計及供給側出力的數據挖掘負荷預測方法

劉慶彪， 張桂紅， 許德操， 秦緒武， 白左霞

(青海省電力公司經濟技術研究院 發展部， 西寧 810008)

電力系統作為一個集發、輸、變、配及用電于一體的大規模復雜能源供應網絡，電能的生產和使用都具有較為明顯的即時性[1].為保證電力系統經濟高效且穩定地運行，需要保持電能生產和消費環節的平衡.合理、準確的負荷預測是保證電能產銷平衡的關鍵[2-3].電力系統負荷預測是能量管理系統的重要組成部分，是在了解系統運行特性、負荷本身等規律的基礎上，通過歷史數據對未來負荷發展變化進行的可靠預測[4-6].

現有負荷預測方法主要有：時間序列法、灰色預測法、神經網絡組合預測法等[7].負荷具有非線性及周期性，時間序列法、灰色預測法等方法均難以適用[8].雖然相比于傳統方法，聚類分析與神經網絡預測法在預測精度上有所提升，但對于非周期性的負荷預測效果仍有待提升[9].

新能源形勢要求更深入分析用能特性與規律，做到負荷的精準預測，提升負荷預測的效率和精度[10].因此，本文提出了一種計及供給側出力的數據負荷預測方法，在充分考慮供給側出力的基礎上設計凈負荷的理念，深度挖掘發電、用電與氣象因素的關聯，利用支持向量機(SVM)對負荷進行準確預測.

1 數據挖掘

數據挖掘是采用模式識別、數學統計等方法，從大量數據中挖掘出可能有潛在價值的信息技術，并實現分類、聚類、關聯和預測功能[11-12].根據數據挖掘的基本概念和功能，本文結合K-means聚類分析和灰色關聯技術，設計了一種具有分類和關聯功能的數據挖掘技術.

1.1 聚類分析

K-means算法作為一類動態的聚類技術，其評估相似度的方式是統計兩個對象之間的歐氏距離，距離越近則說明相似程度越高.K-means算法的聚類過程如下：

1) 從給定的具有n個k維數據的集合X={x1，x2，…，xi，…，xn}，xi∈Rk中選取Q個點當作開始聚類的核心，任一對象均可表示一個類型的中心φq(q=1，2，…，Q).

2) 統計各個點到中心φq間的歐氏距離，然后根據其遠近，將各數據點劃分到最相近的聚類中心內，所有數據點到聚類中心φq的距離平方和J(cq)可表示為

(1)

3) 計算所有樣本的J(cq)，以得到總體距離平方和J(C).當J(C)達到最小時，將該類內所有對象的均值作為新的聚類中心.

4) 判定聚類中心與J(C)值有無發生變化，若發生變化，則轉到步驟2)；若無發生變化，則聚類過程終止.

采用K-means算法對歷史數據集內的溫度、濕度、風速等氣象條件進行聚類，同一類型內的氣象數據特征是接近的，同一類型的相似性越大，不同類型之間的差別越大，即聚類效果越優.

1.2 灰色關聯分析理論

灰色關聯分析主要是利用曲線的近似等級來判定相關程度，是一種剖析系統內所有因素相關程度的方式[12].在關聯分析中，首先需要構造序列矩陣，通過K-means聚類算法初步分析歷史數據，得到與待預測時間段近似的氣象歷史數據，然后對其進行關聯次序的剖析.

假定，T0表示待預測時間段的氣象特征，若待預測時間段的氣象信息是：最高氣溫45 ℃，平均氣溫30 ℃，最低氣溫25 ℃，雨量20 mm，則T0=(T0(1)，T0(2)，T0(3)，T0(4))=(45，30，25，20).以此類推，采用已經獲得的數據集內每天的氣象數據構成對比序列，用T1，T2，…，Tn進行表述，則n+1個序列所組成的矩陣描述為

(2)

為了消除量綱，用初值化方法進行數據處理，即

T′i(j)=Ti(j)/Ti(1)

(i=0，1，2，…，n；j=1，2，…，m)

(3)

最終，計算關聯系數和關聯度為

ρi(j)=

(4)

(5)

式中，γ為分辨系數，通常取0.5.

2 計及供給側的負荷預測方法

由于青海地區賦有充裕的風光水資源，依托這些資源進行發電，能夠較優地豐富電力系統供給側的電源類型.包含風、光、水的發電系統與大電網組合，可看作為大電網末端的變動負荷，需要考慮極端天氣等氣象因素帶來的影響；負荷特性由系統內風、光、水發電量和用戶負荷共同決定[13-14].考慮節假日及波峰波谷因素，計及供給側的負荷預測模型如圖1所示.

在傳統預測模型中，需要對負荷、風電、光伏、水力分別構建預測模型并進行預測，但對每組數據進行一次建模預測耗時較長.為此提出了凈負荷概念，即將新能源發電系統視為帶負值的負荷，用戶負荷是常規負荷，將兩者相加構成凈負荷[15-16].由數據采集器獲得供給側與負荷側的功率數據，上傳送至中心服務器進行凈負荷運算并利用相應的預測方法實現負荷預測.最終將預測結果傳送至對應的機構，為電網調度決策的制定提供一定的參考.

圖1 風光水負荷聯合預測模型Fig.1 Combined forecasting model for wind，light and water loads

2.1 凈負荷

凈負荷P′為供給側出力與用戶負荷之和，計算表達式為

P′=PU+(-PPV)+(-PWF)+(-PWA)

(6)

式中：PU為用戶負荷；PPV、PWF、PWA分別為光伏、風力和水力的發電量.

若P′<0，則說明供給側的出力大于用戶側消耗，需要進行儲能；若P′>0，則說明供給側的出力小于用戶側消耗，火力等傳統電能需要保證供電；若P′=0，則說明供需處于平衡.

光伏、風力、水力等供給側出力及用戶用電均與溫度、濕度、風速等有著緊密的關系.但所提方法考慮的是凈負荷整體，因此需要引入影響因子α來表示氣象條件對凈負荷的干擾.α的計算表達式為

α=aTx-aTy+bTx+cTz+dTy

(7)

式中：Tx為溫度數列；Ty為濕度數列；Tz為風速數列；a、b、c、d分別為氣象因素對用戶負荷、光伏、風力、水力的影響比例.仿真實驗將青海省某地級市區域負荷和供給側作為研究對象，通過查閱氣象數據記錄，確定分布式能源所處工況，從而確定影響比例參數.

2.2 負荷預測方法

數據挖掘技術在實際應用過程中對噪聲比較敏感，因此，其泛化性能較差，而SVM方法能較優地抑制噪聲干擾.本文將兩者相結合，先用數據挖掘技術對數據進行預處理，以便在建立SVM預測模型時，不需要再次考慮氣象因素.然后，按照數據挖掘預處理后得到的數據特征構建負荷預測系統，具體預測流程如圖2所示.

圖2 基于數據挖掘的負荷預測流程Fig.2 Flow chart of load forecasting based on data mining

負荷預測主要流程如下：

1) 根據預測相似準則，從預處理后的數據中選出和待預測時間段關聯的歷史數據，如負荷、供給側出力等，從而構成待預測時間段的數據挖掘樣本集.

2) 采用K-means聚類算法對數據集中的氣象因素進行聚類，結合聚類的結果選出和待預測時間段氣象條件相同的歷史數據集，將其當作訓練集.

3) 將數據集中的氣象數據與供給側出力、負荷關系進行灰色關聯分析，得到氣象數據與發電量關聯關系.

4) 對所得的數據集運用SVM算法進行訓練并預測.

3 實驗結果與分析

利用智能化量測裝置采集青海省某地級市2019年1～7月的氣象數據，同步采集的還有供給側、用戶側的電量數據，包括水電、風電、光伏以及用戶負荷等，最終構成仿真實驗數據集.利用MATLAB搭建仿真模型并對所提方法進行實驗，電腦為配置為CPU i7-6500K，DDR 36 GB內存，Windows 10系統.實驗參數設置為：γ=0.5，a、b、c、d分別為0.4、0.3、0.2、0.1.

為了評估所提方法的預測性能，采用平均絕對誤差(MAPE)、均方根誤差(RMSE)、絕對誤差(AE)和預測準確度(FA)4個指標進行評價.

3.1 供給側出力與負荷預測結果分析

利用所提預測方法，對2019年8月22～30日風、光、水及負荷的功率進行預測，通過設定每分鐘一次的采樣頻率分別對風電、光伏、水電以及負荷進行數據收集，同時通過數據擬合，將離散型數據近似地轉換為連續的出力曲線，預測值與真實值對比結果如圖3所示.

圖3 供給側出力與負荷預測結果Fig.3 Supply side output and load forecasting results

由圖3可以看出，無論是供給側出力或是負荷側，預測結果與實際值均相差較小.由于光伏與日照的關聯較大，出力曲線成近似鋸齒狀；水力發電受蓄水時間影響，發電在短時間內完成，因此出力曲線近似柱狀且預測結果偏差稍大.根據供給側與負荷側的電力數據，可得到凈負荷的預測結果如圖4所示.

圖4 凈負荷出力預測Fig.4 Forecasting of net load output

由圖4可以看出，凈負荷是多方影響的綜合結果，與實際值的變化趨勢保持一致，且數值相差較小.由于氣象因素變化較大，嚴重影響了用戶的電量使用情況，因此部分時間段預測結果與真實值相差較大.但整體而言，凈負荷的預測結果是可以滿足要求的.

3.2 預測性能對比

結合上述供給側出力預測數據，利用所提方法對實驗區域8月上半月的負荷進行了預測，氣象參數為前期分布式電源出力預測時使用的參數，并使用同期該區域歷史負荷數據作為訓練數據集進行數據分類預測.同時，為了驗證所提方法的預測性能，將其與文獻[5]、文獻[9]和文獻[12]的方法進行對比，預測結果如圖5所示.

圖5 不同方法的預測擬合曲線Fig.5 Forecasting fitting curves of different methods

由圖5可以看出，相比于其他方法，所提方法的擬合曲線最接近真實值.由此可見，所提方法的預測效果較優且精度高，是一種新的實用型方法.文獻[5]采用的改進SLIQ算法較為簡單，預測結果與真實值相差較大；文獻[9]結合奇異譜分析與神經網絡進行負荷預測，其預測曲線比文獻[5]更接近于真實值，但干擾因素考慮不夠，影響了預測結果；文獻[12]由于無法與氣象等多種因素相適應，因此在后期的預測偏差較大.

為了定量分析所提方法的預測效果，將不同方法的各評價指標匯總如表1所示.

表1 不同方法的預測評價結果Tab.1 Forecasting and evaluation results

從表1中可看出，所提方法的預測性能最佳，MPAE、RMSE、AE和FA分別為7.05%、0.97 MW、0.83 MW和90.35%.由于所提方法采用數據挖掘與SVM相結合的方法，最大程度地挖掘了氣象與負荷的關系，得到了更為精準的預測結果.

此外，由于負荷預測需要進行大量的數據處理和分析，預測所需時間也是算法性能的一個重要體現.以8月下旬21～24單日負荷情況為研究對象，將所提方法與文獻[5]、文獻[9]、文獻[12]方法進行對比，預測時間對比結果如圖6所示.

圖6 不同方法的預測時間Fig.6 Forecasting time obtained by different methods

由圖6可以看出，所提方法的預測時間相對較短，以24 h為例，其預測時間約為5 s.由于文獻[5]的算法簡單，前期預測時間最短，但隨著數據的增加，算法分析能力下降，預測時間超過所提方法，在96 h的預測時間超過了10 s.文獻[9]以及文獻[12]由于缺乏數據預處理環節，整體數據量較大，耗時都比較長，96 h的預測時間最長超過了12 s.

4 結 論

風電、光伏、水力及負荷的準確預測是電網安全和經濟運行的重要前提，為此本文提出了一種計及供給側出力數據挖掘的負荷預測方法.采用K-means算法和灰色關聯分析對樣本數據集進行預處理，并提出凈負荷概念.將處理后的數據集輸入SVM預測模型，實現負荷預測.基于歷史數據集和MATLAB平臺對所提方法進行實驗，結果表明，無論是對風、光、水供給側的出力預測，還是對用戶側的負荷預測，方法均能得到與真實值較為接近的預測結果，且所提方法的各項指標均優于其他對比方法，具有一定的實用價值.由于所提方法僅考慮了供給側出力的影響，未考慮用戶的用電習慣，因此在接下來的研究中，將重點研究負荷預測中的用戶行為，以進一步提高負荷預測的準確度.