基于風力條件相似度的港口電力負荷短期預測

楊文海， 孫永健， 高亞靜， 任佳峰

(華北電力大學 電氣與電子工程學院，河北 保定 071003)摘要：隨著港口產業經濟的迅速發展，港口的電力負荷短期預測顯得愈發重要。由于風速條件對于港口裝卸作業的影響十分顯著，因此對于計及風速的港口負荷預測的研究具有深遠意義。通過結合實際負荷數據與風速數據，分析港口負荷與風速大小的相關關系，提出了基于灰色關聯分析的“風力條件相似度”概念，并以此作為相似日選擇的標準，將歷史負荷數據和風速數據輸入支持向量機預測模型進行訓練和預測。以上海市洋山港為例，驗證了所提出的預測方法和模型的可行性和合理性，并通過與傳統的BP神經網絡預測模型相比較，證明該方法和模型具有更加良好的穩定性和預測精度。

基于風力條件相似度的港口電力負荷短期預測

楊文海， 孫永健， 高亞靜， 任佳峰

(華北電力大學 電氣與電子工程學院，河北 保定 071003)摘要：隨著港口產業經濟的迅速發展，港口的電力負荷短期預測顯得愈發重要。由于風速條件對于港口裝卸作業的影響十分顯著，因此對于計及風速的港口負荷預測的研究具有深遠意義。通過結合實際負荷數據與風速數據，分析港口負荷與風速大小的相關關系，提出了基于灰色關聯分析的“風力條件相似度”概念，并以此作為相似日選擇的標準，將歷史負荷數據和風速數據輸入支持向量機預測模型進行訓練和預測。以上海市洋山港為例，驗證了所提出的預測方法和模型的可行性和合理性，并通過與傳統的BP神經網絡預測模型相比較，證明該方法和模型具有更加良好的穩定性和預測精度。

負荷特性分析； 風力條件相似度； 灰色關聯分析； 支持向量機

0 引言

隨著經濟的發展，電力能源在整個社會承擔越來越重要的作用，而電力系統保障了各個行業的用電需求，它的穩定性與國家經濟和人民生活息息相關。如今港口產業已成為國家重要發展領域，而電力是港口的主要能源，隨著港口規模的發展，對電能的需求量也逐漸增大，一旦港口發生供電電壓中斷，將會大大影響港口作業，造成巨大經濟損失。因此港口負荷對供電可靠性要求較高，所以港口負荷一般劃分為重要負荷[1]。相應地對港口負荷的短期預測也顯得愈發重要，其精度水平對相關電力部門的生產和調度有著關鍵性的作用和影響，準確的負荷預測不僅可以提高港口供配電系統中的設備利用率，還可以降低系統運行成本，保障電力系統的經濟運行[2-3]。

氣象因素是影響港口用電負荷的主要因素之一[4]，而風力是各類氣象因素中對港口負荷影響極為明顯的因素，過高的風速會大大影響集裝箱裝卸作業，從而影響港口的用電負荷。因此，分析風力條件對港口用電負荷的影響并研究相應的負荷預測方法具有十分重要的意義。

本文研究了計及風力條件的港口負荷預測方法，分析了港口電網的負荷特點，在基于對風速與港口負荷變化分析的基礎上，采用支持向量機[5～7](Support Vector Machine,SVM)預測模型，對港口用電負荷進行預測和分析。

1 港口負荷特性分析

一般情況下，電力供電系統是主要由發電廠、變電站和用戶三個要素構成的系統。但是由于港口自身的獨特性，使得其供電系統有所不同：港口占地面積大，用電負荷比較分散；對于供電可靠性要求高。因此，港口供電系統都是從區域電力網實現電能輸送，再通過降低電壓手段，實現電力向各個用電場所的輸送。港口用電設備的特點決定了港口的負荷特性，而港口的主要用電設備包括：反復短時使用的起重運輸機械設備、處于連續使用狀態的用電設備、港口照明設備、大型專業化碼頭用電設備等。

港口用電設備主要用于集裝箱的裝卸作業，而集裝箱裝卸作業對于風力條件有著一定的要求，若風速過高，則裝載某些特定物品的集裝箱不允許進行裝卸作業，同時過快的風速也會給吊裝作業帶來很大的安全隱患，因此港口用電負荷與風速大小有著密切關系。

本文以上海洋山港某碼頭的負荷為例，選取2014年9月8日和9月23日分別作為風力條件良好和風力條件較差的典型日，繪制日負荷曲線，并進行分析，如圖1所示。

圖1 洋山港某碼頭典型日負荷曲線

從該碼頭兩個典型日的日負荷曲線來看，在2014年9月23日，港口的風速過快，最大風速甚至達到了26 m/s，十分不利于裝卸作業，導致碼頭用電負荷明顯低于風速條件良好時的負荷，可見港口用電負荷受風力條件的影響十分明顯。在9月23日，日最大負荷為1.2 kW，日最小負荷為0.71 kW，日負荷率為74.1%，日最小負荷率為59.2%，日峰谷差為0.49 kW，日峰谷差率為40.8%；在9月8日，日最大負荷為2.64 kW，日最小負荷為1.92 kW，日負荷率為84.8%，日最小負荷率為72.7%，日峰谷差為0.72 kW，日峰谷差率為27.3%。

將該港口9月份的日平均負荷與每天的日最大風速分別歸一化后展示在圖2中，從該圖中可以明顯看出風力條件對港口負荷的影響。在9月22～24日期間，港口風力較大，港口負荷大幅度下降。25日風速條件轉好，港口負荷回到正常水平。本文采用皮爾遜相關系數對風速與港口負荷進行相關性分析，計算可得日平均負荷與日最大風速的相關系數為-0.666 2，與日最小風速的相關系數為-0.640 2，均呈中度負相關。

圖2 洋山港某碼頭日平均負荷及最大風速曲線

2 相似日選取

2.1 灰色關聯分析

在控制論中，信息的明確程度可以用顏色的深淺來代替。灰色關聯分析是灰色系統理論的基本內容[8-9]。

其具體思路為：

(1)設置參考數列z={z(k)|k=1,2,…n}與比較數列p={pi(k)|k=1,2,…n}，i=1,2,...,q(q為比較數列的個數)。參考數列反映了作比較的母因素的特征，比較數列為與參考數列進行關聯程度分析的數據序列。

(2)去量綱化處理。在進行灰色關聯分析時，各個數列代表的實際意義和數據的量綱往往并不相同，在對比時十分不方便且難以解釋清楚。因此需要進行無量綱化處理。

(3)計算關聯系數ζi。將各比較數列與參考數列對應元素的絕對差值記作：Δi(k)=|z(k)-pi(k)|，關聯系數ζi的計算公式為：

(1)

式中：ρ為分辨系數，通常在0～1之間。

(4)計算關聯度γi。關聯系數是描述比較數列與參考數列各對應元素的的關聯程度的值，其個數等于數列的元素個數，而信息的過度離散導致了整體對比的困難。于是采用求所有關聯系數平均值的方法，公式如下：

(2)

2.2 風力條件相似度

本文以三個小時為間隔，選取每天8個時間點的風速構成日風速特征向量，用來進行灰色關聯分析和計算風力條件相似度[10]。由于這8個時間點的風速與日平均負荷的關聯程度不盡相同，以各時間點風速與日均負荷的關聯度來分配在其風力條件相似度中的權重，公式如下：

(3)

式中：γ1為各時間點風速與參考數列的關聯度。

得到各時間點風速的權重后，采用加權的相似度公式來計算第i天與預測日的風力條件相似度sim(i)，公式如下：

(4)

式中：pj(i)為第i天第j個風速歸一化后的數值；ε是一個比較小的數。

計算樣本中的所有歷史日與預測日的風力條件相似度，進行降序排列，選擇排在前面的歷史日作為負荷預測的相似日。

3 支持向量機負荷預測模型

3.1 支持向量機回歸原理

支持向量機[11～13]是在統計學的相關理論中占有相當重要的地位，它的發展時間并不長，但卻有極高的實用價值。支持向量機的基本原理是尋找一個最優分類線，其概念是不僅可以對不同類的群體準確區分，而且可以使得分類間隔最大。

把輸入向量進行非線性變換并將其映射至希爾伯特空間中，進而通過各計算步驟進行分類操作，最終得到最優分類面。對于樣本集，其訓練過程如下所示：

在尋找求解集合D+∪D-的最優分類面的過程中確定的函數就是回歸方程。這樣經過一系列的轉化，只需要解決集合D+∪D-的分類問題即可。

支持向量機回歸首先使用非線性映射φ(x):Rm→RM進行處理，把低維向量映射到髙維特征空間，然后再采取線性回歸的處理方式。決策線性回歸函數為：

f(x)=w·φ(x)+b

(5)

式中：w為權值矢量；b為閾值；(·)表示特征空間中的點積。

3.2 支持向量機短期負荷預測模型

本文建模具體步驟如下：

(1)首先對歷史數據采取歸一化的處理方式。歸一化公式為：

(6)

(2)輸入數據主要包含以下幾個類別的數據：

A={a1,a2,…,aK}，歷史負荷數據；

B={b1,b2,…,bT}，預測日的氣象數據，如最高溫度、最低溫度、平均溫度、風速、相對濕度；

C={c1,c2,…,cS}，預測日的星期類型，周一到周五與周六周日的星期類型是不同的。

(3)建立支持向量機短期預測模型，建立回歸目標函數

(7)

(8)

(5)利用預測樣本及上一步得到的決策回歸方程對未來某一時刻的負荷進行預測。

4 算例分析

為了驗證所提出的計及風力條件相似度的支持向量機負荷預測模型的可行性和有效性，本文對上海市洋山港實際負荷進行了短期負荷預測的計算和分析。本文選取了上海市洋山港冠東碼頭在2014年9月的負荷數據及風速數據作為訓練和預測的數據。首先，以3個小時為間隔，選取所有樣本日每天8個時間點的風速構成日風速特征向量，可以得到30個日風速特征向量，用來進行灰色關聯分析，然后計算風力條件相似度。針對某一預測日，以當天的日風速特征向量作為參考序列，從樣本日中選擇20個風力條件相似度高的樣本日作為預測相似日，并將其負荷數據作為訓練集，用于支持向量機預測模型的訓練和預測。預測模型的輸入為前4個小時的負荷數據、上一時段的風速與當前時段的風速，輸出為當前時段的負荷。

為了探究本文所提出模型的預測效果，本文同時采用了BP神經網絡預測[14-15]與本文所提算法進行比較。為取得更好的預測效果，經過調試，本文所采用的BP神經網絡模型的結構為4-5-1，訓練次數為300。

本文以9月份最后5天即9月26日～9月30日作為預測日，分別用BP神經網絡模型與本文所提的SVM模型進行預測，求取日平均負荷的預測結果并進行對比展示，如圖3及表1所示。

表1 預測結果對比

兩種預測方案的負荷預測結果如圖3所示。

圖3 兩種方案負荷預測結果對比

從表1中可以看出，采用本文所提的計及風力條件相似度的SVM負荷預測模型的平均相對誤差為0.672%；采用傳統的BP神經網絡預測模型的平均相對誤差為1.529%。從而可以看出本文所提的預測思路和算法具有顯著優越性。

5 結論

短期負荷預測已成為電力系統調度、運行和規劃中的重要組成部分。針對港口電力負荷受風速影響較大的現狀，本文結合上海市洋山港某碼頭的實際負荷數據與風速數據，分析了港口負荷與風速大小的相關關系，提出了基于灰色關聯分析的“風力條件相似度”概念，并以此作為相似日選擇的標準，將歷史負荷數據和風速數據輸入支持向量機預測模型進行訓練和預測。通過實際算例分析驗證了所提出的預測方法和模型具有良好的穩定性和預測精度。

[1]MCSHARRY P E, BOUWMAN S, BLOEMHOF G. Probabilistic forecasts of the magnitude and timing of peak electricity demand[J]. IEEE Transactions on Power Systems, 2008, 20(2):1166-1172.

[2]TAYLOR J W, BUIZZA R. Neural network load forecasting with weather ensemble predictions[J]. IEEE Power Engineering Review, 2007, 22(7):59-59.

[3]HIPPERT H S, PEDREIRA C E, SOUZA R C. Neural networks for short-term load forecasting: a review and evaluation[J]. IEEE Transactions on Power Systems, 2001, 16(1):44-55.

[4]莫若慧, 符子星, 曾炎,等. 臺風天氣下電網負荷對氣象因素的敏感度分析[J]. 南方電網技術, 2015, 9(2):79-83.

[5]祝曉燕, 張金會, 付士鵬,等. 基于集合經驗模態分解和支持向量機的短期風速預測模型[J]. 華北電力大學學報(自然科學版), 2013, 40(5):60-64.

[6]王寧, 謝敏, 鄧佳梁,等. 基于支持向量機回歸組合模型的中長期降溫負荷預測[J]. 電力系統保護與控制, 2016, 44(3):92-97.

[7]MOHANDES M. Support vector machines for short‐term electrical load forecasting[J]. International Journal of Energy Research, 2002, 26(4): 335-345.

[8]王允平, 黃殿勛, 熊浩清,等. 智能電網環境下采用關聯分析和多變量灰色模型的用電量預測[J]. 電力系統保護與控制, 2012, 40(1):96-100.

[9]張俊芳, 吳伊昂, 吳軍基. 基于灰色理論負荷預測的應用研究[J]. 電力自動化設備, 2004, 24(5):24-27.

[10]張勇軍, 陳超, 許亮. 基于模糊聚類和相似度的電力系統可靠性原始參數預估[J]. 電力系統保護與控制, 2011, 39(8):1-5.

[11]肖白, 聶鵬, 穆鋼,等. 基于多級聚類分析和支持向量機的空間負荷預測方法[J]. 電力系統自動化, 2015, 39(12):56-61.

[12]李霄, 王昕, 鄭益慧,等. 基于改進最小二乘支持向量機和預測誤差校正的短期風電負荷預測[J]. 電力系統保護與控制, 2015,43(11):63-69.

[13]孫薇, 劉默涵. 基于改進最小二乘支持向量機的短期負荷預測[J]. 電力科學與工程, 2015, 31(12):16-21.

[14]祝燕萍, 方鴿飛. 基于動態自適應神經網絡和人體舒適度的短期負荷預測[J]. 電力系統保護與控制, 2012, 40(1):56-61.

[15]張宏亮, 吳杰康, 陳國通,等. 基于神經網絡的短期負荷預測與誤差糾正算法[J]. 電力科學與工程, 2008, 24(1):5-9.

Short-term Forecasting of Port’s Power Load Based on Similarity of Wind Conditions

YANG Wenhai， SUN Yongjian， GAO Yajing， REN Jiafeng

(School of Electrical and Electronic Engineering, North China Electric Power University, Baoding 071003, China)

With the rapid development of port economy, the short-term forecasting for power load of the port becomes increasingly important. The impact of wind conditions on the port loading and unloading is significant, and thus it is of great importance to study the forecasting methods of port load considering wind conditions. In this paper, the data of load and wind speed in Yangshan port are taken to analyse the correlation between power load and wind speed of the port. And the concept of similarity of wind conditions based on grey correlation analysis is presented to choose similar historical days. Then the data of similar days of power load and wind speed are trained in support vector machine and the stability and correctness of presented model are verified by a specific calculation example.

power load characteristics; similarity of wind conditions; grey correlation analysis; support vector machine

2017-08-21。

國家自然科學基金(51607068)；北京市自然科學基金(3164051)。

10.3969/j.ISSN.1672-0792.2017.11.006

TM73

A

1672-0792(2017)11-0031-05

楊文海 (1983-)，男，博士研究生，研究方向為電力經濟；孫永健(1992-)，男，碩士研究生，研究方向為電力系統預測技術及主動配電網；高亞靜(1980-)，女，博士后，副教授，研究方向為電力系統調度自動化、電力經濟、電力系統規劃與可靠性。