服务热线:13867748881
首页 >> 工程案例 >> 技术文章
技术文章

现代负荷预测方法及其在短期负荷预测中的应用

发布日期:2015-10-05 | 关注:2220
    负荷预测对电力系统十分重要,如发电计划的制定、经济调度、系统安全评估、经济运行等诸多方面都需要有负荷预测作为依据,特别是当前我国电力工业的快速发展以及电力市场化进程的逐步加快,对电力负荷的准确预测显得极其重要。长期以来,国内外学者对电力负荷预测问题进行了深入的研究,并提出了许多有效的预测方法,这些方法综合起来可以分为传统数学模型方法和现代预测方法。传统数学模型方法的准确性相对较差,现代预测方法具有较高的预测精度和良好的适应性,被越来越多地应用于电力负荷预测系统,特别是在短期负荷预测中。
1 传统数学模型方法的不足

    传统数学模型预测方法主要有回归模型、时间序列模型、灰色预测法、指数平滑模型等。

    传统数学模型预测方法原理简单、应用方便,主要根据历史负荷值和干扰值来推算未来负荷,不需要相关影响因素资料。在预测精度要求不高,一些相关影响因素信息缺乏的情况下,不失为一种可行的预测方法。传统数学方法的缺点:用线性模型表达非线性的电力负荷;难以考虑对负荷变化有重大影响的因素。事实上,电力负荷的组成是多种多样的,变化规律极其复杂,线性化模型有较大的偏差;而负荷影响因素也是多种多样的,如气象、重大事件等对负荷的影响比较大,忽视这些因素会使预测的准确性大大降低。

2 现代负荷预测方法

    现代负荷预测方法被成功应用于电力负荷预测领域,这些方法在寻求历史数据的规律方面具有较好的特性,预测精度在理论上很高,并且具有较好的鲁棒性和较强的适应能力。现代负荷预测方法主要包括神经网络、模糊理论、专家系统、支持向量机等。

    神经网络方法:神经网络即人工神经元网络,是由大量的神经元相互连接而成的网络,是对人脑或自然神经网络若干特征的抽象和模拟。现有的神经网络模型有近百种,它们是从不同角度对生物神经系统不同层次的描述和模拟。典型的模型有感知机、多层映射B P 网络、R B F 网络、G M D H 网络等。

    神经网络预测法被广泛认为是最好的预测方法之一。神经网络对信息处理具有自组织、自学习、知识推理等特点,尤其对非结构非确定性规律具有自适应功能。在数学意义上,神经网络是利用训练样本实现从输入到输出的任意非线性复杂函数对应关系映射,神经网络预测法不是描述对象模型或者拟合对象模型,而是通过建立这种映射关系来体现对象的内在规律。

    在电力负荷预测上,神经网络考虑输入负荷信息、多种气象信息、日期类型等各种负荷影响因素,建立这些影响因素与负荷预测对象的映射关系,并依据这种映射关系来完成预测过程。

    专家系统是基于知识建立起来的计算机系统,它拥有某个领域内专家们的知识和经验,能像专家们那样运用这些知识,通过推理做出决策。专家系统通常由知识库、推理机、数据库、知识获取部分和解释部分共五个部分组成,其中知识库和推理机是专家系统的核心。知识库是用来存储专家知识和经验的地方;推理机则是一组智能程序,用来实现推理的方法和推理过程的控制策略;数据库是计算机中规定的一部分空间,用来存放用户提供的事实和推理过程中的某些中间信息;知识获取部分用来使智能系统直接从领域专家那里获取知识或自动修改、补充完善系统中的知识数据和规则。

    对负荷预测而言,专家系统能识别负荷曲线的不同类型,并能直接考虑到天气等因素对负荷的影响,按一定规则推理并进行预测。

    模糊理论基于模糊集合论,模拟人的模糊逻辑思维功能,采用模糊控制的方法实现预测。模糊控制取得成功的根源在于模糊逻辑本身提供了由专家构造语言信息并将其转化为控制策略的一种系统的推理方法,能够解决复杂而无法建立精确数学模型系统的问题。模糊理论将人们的经验以规则的形式表达出来,并转换成可以在计算机上运行的算法。模糊推理可以利用有限的规则、近似任意的函数关系。

    由统计学习理论发展的通用学习方法——支持向量机,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。可以说,统计学习理论是目前针对小样本统计估计和预测学习的比较好的理论,而支持向量机是比较好的机器学习方法。支持向量机较好地解决了网络结构、过学习、局部极小点等神经网络难以解决的问题,算法的训练速度要明显快于神经网络,拟合精度和预测效果可以与神经网络相媲美。

    在实际问题中,样本数往往是有限的,对电力负荷预测这样复杂的问题,一般得到的历史数据、影响因素信息是十分有限的,只能是小样本。在理论上很多优秀的基于无限样本理论的学习方法在实际中表现却可能不尽人意,支持向量机方法正是针对有限样本的机器学习方法。支持向量机应用于美国加州电力市场的成交量预测实例显示,算法的训练时间和预测精度要高于神经网络方法。

3 现代预测方法的应用方法

    电力负荷不仅由气象状况、日期类型、节假日以及电力系统运行状况、用户需求状况等因素的决定,而且受到如政治事件、自然灾害等特殊事件的影响;另一方面,电力负荷会随着电力系统、社会经济的发展而不断变化,其内部的规律性更难以把握。现代预测方法能较好地反映这些影响因素与负荷之间的关系,发掘电力负荷的变化规律,从而给出比较准确的负荷预测。要进一步提高现代负荷预测方法的精度,确保预测结果的可靠性,还要从以下几个方面入手。

    子模型预测。分析大量的历史资料可以发现:电力负荷具有周期性变化的特点,如一天之内、一周之内、季节变化等,和时间具有明显的相关性;节假日的负荷规律与一般工作日的负荷规律完全不一样,而日期类型相同的负荷曲线有极大的相似性。对于提前一日负荷预测,假如采用同一模型对具有不同负荷曲线的节假日和工作日负荷进行预测,则较难保证两日都保持高精度。子模型预测的想法是:根据负荷变化的不同建立多个子模型,应用的时候选择最合适的模型。实际应用中,根据季节变化分为春秋季模型、夏季模型和冬季模型,在每个季节模型中又根据预测日的星期周期变化特点,划分为7 个模型进行预测。

    优选组合预测就是采用几种方法联合预测或者在几种方法中选择最好的进行预测。每种预测方法都有其不同的建模机理和出发点,将这些方法适当组合,可以综合利用各种方法的信息,有利于综合考虑对不同预测效果,比单个方法更系统、更全面。已有证明:两种或两种以上无偏的单项预测可以组合出优于每个单项的预测结果,即能提高预测精度。

    实际应用中,优选组合预测有两种用法:一是指将几种预测方法所得的预测结果,选取适当的权重进行加权平均的一种预测方法;二是指在几种预测方法中进行比较,选择拟合程度最好或者标准偏差最小的方法,从而应用最好的方法进行预测。

    随机事件调整。一些特殊事件能够使电力负荷明显偏离典型负荷特性,如政治事件、庆典活动、特别电视节目、节日线路检修而限电等;另外一些非正常特殊负荷也会使电力负荷产生剧烈波动,如新增工程开发项目的投产、特大型用电设备的启停等。

    由于该类事件的随机性,各种现代预测方法都无法准确预测其引起的负荷变化,必须要人员参与判断和调整。在实际运行中,有丰富经验的负荷预测工作人员在进行负荷预测时,往往能找出与预测日较为相似的一天,再进行修正,从而对波动剧烈的负荷做出较好的预测。

4 结束语
    当前,随着各区域电力市场陆续投入模拟运行和试运行,各发电公司、电网公司和市场运作机构对负荷预测精度要求越来越高。传统的数学模型预测方法已很难满足需要。近些年计算机科学飞速发展出现的神经网络、专家系统、模糊理论、支持向量机等现代预测方法以其较高的预测精度和良好的适应性得到日益广泛应用。只有针对电力负荷的内部变化规律,合理地应用现代负荷预测方法,才能真正提高电力负荷预测的准确度。

上一篇:

电力变压器基础知识

下一篇:

电力技术和电力系统规划中智能电网的应用解析 返 回