分區(qū)逐時氣象預測數(shù)據(jù)在負荷預報中的應用

分區(qū)逐時氣象預測數(shù)據(jù)在負荷預報中的應用

0基于相似日算法的負荷預測隨著能源市場的發(fā)展，作為ms重要組成部分的負荷預測越來越受電氣系統(tǒng)運營和管理者的影響。現(xiàn)在，世界上所有國家的電力公司都在積極研究短期負荷預測，以滿足能源市場的需求。英國的研究結果表明，短期負荷預測的誤差每增加1%將導致每年運行成本1千萬英鎊。在挪威，1%的短期負荷預測的誤差的增加將導致5～10百萬克郎的附加運行成本。負荷預測研究早在50、60年代就開始了，時至今日已經(jīng)提出了很多方法，具有代表性的有時間序列方法、相似日方法、神經(jīng)網(wǎng)絡方法、支持向量機方法。時間序列方法的優(yōu)點是：（1）原理成熟、應用簡便；（2）主要根據(jù)過去的負荷值及干擾值來推算未來的負荷，不需要相關因素的資料，因此在一些相關因素的預測值和某些常數(shù)難以得到時，不失為一種可行的方法。缺點是：（1）對數(shù)據(jù)的要求較高；（2）用線性模型表達負荷之間非線性關系有一定局限性；（3）不能方便地考慮天氣情況等對負荷有重要影響的相關因素。相似日方法的優(yōu)點是模擬經(jīng)驗豐富的人員進行負荷預測的思路，能方便地考慮溫度、天氣情況等對電力負荷有重要影響的因素的作用，實用、簡便。然而也存在以下缺點：（1）找到的相似日不一定具有和預測日最相近的負荷，有時甚至相差較大；（2）由于各個因素共同影響負荷的復雜非線性特性，用曲線擬合或經(jīng)驗方法來修正由于各個因素的差異而引起的負荷差異，難以達到好的效果。人工神經(jīng)網(wǎng)絡(ANN)方法的優(yōu)點是能夠實現(xiàn)復雜的非線性映射。但是，大范圍映射往往帶來較大的誤差，而且需要大量的訓練樣本。支持向量機（SVM）是一種新型的機器學習算法，它與傳統(tǒng)神經(jīng)網(wǎng)絡僅實現(xiàn)經(jīng)驗風險最小化歸納原則不同，它的訓練等價于解決一個線性約束的二次規(guī)劃問題，存在唯一解，避免了陷入局部極小。與神經(jīng)網(wǎng)絡方法相比，有著顯著的優(yōu)越性，被認為是人工神經(jīng)網(wǎng)絡方法的替代方法。在傳統(tǒng)的電力負荷預測中，所采用的氣象信息一般是全省、全天的氣象信息，比如全省最高溫度、最低溫度等。但是，全省范圍的氣象條件實際上并不相同，對于比較大的省份相差可能較大，采用全省氣象信息將帶來負荷預測的誤差。另外，一天的氣象條件實際上也不相同，早中晚相差可能較大，采用全天氣象信息也將帶來負荷預測的誤差?，F(xiàn)代氣象預報技術已經(jīng)可以做到分區(qū)、逐時預報，所以將這種新技術應用于負荷預測，以期進一步提高負荷預測精度。涉及到分區(qū)問題、氣象數(shù)據(jù)的利用問題、負荷預測的策略問題等，下面逐一加以研究。最后，根據(jù)實際應用結果來進行對比。1氣候因素影響的分區(qū)負荷預測原來是全省一個區(qū)域，現(xiàn)在需要劃分為若干個區(qū)域。一個問題是劃分為多少個區(qū)域？顯然，區(qū)域太少對于提高預測精度不利，但區(qū)域太多會增加工作量，而且能夠提高多少預測精度也很難說。另外一個問題是如何劃分區(qū)域？有三種可能的方案：(1）按照行政區(qū)域來分區(qū)。由于與電力管理的區(qū)域是一致的，這顯然是最簡單的方案，資料的收集、上報和處理都比較方便。(2）按照氣候條件來分區(qū)。在考慮氣候因素影響的情況下，一般來說，氣候條件相近的地理區(qū)域內(nèi)，負荷特征也比較接近。因此，按照氣候條件相近來劃分負荷預測區(qū)域可以提高預測精度。由于某些行政區(qū)域內(nèi)氣候條件有明顯差異，某個氣候區(qū)域可能包含幾個行政區(qū)域以及某些行政區(qū)域的一部分，而不一定是幾個完整的行政區(qū)域，這會給資料收集、預測等方面帶來困難。(3）按照行政區(qū)域和氣候區(qū)域相結合來分區(qū)。負荷預測的分區(qū)應該首先有利于提高預測精度，其次有利于操作方便。所以首先還是考慮氣候區(qū)域，如果氣候區(qū)域內(nèi)包含非完整行政區(qū)域，則根據(jù)該非完整行政區(qū)域的負荷量大小來判斷是否要包含在氣候區(qū)域內(nèi)，如果負荷量大則考慮在本區(qū)域，如果負荷量小則合并到另外的區(qū)域。本文推薦采用第3種區(qū)域劃分方案。以河南電網(wǎng)為例，經(jīng)過電力部門與氣象部門的共同研究協(xié)商，最終將河南電網(wǎng)負荷預測分為5個區(qū)域，即豫東、豫西、豫南、豫北、豫中。2綜合氣象因素經(jīng)過分析，考慮下列5個氣象因素：溫度、濕度、降水量、風、天空狀況。但如果要考慮分區(qū)氣象因素進行全網(wǎng)負荷的預測，則需要考慮的氣象因素共有5×5=25個，很難建立全網(wǎng)負荷與這25個氣象因素之間的關系。那么，有沒有可能將這些因素綜合起來考慮？為此，本文定義了兩種綜合氣象因素：式中：C代表某個氣象因素（比如溫度），t代表時間，P代表負荷功率，下標i代表地區(qū)號，下標Σ代表綜合。公式（1）對5個區(qū)域的氣象平均加權，實際上可以理解為氣象上的綜合氣象因素。公式（2）則根據(jù)該地區(qū)負荷的比例作為權來加權求和，是結合電力負荷預測的實際情況來定義的，不妨稱之為基于負荷的綜合氣象因素。3負荷預測策略可能及其實施效果在下面的討論中，地方電廠是指地方投資建設和管理的電廠；自備電廠是指大型企業(yè)投資建設和管理的電廠；直調(diào)電廠是指省調(diào)或者國調(diào)直接調(diào)度的電廠，包括能調(diào)度的自備電廠；上報主變是指各地電力部門上報負荷曲線數(shù)據(jù)的220kV或者110kV變電站。各個地方供電局上報所管轄地區(qū)的220(110)kV變電站網(wǎng)供的負荷數(shù)據(jù)，包括歷史的實際數(shù)據(jù)和明天的預測數(shù)據(jù)，表示為：由于全網(wǎng)發(fā)電與用電相平衡，即：而發(fā)電與用電分為幾個部分，即：由于自備電廠和地方電廠都在上報主變以下，即已經(jīng)包含在上報功率中。所以，之間相差：（1）網(wǎng)損；（2）所有直調(diào)電廠的廠用電；（3）非統(tǒng)計電廠，即直調(diào)電廠和上報主變以下均沒有包含的電廠，一般是沒有的。上述關系如圖1所示?？紤]分區(qū)逐時氣象數(shù)據(jù)，負荷預測策略有三種可能的方案：(1）先分區(qū)預測再累加。其基本步驟是：(1)對某一個負荷預測區(qū)域內(nèi)，逐一預測各區(qū)域負荷，其中充分考慮該區(qū)域氣象因素，設每個區(qū)有氣候數(shù)據(jù)iT，根據(jù)歷史數(shù)據(jù)建立PBi(Ti)的關系，然后根據(jù)第二天的氣候數(shù)據(jù)得出預測值P?Bi；(2)對全省各個負荷預測區(qū)域進行累加，，獲得總的負荷；(3)考慮網(wǎng)損、所有直調(diào)電廠廠用電以及非統(tǒng)計電廠的估算值，得到最終的。需要注意的是第(3)步會帶來誤差。(2）根據(jù)網(wǎng)供電P∑A與分區(qū)氣象因素進行預測。先建立網(wǎng)供電與分區(qū)氣象因素之間的關系P∑A(T1,…,T5)，然后再根據(jù)預測日的氣候數(shù)據(jù)來預測第二天的值。該策略避免了第1種預測策略的修正誤差，但問題是5個分區(qū)氣象因素太多（達25個）而且相互關聯(lián)，要建立網(wǎng)供電與這么多因素之間的關系非常困難。(3）根據(jù)網(wǎng)供電與綜合氣象因素進行預測。先建立網(wǎng)供電與綜合氣象因素之間的關系，然后根據(jù)預測日的分區(qū)逐時氣象數(shù)據(jù)獲得綜合氣象因素，最后代入預測模型獲得預測值。該策略可以避免第1種預測策略的修正誤差，同時可以克服第2種分區(qū)氣象因素太多的問題，而且可以采用以往比較成熟的方法。因此，本文推薦采用這種策略。在獲得預測值之后，還需要進行人工修正。主要包括3個方面：（1）加入地方電廠開停機狀態(tài)（包括歷史數(shù)據(jù)、明天發(fā)電計劃）；（2）加入大用戶的開停機狀態(tài)（包括歷史數(shù)據(jù)、明天用電計劃）；（3）突發(fā)事件。4蘇-蘇-月和冬季對負荷變化的預測以往的SVM預測，春秋季和夏冬季往往采用同一種模型，而且往往采用全天性氣象因素作為模型的輸入節(jié)點，如最高溫度、平均溫度、最低溫度等。本文提出引入逐時氣象數(shù)據(jù)，而且區(qū)別對待春秋季和夏冬季預測。因為在春秋季，負荷變化的日周期和周周期規(guī)律性很強，與氣象因素的相關性不是很強。而在夏冬季，經(jīng)過對大量負荷數(shù)據(jù)及氣象數(shù)據(jù)的研究發(fā)現(xiàn)：（1）當兩天的溫度與濕度最接近時，負荷變化最相近。因此，選相似日時，天氣差異可以只考慮溫度和濕度。（2）溫度與濕度變化大部分情況下是相對應的，即溫度升高則濕度下降，且兩者的拐點重合。溫度升高導致負荷增加，濕度下降同樣導致負荷增加，溫度濕度的拐點與負荷變化的拐點幾乎重合，即氣象因素的峰谷值與負荷的峰谷值相對應。因此可以近似認為實時氣象因素與負荷的變化無時差。（3）相同氣象條件下，前一天的負荷值不同也會導致預測日負荷值的不同，這在高溫天以后的日負荷預測中顯得尤為明顯。（4）負荷變化還與所處的時段有關，這體現(xiàn)了負荷序列的日周期性，例如高峰時刻的負荷的變化規(guī)律與其他時刻的負荷變化規(guī)律不同。（5）負荷變化的周周期規(guī)律性比較差，即周末不一定就比工作日負荷低，有時甚至更高。將一年分為春秋季（一般為3-5月、9-11月）和夏冬季（一般為6-8月、12-2月），分別對應兩個預測模型。對每日96點負荷分別建立96組訓練樣本，訓練得到每點的支持向量機預測模型。夏冬季模型輸入節(jié)點的數(shù)學模型為：春秋季模型輸入節(jié)點的數(shù)學模型為：其中:表示預測日t,時刻點h的負荷預測值,x(t-k,h)表示預測日t前k天h時刻的負荷值。T(t,h),humi(t,h),rain(t,h)，daytype(t)分別為預測日當天當前時刻的溫度、濕度、降水量以及日類型。本文中工作日取1，雙休日取2ㄢ為了避免出現(xiàn)計算飽和現(xiàn)象，要對負荷及氣象數(shù)據(jù)進行歸一化處理，公式如下：其中:Lmin乘以0.5是為了避免當數(shù)據(jù)為最小值時歸一化后值為0時導致預測網(wǎng)絡的不穩(wěn)定。5實際應用的結果本文方法和軟件已經(jīng)在河南電網(wǎng)試運行。取2007年4月的一周內(nèi)預測結果，來進行對比分析。5.1逐時氣象數(shù)據(jù)預報傳統(tǒng)負荷預測是采用全天性氣象數(shù)據(jù)來預報負荷的，比如日最高溫度、日平均溫度等；而本文則采用逐時氣象數(shù)據(jù)進行預報。將兩種方法的預測結果進行比較，結果如表1ㄢ從預測結果的比較來看：采用逐時氣象信息的預測精度比采用全天性氣象指標的預測精度更高。5.2直接進行省網(wǎng)負荷預報策略1是先分區(qū)預測再累加，策略3是采用網(wǎng)供電與綜合氣象因素的關系直接進行省網(wǎng)負荷預報。兩種策略的預測結果對比如表2。從表2可以看出：策略3明顯優(yōu)于策略1，即根據(jù)網(wǎng)供總負荷與綜合氣象因素進行預測的精度高于先分區(qū)預測再累加。這證明了本文推薦使用策略3是正確的。5.3預測輸入差異兩種綜合氣象因素分別采用式（1）和式（2）定義，按照網(wǎng)供電與綜合氣象因素進行預測，兩種情況下的預測精度對比如表3ㄢ從表3可以看出：采用兩種綜合氣象因素所得預測結果相近，這是因為本文采用的預測方法是基于相似日的，基于分區(qū)負荷求出的權重與五分之一較為接近，雖然兩種方法求出的綜合氣象因素的值并不相等，但按綜合氣象因素選出的相似日卻在絕大多數(shù)情況下是一樣的，也就是說進行預測網(wǎng)絡訓練的樣本是一樣的，因此預測輸入差異導致的預測結果差異并不是很大。限于篇幅，這里只給出了4月一個星期的結果。對于春秋季節(jié)，預測結果大體與之相同。對于夏冬兩季，誤差稍大，日平均預測精度在94%到99%之間，但對比規(guī)律完全相同。6日負荷預測結果與支持向量機技術本文提出基于分區(qū)逐時氣象信息的全網(wǎng)負荷預測新策略，即根據(jù)全網(wǎng)負荷與綜合氣象因素之間的關系進行負荷預測。指出按照行政區(qū)域和氣候區(qū)域相結合來分區(qū)，定義了基于負荷的綜合