過小波分解提取日最大負荷變化的周期特征，再分別建立相應的BP神經網絡模型進行預測。通過對某市電力負荷數據的預測及結果表明：采用這種組合方法可行有效、預測精度滿足行業要求。有較強的理論意義和廣泛地應用前景。

特征提取；連續多天負荷預測；日最大負荷；假日負荷預測；神經網絡

電力系統的規劃、維護和運行需要做出不同類型的負荷預測，按方法分類，專家學者們提出了趨勢外推法、專家系統法、神經網絡法、支持向量[1]等負荷預測。按照預測期限的不同，傳統的負荷預測可分為：超短期預測、短期預測、中期預測和長期預測4類。連續多天的負荷預測，介于短期預測和中期預測之間，其所處的位置見圖1。近年來，由于電力調度和市場營銷部門對連續多天的負荷預測提出了新要求，因此對于連續多天、一個月甚至更長時間的負荷預測研究值得重視。

日最大負荷是指：在一晝夜內電力負荷最大峰值。日平均負荷值與日最大負荷值之間稱峰荷，日最大負荷值與日最小負荷值之差稱峰谷差。日最大負荷影響整個電網、尤其是網架結構薄弱地區電網的安全穩定運行。目前對它的研究集中在短期預測，且主要著力于研究日最大負荷與天氣的關系，如文獻[2]。但由于難以獲取未來連續多天甚至一個月的準確天氣信息，因此對中短期日最大負荷預測研究較欠缺。本文分析了日最大負荷的變化規律并加以應用，提高了連續多天日最大負荷預測的精度。

圖1 預測數據的時域示意Fig.1Time-domain schematics of forecasting data

1 重大節假日預測方法

在元旦、清明節、五一勞動節等重大節假日（下文假日均指法定放假3天的法定節假日），由于大多數工廠停工，假日中最大負荷相對于正常工作日和周日存在明顯差異。若不對假日進行單獨預測，而與非假日用相同的BP神經網絡進行預測，這樣的模型無法應對節假日時最大負荷的大幅降落，預測結果不理想。為了合理經濟地安排發電機組的啟、停、檢修，同時保障節日期間生活用電得以滿足，對節假日的日最大負荷特征進行研究，并單獨建立模型進行預測就顯得尤為重要。

1.1 假日最大負荷變化特性分析

通過對多個市歷史節假日最大負荷數據進行分析后發現：

（1）相較于其他時間，法定節假日期間的最大負荷有所降低；

（2）假日3天中，日最大負荷降低的幅度與法定節日當天在3天的假期中所處位置有關；

（3）若法定節日出現在假期的第1天，則第1天負荷最小，后面兩天逐級增大；若法定節日出現在假期的第2天，則第2天負荷最小，第1天負荷最大，第3天居中；若法定假日出現在第3天，則3天假期負荷逐日遞減[3]。

圖2 某市歷史3天節假日最大負荷變化趨勢Fig.2Daily peak load of three-days holiday in a city

圖2 是某市2012年元旦、端午、清明假日3天最大負荷的標幺值，它們的法定節日當天分別出現在假期的第1、2、3天，其負荷變化趨勢與描述相符。

1.2 假日預測神經網絡模型的建立

根據上文中提出的節假日負荷變化的幾點特征，用歷史年節假日3天的負荷數據建立訓練樣本集，對其進行單獨預測很有必要。另外，由于待預測假日出現在假期的位置不同，其負荷下降的幅度也不同，可設置一個假日因子編碼：

（1）若節日出現在第1天，則3天假期的假日因子編碼依次為0.2、0.3、0.5；

（2）若節日出現在第2天，則3天假期的假日因子編碼依次為0.5、0.2、0.3；

（3）若節日出現在第3天，則3天假期的假日因子編碼依次為0.5、0.3、0.2。

在對節假日的最大負荷進行預測時，考慮到節假日幾天負荷降落的特殊規律，依據圖3建立模型，并在BP神經網絡的輸入增加假日因子編碼，可極大地提高預測精度。

圖3 節假日負荷預測模型Fig.3Holiday load forecasting model

2 小波分析-BP神經網絡組合預測方法

一般在理論研究中，負荷預測都是連續的，但在實際工程應用中，為了能提前、合理地安排電網運行方式，對日最大負荷的預測往往有一段時間間隔，其時域關系見圖4。因此不適合用傳統的趨勢外推法利用待預測日前幾天的負荷數據外推出預測結果，而要找出與待預測日類似、關聯度較高的歷史數據作為輸入。因此若能根據歷史負荷數據提取出其變化周期，就有利于選擇有效數據作為輸入。

圖4 負荷預測時序分類Fig.4Time-series classification of load forecasting

2.1 小波分析提取負荷變化特征

設函數φ（t）為一平方可積函數，即φ（t）∈L2（R），稱φ（t）為小波函數，若其傅里葉變換φ（ω）滿足容許性條件：

則稱φ（t）是容許小波或者稱為母小波。

小波變換的實質是選擇一個合適的母小波通過時間軸上的位移與放縮和幅度的變化產生一系列的派生小波，用系列小波對要分析的信號進行時間軸上的平移比較，獲得用以表征信號高于小波相似程度的小波系數。由于派生小波可以達到任意小的規定精度，并可以對有限長的信號進行精確度量，因此它具有時頻局部化能力，能在任何水平上提取負荷序列的細節[4]。由于電力負荷時序會以小時、天、周、年為周期波動，大周期嵌套小周期。經過小波變換能將交織在其中的不同頻率組成的混合負荷信號分別投影到不同的尺度上。各個尺度上的子序列分別代表了原序列中不同頻域的分量，它們更加清楚地表現了負荷序列的周期性[5]。對于各個子序列周期特征的提取有利于提高預測精度。

2.2 小波分析-BP神經網絡組合預測方法

小波系數與BP神經網絡結合起來進行負荷預測的基本思想是，通過小波變換將歷史負荷序列分解，提取代表不同頻率的各層高、低頻系數。再根據不同負荷子序列的周期性和特點，有針對性地建立負荷預測模型。把過去直接對負荷序列的預測替換為對小波系數的預測，最后通過重構，得到完整的負荷預測結果。

從文獻[6-7]可知，母小波及尺度大小應根據負荷特點進行選擇，在一定的預測要求下，小波分解尺度選的太大并不能明顯提高預測精度，反而會降低計算效率。通過選用不同的小波基和分解層數進行實驗，文中最終選用具有緊支集和正交性的db3小波做3層分解。小波分析-BP神經網絡組合預測過程可分為4步：①對負荷時序列進行3層小波分解；②提取各尺度域上的小波序列的周期性和特征；③利用根據第2步的分析，建立相應的BP神經網絡模型對不同頻域上負荷子序列分別進行預測；④疊加各子序列預測結果得到完整的預測結果。其預測模型如圖5所示。

圖5 小波分析-BP神經網絡預測模型Fig.5Wavelet analysis-BP neural network forecasting model

3 算例分析

表1為五月日最大負荷預測誤差分析。

表1 五月日最大負荷預測誤差分析Tab.1Error analysis of daily peak load forecasting in May （104kW）

日最大負荷過大會對電網的安全穩定運行產生不利影響，電力部門通常需要在每個月20號預知下一個月每天的最大負荷，以便提前對重要設備展開巡查、組織搶修。這是一個典型的提前進行連續多天日最大負荷預測。為了驗證本文方法的有效性，根據某市電網公司提供的2011年1月1日—2013年4月20日歷史負荷數據，對5月1日—31日的歷史負荷數據進行預測。首先分析電力負荷數據，進行區間時間序列預處理[8]。然后根據本算例用假日預測模型單獨預測5月1日勞動節假日負荷，再用小波分析-BP神經網絡組合方法預測了5月2日—31日的最大負荷，并與直接用BP神經網絡做預測的方法進行了對比。結果見表1。

從表1的算例結果可知，直接用BP神經網絡提前10 d對5月31 d的最大負荷進行預測時，五一勞動節當天結果十分不理想，由于不能對節假日這一重大突變做出準確的判斷，預測結果嚴重偏大。而使用假日模型后，5月1日最大負荷的預測誤差從原來22.476%減小到了0.421%，精度提高明顯。使用本文的組合方法使平均相對誤差從4.501%降低到3.112%。

4 結語

對日最大負荷的預測有助于電業局提前對重要設備展開巡查、組織搶修工作。本文首次將小波特征提取的方法用于連續多天的日最大負荷的研究，并研究了假日與非假日的負荷特點，分別建立模型進行預測。算例表明基于本文組合方法的連續多天負荷預測對于間隔時間區間的連續多天日最大負荷預測快速、有效,滿足了電網公司工程實踐要求。若能從氣象部門獲得未來40 d的天氣預報信息，增加氣溫、濕度等影響負荷大小的氣象因子[9]，則能進一步提高預測準確率。這是本文需要改進之處。

[1]谷云東，胡芳芳（Gu Yundong，Hu Fangfang）.分區支持向量回歸及其在負荷預測中的應用（Partitioned support vector regression and its application on load forecasting）[J].電力系統及其自動化學報（Proceedings of the CSUEPSA），2013，25（3）：20-24.

[2]李湘華，宋尖，劉陽升，等（Li Xianghua，Song Jian，Liu Yangsheng，et al）.典型氣象因素對省網夏季日最大負荷的影響（Research on effects of summer representative meteorological factors on daily peak load of provincial power grid）[J].電力科學與技術學報（Journal of Electrical Power Science and Technology），2012，27（2）：70-75.

[3]王寧，陳亮，李嘉龍，等（Wang Ning，Chen Liang，Li Jialong，et al）.電力系統節假日負荷預測實例分析（Case analysis on holiday load forecasting of power system）[J].廣東電力（Guangdong Electric Power），2010，23（11）：47-49，55.

[4]Xu G S，Wan B N，Zhang W．Application of wavelet multiresolution analysis to the study of self-similarity and intermittency of plasma turbulence[J]．Review of Scientific Instruments，2006，77（8）：83505-1-7.

[5]宋人杰，邊奕心，閆淼（Song Renjie，Bian Yixin，Yan Miao）.基于小波系數和BP神經網絡的電力系統短期負荷預測（Short-term load forecasting in power system based on wavelet coefficients and BP neural network）[J].電力系統保護與控制（Power System Protection and Control），2009，37（15）：87-90.

[6]宋超，黃民翔，葉劍斌（Song Chao，Huang Minxiang，Ye Jianbin）.小波分析方法在電力系統短期負荷預測中的應用（The application and problems of wavelets used in short-term power load forecasting）[J].電力系統及其自動化學報（Proceedings of the CSU-EPSA），2002，14（3）：8-12.

[7]徐軍華，劉天琪（Xu Junhua，Liu Tianqi）.基于小波分解和人工神經網絡的短期負荷預測（An approach to short-term load forecasting based on wavelet transform and artificial neural network）[J].電網技術（Power System Technology），2004，28（8）：30-33.

[8]萬坤，柳瑞禹（Wan Kun，Liu Ruiyu）.區間時間序列向量自回歸模型在短期電力負荷預測中的應用（Application of interval time-series vector autoregressive model in short-term load forecasting）[J].電網技術（Power System Technology），2012，36（11）：77-81.

[9]任友明，馬立新，屈娜娜（Ren Youming，Ma Lixin，Qu Nana）.智能化氣象信息處理的負荷預測系統研究（Electric load forecasting system of intelligent meteorlogical information processing）[J].微計算機信息（Microcomputer Information），2011，27（12）：79-91.

Characteristic Analysis and Forecasting Method for Daily Peak Load

MA Li-xin，LI Yuan
（School of Optical-Electrical and Computer Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China）

Dispatch and marketing departments of electric power put great emphasis on trend and forecasting method of power load data.In practical applications，the electricity market raises new requirement for forecasting the daily peak load in continuous multi-days ahead of time.In this paper，according to the history data of daily peak load，the characteristics of holiday and non-holiday daily peak load are investigated respectively.For the forecasting of holiday daily peak load，a holiday factor is added；for the non-holidays，the period characteristic of daily peak load is obtained through the wavelet decomposition.And then，the forecasting is respectively carried out by establishing BP neural network model.Simulation results show that this method is feasible and effective，which can meet the industry requirement for prediction accuracy and has a strong theoretical significance and wide application prospects.

characteristics distilling；continuous multi-days load forecast；daily peak load；holiday load forecast；neural network

TP273.22

A

1003-8930（2014）10-0031-04

馬立新（1960—），男，博士，教授，研究方向為電力系統分析與優化運行、智能電網與智能科學、電氣設備狀態監測與診斷方法、電能質量監控與能效測評技術。Email：malx_aii@sina.com

2014-01-23；

2014-04-08

國家科技部政府間科技合作項目（2009014）；上海市創新基金項目（jwcxsl1302）

李淵（1989—），女，碩士研究生，研究方向為電力系統負荷預測。Email：sunflower.123@163.com