基于小波分解的短期電力負荷智能預測研究

張賀龍，楊俊杰

（上海電力學院，上海 200090）

1 小波分解方法概述

小波分解方法具有較強的衰減性和波動性特征，其振幅具有正負相間的震蕩形式。與Fourier變換相比，小波變換是時間頻率具備局部化特點，它通過伸縮平移運算對信號逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了Fourier變換的困難問題，成為繼Fourier變換在科學方法上的重大突破[1]。從數學角度看，信號與圖像處理可以統一看作是信號處理，在小波分析的應用過程中，對電力負荷的預測和分析都可以歸結為信號處理問題。但是，在實際應用中絕大多數信號是非穩定的，與常規的神經網絡分析方法相比，小波分析更為適用[2]。

2 電力負荷的類別劃分

第一，將時間的長短作為劃分電力負荷的依據，可將其劃分為長期電力負荷、中期電力負荷和短期電力負荷集中類型。短期電力負荷是指一天到一周內的負荷，中期電力負荷涵蓋未來幾周到幾個月期間的負荷總量，長期電力負荷囊括了未來一年的電力負荷。

第二，將用電部門的差異性作為劃分電力負荷的標準，能夠將電力負荷分為商業負荷、農業負荷、工業負荷以及民用負荷等幾種常見類型。在工業電力負荷中，重工業用電負荷占據了較大的比重。商業負荷是指各個企業空調、機器以及照明設備所耗費的電力負荷，呈現明顯的季節性變化特點，節假日成為影響商業電力負荷的主要因素。農業負荷是指農業種植生產所耗費的電能，與天氣和降水具有較強的相關性。民用電力負荷是指農村和城鎮居民在日常生活中家電使用和取暖所耗費的電能。

第三，將電力負荷的特性作為劃分依據，可將電力負荷劃分為最高負荷、最低負荷、高峰負荷、低谷負荷集中類型。

第四，將用電途徑作為劃分電力負荷的依據，可將電力負荷劃分為通信用電、站名用電、電熱用電以及動力用電等幾種常見形式。

3 電力負荷預測的影響因素

第一，氣象條件是電力負荷預測準確性的主要影響因素之一。氣候條件主要包含溫度和濕度等。伴隨著家用電器的普及，民用電力負荷已成為總體電力負荷中占比較高的類型。溫度變化情況與電力負荷的總量產生了直接影響。例如，在冬季溫度較低的動機和溫度較高的夏季，居民需要啟動空調取暖和降溫，從而導致電力負荷總量的增加；而在春秋溫度適宜的季節則不會出現用電負荷驟增的現象。

第二，通常情況下，在法定假日民用負荷和商用負荷的總量會呈現驟升驟降趨勢；而工業用電負荷則會出現顯著下降情況。究其原因，節假日期間，工廠和企業大多放假，而居民為了慶祝節日，往往會選擇外出就餐和游玩，從而導致商用負荷的增加。與工作日相比，周六和周日的民用負荷總量增加也十分明顯。

第三，突發事件也會在一定程度上導致用電負荷總量的增加。受計劃檢修、限制供電以及突發事故的影響，會形成對日常供電的干擾。例如，輸電線路突然發生故障，會導致用電負荷異常下降，這也對未來一段時間內用電負荷預測的準確性產生了嚴重影響。

4 基于小波分解的短期電力負荷智能預測

4.1 樣本選擇

目前，技術領域所進行的模型樣本根據預測方案和預測流程，通常選擇歷史符合預測模型樣本，同時對模型進行日符合情況預測。對于短期電力負荷來說，這種模型方式能夠結合歷史數據信息，形成相對精準的預測方案。在模型中，樣本內容的選擇主要來自于歷史負荷數據和相似日負荷數據樣本兩種。其中，相似日歷史負荷數據樣本精準化特殊，因此選定了歷史數據樣本信息要求具備檢索、篩選等能力，保證相似日所產生的歷史負荷數據能夠充分代表某一類電力活動中的電力負荷狀態，模型對該狀態所具有的普遍性進行研究，最終得到模型預測結論。在以往的理論研究中，研究者提出借助人工神經網絡的方式，對歷史數據樣本進行檢索和分析，從而得到相似日的選取方案。人工神經網絡中的應用層，可以對大量歷史數據樣本進行訓練，從而獲取到歷史數據中的電力負荷規律。然而，運用人工神經網絡法進行的樣本監測和訓練，無法反映新樣本的加入。因此，在電力負荷預測分析中，難以分析變化活動電中活躍的新負荷變化情況和電力系統受到氣候環境因素所產生的負荷條件變動情況。為了彌補這一缺陷，筆者在進行樣本分析方案選擇時，選定了具有應用優勢和應用經驗的映射算法，通過映射算法對樣本數據進行選取，映射算法能夠完成不同日之間的對照，從而形成特征量分析結果。分析結果可以借助映射邏輯進行數據庫統計，對所選小波分解智能模型建設具有一定的幫助[3]。

4.2 映射庫建立

映射算法在短期電力負荷的預測模型中，主要通過構件映射庫的方式，對歷史數據樣本進行統計。而在樣本數據統計內部，映射庫可以直接進行相似日的因素考量，包括氣象因素、特殊日期因素、星期、星期差、天氣類型等，可以在映射庫中找到對應的數據內容。而氣象因素中所包含的溫度信息、濕度信息、風力風向信息等，都需要在映射庫中借助特征量量綱完成統計。模型在進行映射庫設置時，應當根據量綱的特點，運用不同量綱值實現無量綱化的統計，進而完成對不同區間的映射。在映射邏輯中，各個量之間能夠在數值上擁有可對比性，模型則能夠根據對比分析，完成對映射庫與實際預測對象的定量計算，獲取二者之間的差異度和相似性。在進行模型設定中，要根據映射數據庫的實際要求，分別進行原始定量和轉化分類定量兩個類型的指標建設[4]。其中，原始定量指標主要是指自然環境變化規律所代表的相似日指標，包含溫濕度信息、降水量信息、風力信息等自然信息。通過信息統計，完成映射數據庫指標建立。轉化分類的定量指標主要以相似日特征量為指標設定內容，其中，日期差、日分類、星期分類等都可作為轉化定量指標納入到映射數據庫中。

4.3 智能預測

模型為了能夠完成對于短期電力負荷的智能預測，需要進行巨量歷史數據的建模和預處理。在實際的模型中，歷史數據一般利用電量變送器和調度系統進行傳輸和采集，部分電力系統內部由于人為管理因素的影響，歷史負荷數據往往表現出集中在某一天或某幾天的波動，從而使得數據丟失或者數據失真，以至于預測數據與實際數據相差巨大。因此，模型在進行數據預處理之前，需要完成數據加工，通過篩選手段，對巨量歷史數據中存在的不規則數據進行去除，填補其存在缺失的數據，再借助函數分析，清除模型中的不良影響，獲得異動數據垂直處理后的平滑曲線，保障數據信息的真實性。

映射數據庫需要根據已知的、完成預處理的數據進行樣本選擇，樣本選擇需要與應設法的邏輯一致。在模型中，數據預測樣本選擇一般遵守“近大遠小”的原則，通過對已知日設定為待選日，并結合天氣類型、星期類型、氣候環境因素等進行因素分析，將待選日的影響因素映射到映射量表中。模型需要通過對映射量表中的數據進行歸一化處理，避免數據分析與樣本預測出現計算飽和問題。通過歸一化處理后的負荷數據需要維持在[0，1]，并借助歸一化公式對負荷數據中t時刻進行計算。

本次模型所進行的小波分析，主要借助具有支撐性和高正則性的小波函數daubechies，對于映射庫中的歷史數據進行三級小波分解，利用分解方式能夠將將誤差控制在最低，再通過多次數據，將db4小波基進行三尺度分解，從而獲取到四個子序列。其中，一個子序列作為低頻序列，通過濾除法，對序列中存在的高頻分量和奇異值進行濾除，從而還原數據樣本的變化本質。其他三組序列則為高頻細節序列，四組序列能夠直接以各分量的分解形態呈現出不同周期規律，并以實際負荷曲線的方式，完成對于短期電力負荷的智能預測。

4.4 實例論證

為了判斷模型的應用方式和預測能力，通過對某電網負荷數據進行統計的方式，完成了對電網電力運行過程中短期負荷情況的預測。在預測過程中，映射數據庫主要借助日負荷準確率作為模型預測結果，通過運用小波回歸分析方法，對一周內每一天的電力負荷情況做出預測，并與實際的電力負荷情況進行對比。對比結果顯示：小波回歸分析法所進行的預測平均準確率可達98%以上，準確率極高。

5 結 論

綜上所述，建立在小波分解法的基礎上，對短期電力負荷進行預測，具有較高的準確性。有助于形成電力部門科學調度的參考依據，為社會民眾提供源源不斷的電能，提升供電的持續性和安全性，滿足社會民眾的用電需求。