基于改进人体舒适指数的微电网超短期负荷预测

基于改进人体舒适指数的微电网超短期负荷预测
樊唯钦;张伟;李勇钢;王家武
【摘要】为解决微电网大规模超短期负荷预测的计算速度和准确度问题,建立最优局部形相似超短期负荷预测模型,引入表征气象综合影响因素的人体舒适度指数,并对人体舒适度指数公式进行改进.根据最优局部形相似数列与实时数据给出了一种基于加权平均的最优局部形相似超短期负荷预测方法,以获取超短期负荷预测初始值,利用改进人体舒适度指数对该初始值进行一次修正;再根据实时数据与预测数据的偏差并运用超稳定自适应控制理论对一次修正值进行二次修正,最终获得超短期负荷预测值.实例验证了所提方法的可行性,同时证明该方法在大规模超短期负荷预测中对计算速度和计算准确性都有较好的适应性.%In order to solve the problem of calculation speed and accuracy in large-scale ultra short-term load forecasting for the micro-grid, an optimal local shape similarity ultra short-term load forecasting model was established, human comfort index representing comprehensive influencing factors on weather was introduced and formula of human comfort index was improved.According to the optimal local shape similarity sequence and real-time data, a method for the optimal local shape similarity ultra short-term load forecasting based on weight average was proposed so as to obtain the initial value of ultra short-term load forecasting and amend this value for once by using the improved human comfort index.Then according to deviation of real-time data and forecasting data, hyperstable adaptive control theory was applied for twice amendment on the modified value and the ultra short-term load forecasting value was finally acquired.Actual
example verifies feasibility of the proposed method and indicates that it has preferable adaptability to calculation speed and accuracy in large-scale ultra short-term load forecasting.
【期刊名称】《广东电力》
【年(卷),期】2017(030)004
【总页数】6页(P137-142)
【关键词】微电网;超短期负荷预测;局部形相似;人体舒适度指数;空气质量指数【作者】樊唯钦;张伟;李勇钢;王家武
【作者单位】国网山东省电力公司日照供电公司,山东日照 276826;积成电子股份有限公司,山东济南 250100;国网山东省电力公司日照供电公司,山东日照 276826;国网山东省电力公司日照供电公司,山东日照 276826
【正文语种】中文
【中图分类】TM715+.1
随着智能配电网建设的推进，以光伏发电、风力发电、生物质能发电、储能装置等为支撑的微电网得到了大力发展。

微电网是实现智能主动配电网的关键组成部分，是发挥分布式电源削峰填谷的主要区域。

为实现微电网内分布式发电的自行消纳，达到削峰填谷的目的，微电网内负荷预测的准确度是关键。

微电网超短期负荷预测能够对网内未来5～15 min的负荷数据进行预测，其不同于主网负荷预测，有其自身特点。

目前对超短期负荷预测的方法主要分为3类[1-14]：传统方法、现代方法和组合方法。

文献[1]提出一种基于形态相似准则的曲线拟合算法，并论述了该算法在超短期负荷预测中的应用。

文献[2]提出了一种基于自适应双向加权最小二
乘支持向量机的超短期负荷预测方法。

文献[3]提出一种基于短期负荷预测的超短
期负荷预测曲线外推法。

文献[4]提出一种实用的超短期负荷预测曲线外推方法。

文献[5]提出了一种基于神经网络和最优化算法相结合的配电网超短期负荷预测方法。

文献[6]提出了一种基于局部形相似的超短期负荷预测方法。

文献[7]提出一种
基于区域负荷的配电网超短期负荷预测。

文献[8-10]提出了一种基于人体舒适度指数的配电网负荷预测方法，但是未对超短期内负荷受气象影响的行为习惯进行描述，且皆未考虑空气质量对居民用电行为习惯的影响。

文献[11]提出了基于大数据的负荷预测方法，但是需要处理的数据量巨大，样本训练时间长，无法满足实时快速的需求。

在微电网超短期负荷预测的工程实用中，待计算配电变压器台区的数量巨大，而计算速度和计算准确度是两个关键性的问题。

研究一种适合于微电网负荷特性的超短期快速大面积负荷预测方法，有效指导网内分布式电源的发电计划，实现微电网分布式发电的自行消纳有重要现实意义。

基于此，本文分析了微电网内负荷类型的特点，建立了最优局部形相似模型，引入并改进了人体舒适度指数，增加了空气质量指数对人的用电行为的影响，以局部最优形相似曲线与实时数据运用外推法对未来超短期负荷进行初步预测；同时分析了影响超短期负荷预测值精度的相关因素并给出了各影响因素的计算方法，根据改进人体舒适度指数和各种影响因素对超短期负荷预测初始值进行一次修正；再根据实时数据与预测数据的偏差，并运用超稳定自适应控制理论对超短期负荷预测一次修正值进行二次修正，最终获得超短期负荷预测值。

1.1 微电网负荷特征分析
由于微电网可提供的电力有限，一般不会给负荷较重的大型工业负荷和商业负荷供电，常用于对负荷较轻的居民负荷、普通商业负荷、普通厂区负荷、普通企事业单位负荷及部分市政公共负荷供电。

居民负荷是微电网负荷的重要组成部分，其受节假日、工作日及气象因素的影响特别大。

居民负荷的组成主要有照明电器、娱乐舒适电器(电视机、电脑、家庭影院、空调、电扇、空气净化器等)、厨房电器(微波炉、电磁炉、电烤箱、电饼铛、电冰箱、净水器等)、清洁电器(吸尘器、热水器、洗衣机等)。

这些负荷又可分成3类：第1类是不受个人行为影响的固定负荷，如电冰箱、净水器等；第2类是受个人
生活习惯影响的规律变化负荷，如照明电器、部分娱乐舒适电器、部分厨房电器及清洁电器等，这部分负荷的变化具有连续的规律性，预测难度小；第3类是受气
象因素影响而导致个人用电习惯改变的负荷，如空调负荷、电扇负荷、空气净化器负荷等，这部分负荷是可变负荷，受气温、湿度、风力及空气质量的影响大，预测难度高。

普通商业负荷是指在微电网内负荷较轻的公共消费娱乐场所用电负荷，例如中小型超市、游乐城、小型步行街等，该部分负荷受气象因素影响较小，节假日除客流量增大外负荷变化有限。

普通厂区负荷是指厂区内除大型机械以外的供电负荷，主要指照明负荷、电子设备负荷、空调负荷等。

普通企事业单位用电负荷跟普通厂区用电负荷相似，可变负荷主要是人为因素影响的空调负荷和照明负荷等。

市政公共负荷是指城市公共设施用电负荷，该部分负荷受气象因素及节假日因素影响较小。

上述负荷除受气象因素影响小的固定负荷外，可变负荷受人的行为习惯影响大，是预测的关键点。

1.2 最优局部形相似模型
所谓最优局部形相似曲线是指在一定时间段内，与待预测曲线的变化趋势和形状最为接近的历史曲线。

通过上下平移可以实现该历史曲线与待预测曲线的有效拟合，其拟合与相似程度称为该局部历史曲线的形相似度。

如图1所示第A、B、C三日曲线，其中，0:00—6:00时段，第B日曲线与第C日曲线为最优局部形相似；12:00—18:00时段，第A日曲线与第B日曲线为最优局部形相似。

超短期负荷预测一般根据一段时间内(通常为25～60 min)的历史数据点，预测未
来一定时刻(通常为5～15 min后)的负荷数据值。

取待预测时刻x前d个时刻的实时数据构成实时数列
在初始历史相似曲线数列M中选取第i日，待预测时刻数据点x前d个时刻构成
初始历史局部相似数列
定义实时数列Lx与第i日初始历史局部相似数列Mix的形相似系数
其中：
则所有Mix与实时数列的形相似系数的最大值定义为该实时数列的该时刻最优形
相似系数
式中N为初始历史相似曲线数。

则Sx对应的Mix即为该Lx的最优局部形相似数列。

1.3 改进人体舒适度指数
所谓人体舒适度是指人体对外界环境的感知反应程度，具体包括对温度冷暖的反应、空气湿度及降水的反应、风力大小的反应、空气质量及污染程度的反应等，文献[8-10]给出了一种人体舒适度指数表达方法：
式中：S为人体舒适度指数；t为温度，℃；rRH为日平均相对湿度；v为风速，
m/s，可取日最高风速与日最低风速平均值；tN为基准温度，℃，其随地域不同
略有变化。

式(7)考虑了温度、湿度、风速对人体舒适度的影响，可对一定时间内的空调制冷
及制热负荷产生影响。

但是随着我国工业发展进程加速，环境压力显著增大，空气质量逐步恶化，雾霾天气频发，特别是秋冬季节，雾霾几乎席卷大半个中国，导致人们的户外活动明显减少，相同时间内的居民用电负荷显著增加。

根据我国《环境空气质量指数(AQI)技术规定》[15]，空气质量指数可分成6类，
见表1。

AQI指数在150以下属于轻度污染，居民户外运动可考虑不受空气质量
的影响；AQI指数在151～300之间属于中度和重度污染，居民户外运动将受到
影响，居民家庭用电将会升高；AQI指数超过300属于严重污染，居民将尽量避
免外出，尽量呆在家里，将会对居民用电负荷产生较大影响。

根据上述分析可以发现在气温和湿度较高的夏、春季节，人体舒适度指数越高越不舒适，空气质量指数对人体舒适度指数的影响应该是上升的。

在气温较低和风力较大的秋、冬、初春季节，人体舒适度指数越低越不舒适，空气质量指数对人体舒适度指数的影响应该是下降的。

故此，对式(7)修正如下：
其中：
式中：β为空气质量指数影响因子；Rt为空气质量指数；Q1、Q2分别为空气质
量严重污染以下和严重污染以上情况下，空气质量指数对人体舒适度指数的影响度，其取值是根据不同地区的人体舒适度指数而定的；RM为该地区年最大空气质量指数，根据分析2013—2015年全国各地空气质量指数，未有超过1 000的情况。

考虑到部分偏远地区无法测量的情况，RM可取为1 000，Q1、Q2可分别取为2和4。

2.1 最优局部形值相似模型
运用线性外推法，未来时刻的数据可以由当前时刻数据与一定的相对误差求和获得。

则x时刻的预测值可表示为
式中为用n时刻数据求得的x时刻基本预测值；exn为x时刻与其前n时刻数据
的差值。

由于Mix与Lx为最优局部形相似数列，则其变化趋势相同，可以由历史数列Mix 的变化量近似表示Lx的变化量。

则
可知x时刻的预测值将有d个，则对该d个数据做加权平均获取该时刻的初始预
测值l′x，具体为
式中αn为各个基本预测值的权重，根据“远小近大”的原则确定。

2.2 改进人体舒适度指数的超短期负荷预测修正
由上述最优局部形相似方法所获得的负荷预测值只是预测初始值，在实际的现场运行中，由于故障的发生、负荷转移、计划检修、计划复电、临时停电、特殊天气等等情况的影响，皆会使用电负荷发生突变。

因此，将初始负荷预测值l′x修正为
式中为负荷预测一次修正值；g(x)为故障发生时由于故障隔离而甩掉的负荷，其可以根据故障发生前的负荷量计算；z(x)为改变运行方式后，通过负荷转移而增加的负荷量，其可以根据转移负荷总量确定；j(x) 为由于检修计划而停运减少的负荷，其由检修停运前的负荷量确定；f(x) 为检修或故障处理完成后需要复电而增加的负荷，其可以由停运前的负荷确定也可由设备的额定容量确定；s(x) 为由于临时检修或者施工、巡线等停掉的负荷，其由停运前的负荷确定；r(x)为由于气象影响而增加或减少的负荷量，其可以由改进人体舒适度指数确定。

通过分析居民用电负荷与改进人体数据度指数直接的关系，其总体具有如图2所
示趋势，当改进人体舒适度指数在某限值S0之下或S1之上时，其负荷变化与改
进人体舒适度指数关系不明显，当处于限值S0与S1之间时，其变化规律明显，
可近似认为是线性变化。

故此：
式中Sx、Sx-1、Sx-2分别为相应时刻的改进人体舒适度指数。

由于预测的不确定性和实时变化性，经过一次修正后的负荷预测值需根据实时数据进行二次修正，根据超稳定自适应控制理论，经过二次修正后的负荷预测值[16]
其中：
式中：ε1、ε2、φ1、φ2为权重系数，取值范围为(0，1)；补偿器
vx=e′x+w1e′x-1+w2e′x-2，其中负荷预测二次修正值与实时值之间的偏差，w1、w2为权重，取值范围为[-0.5，0.5]。

经过自适应修正后，超短期负荷预测的二次修正值将随着时间推移逐渐逼近实时值。

以山东省某市区4台共用配电变压器2015年12月1日至22日历史负荷数据和
12月23日每时刻实时数据为样本空间，对12月23日该4台共用配电变压器分别进行超短期负荷预测。

历史、实时和预测气象数据根据“天气网”发布的温度、湿度、风力及空气质量指数而定。

超短期预测周期为5 min，数列长度d=5， Q1、Q2分别取2和4，RM取1 000，权重αn取0.2。

图3为12月1日至12月23日的最大空气质量指数变化曲线和4台共用配电变
压器综合平均负荷变化曲线。

在1至4日，14至19日，21至23日正常工作日时，AQI变化趋势较大，雾霾较严重，此时平均负荷变化趋势与AQI变化趋势相似，在雾霾较轻或周末节假日时，平均负荷变化趋势与AQI变化趋势有一定的相
关性，但相似性较小。

对4台共用配电变压器12月23日分别运用以下3种方法
进行超短期负荷预测：①基本线性外推法、②本文所述二次修正法、③遗传算法，计算结果见表2。

表2中的平均计算时间是指一天中单次超短期负荷预测计算时间的平均值，可以
看出基本线性外推法计算速度最快，但预测精度最低，当需要较精确预测配电变压器台区负荷时适应性较差；遗传算法预测精度较高，但计算速度最慢，当需要快速大面积计算配电天气负荷时耗时太多，不能较好地保证工程应用；本文所述基于改进人体舒适度指数的微电网超短期负荷预测方法在预测精度和计算速度上皆有较好的适应性，能较好地满足工程实际中的需求。

分析了微电网中各种负荷类型的特征，在微电网负荷中居民负荷是占比最重的负荷，居民用电行为受外界环境因素的影响波动较大，是超短期负荷预测的难点。

建立了最优局部形相似的超短期负荷预测模型，以形相似系数表述2条局部相似曲线数
列的相似度。

引入了表征气象综合影响因素的人体舒适度指数，并根据空气质量指数对人的用电行为的影响对人体舒适度指数公式进行了改进。

根据最优局部形相似数列与实时数据给出了一种基于加权平均的最优局部形相似超短期负荷预测方法，以获取超短期负荷预测初始值。

分析了影响超短期负荷预测值
精度的相关因素并给出了各种影响因素的计算方法，根据改进人体舒适度指数和各种影响因素对超短期负荷预测初始值进行一次修正。

根据实时数据与预测数据的偏差并运用超稳定自适应控制理论对超短期负荷预测一次修正值进行二次修正，最终获得超短期负荷预测值。

本文所述预测方法在预测准确度和计算时间上具有较好的适应性，能够较好地满足工程实用中对大面积配电变压器台区的快速超短期负荷预测的需求。

樊唯钦(1971)，男，山东日照人。

高级工程师，工学学士，主要从事电网调度自动化技术研究及管理工作。

张伟(1982)，男，山东青州人。

高级工程师，工学硕士，主要从事配电网自动化工作。

李勇钢(1971)，男，山东潍坊人。

高级工程师，工学学士，主要从事电力系统技术管理与研究工作。

【相关文献】
[1] 罗滇生，何洪英.基于形态相似准则的曲线拟合算法及其在超短期负荷预测中的应用[J].电网技术，2007,31(21)：81-84.
LUO Dianshen, HE Hongying.A Shape Similarity Criterion Based Curve Fitting Algorithm and Its Application in Ultra-Short-term Load Forecasting[J].Power System Technology, 2007,31(21):81-84.
[2] 王岗，姜杰，唐昆明，等.基于自适应双向加权最小二乘支持向量机的超短期负荷预测[J].电力系统保护与控制，2010，38(19)：142-146.
WANG Gang, JIANG Jie, TANG Kunming, et al. Ultra-short-term Load Forecasting Based on Adaptive Bidirectional Weighted Least Squares Support Vector Machines[J].Power System Protection and Control，2010，38(19)：142-146.
[3] 路轶，王民昆.基于短期负荷预测的超短期负荷预测曲线外椎法[J].电力系统自动化，2006，30(16)：102-104.
LU Yi，WANG Minkun. Ultra-short Term Load Forecasting Based on Short-term Load Forecasting[J].Automation of Electric Power Systems，2006，30(16)：102-104.
[4] 丁恰，卢建刚，钱玉妹，等.一种实用的超短期负荷预测曲线外推方法[J].电力系统自动化，2004，28(16)：83-85.
DING Qia，LU Jiangang，QIAN Yumei，et al. A Practical Method for Ultra-short Term Load Forecasting[J].Automation of Electric Power Systems，2004，28(16)：83-85.
[5] 梅沁，黄敏，徐甍.电力班组信息化负荷大数据分析系统研究及应用[J].电力信息与通信技术，2016，14(1)：15-18.
MEI Qin，HUANG Min，XU Meng. Study and Application of Power Team Information Burden Analysis System Based on Big Data[J].Electric Power Information and Communication Technology，2016，14(1)：15-18.
[6] 罗滇生，李伟伟，何洪英.基于局部形相似的超短期负荷预测方法[J].电力系统及其自动化学报，2008，20(1)：75-79.
LUO Diansheng, LI Weiwei, HE Hongying. Very Short-term Load Forecasting Method Based on Loacal Shape Similarity[J].Proceedings of the CSU-EPSA，2008，20(1)：75-79. [7] 孔平，陈亮，马晶.基于模糊信息粒化支持向量机的短期电力负荷预测[J].电力信息与通信技术，2016，14(1)：11-14.
KONG Ping，CHEN Liang，MA Jing. Short-term Power Load Forecasting Based on the Fuzzy Information Granulation and SVM[J].Electric Power Information and Communication Technology，2016，14(1)：11-14.
[8] 袁飞，肖晶，卢毅. 基于人体舒适度指数的夏季负荷特性分析[J]. 江苏电机工程，2005，24(6)：5-7.
YUAN Fei，XIAO Jing，LU Yi. Summer Load Characteristic Analysis Based on Body Comfort Index[J]. Jiangsu Electrical Engineering，2005，24(6)：5-7.
[9] 周巍，陈秋红，肖晶，等. 人体舒适度指数对用电负荷的影响[J]. 电力需求侧管理，2004，6(3)：54-56.
ZHOU Wei，CHEN Qiuhong，XIAO Jing，et al. The Effect of Human Body Amenity Indicator to Load Characteristic[J]. Power DSM，2004，6(3)：54-56.
[10] 张伟.基于人体舒适度指数的配电网短期负荷预测方法[J].电力系统保护与控制， 2013，
41(9)：74-79.
ZHANG Wei. A Distribution Short-term Load Forecasting Based on Human Comfort
Index[J].Power System Protection and Control，2013，41(9)：74-79.
[11] 王德文，孙志伟.电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报，2015，35(3)：527-537.
WANG Dewen，SUN Zhiwei.Big Data Analysis and Parallel Load Forecasting of Electric Power User Side [J].Proceedings of the CSEE，2015，35(3)：527-537.
[12] 林辉，刘晶，郝志峰，等. 基于相似日负荷修正的节假日短期负荷预测[J]. 电力系统保护与控制，2010，38(7)：47-51.
LIN Hui，LIU Jing，HAO Zhifeng，et al. Short-term Load Forecasting for Holidays Based
on the Similar Days’load Modification[J]. Power System Protection and Control，2010，38(7)：47-51.
[13] 崔和瑞，彭旭.基于ARIMAX模型的夏季短期电力负荷预测[J].电力系统保护与控制，2015，43(4)：108-114.
CUI Herui，PENG Xu.Summer Short-term Load Forecasting Based on ARIMAX
Model[J].Power System Protection and Control，2015，43(4)：108-114.
[14] 马哲，舒勤.基于 ESPRIT 分解算法的短期电力负荷预测[J].电力系统保护与控制，2015，43(7)：90-96.
MA Zhe，SHU Qin.Short Term Load Forecasting Based on ESPRIT Integrated Algorithm[J].Power System Protection and Control，2015，43(7)：90-96.
[15] HJ 633—2012，环境空气质量指数(AQI)技术规定(试行)[S].
[16] 李严俊，张科. 自适应控制理论及应用[M]. 西安：西北工业大学出版社，2005.。