电力系统短期负荷预测方法研究综述

㊀２０１８年７月第２１卷第７期电力大数据电网技术㊀Ｊｕｌｙ ２０１８ꎬＶｏｌ ２１ꎬＮｏ ７ＰＯＷＥＲＳＹＳＴＥＭＳＡＮＤＢＩＧＤＡＴＡＰｏｗｅｒＧｒｉｄＴｅｃｈｎｏｌｏｇｙ

电力系统短期负荷预测方法研究综述

夏㊀博ꎬ杨㊀超ꎬ李㊀冲

(贵州大学电气工程学院ꎬ贵州贵阳㊀５５００２５)

摘㊀要:根据负荷预测基本流程ꎬ分别对数据预处理㊁模型选取㊁模型优化分别进行了总结分析ꎮ首先对传统的数据处理方法进行了概述ꎬ并简要介绍了新的数据处理方法ꎮ其次ꎬ将现有的短期负荷预测方法分为经典方法㊁传统方法和智能方法ꎬ综合分析了现有预测方法的应用原理ꎬ详细分析和比较预测方法的优点和不足之处ꎬ为了提高预测的精度ꎬ一些新的方法就因运而生ꎬ目的在于提高预测精度和适应相应各种运行条件ꎮ再次ꎬ总结分析了传统的预测优化模型ꎬ并简要介绍了现有的一些新的优化模型ꎬ这些新的优化模型计算结果相比于传统的模型精确度较高ꎬ分析了新优化模型的优点和不足之处ꎮ文章最后对了未来电力系统负荷预测提出了展望ꎬ在进行短期负荷预测时应该考虑电力市场㊁新能源㊁电动汽车相关因素的影响ꎮ

关键词:电力系统ꎻ短期负荷预测ꎻ数据预处理ꎻ预测方法ꎻ模型优化

文章编号:２０９６－４６３３(２０１８)０７－００２２－０７㊀中图分类号:ＴＭ７１４㊀文献标志码:Ｂ

㊀㊀电力系统负荷预测按预测的时间可分为长期㊁中期㊁短期㊁超短期以及特殊日ꎬ然而其中的短期负荷预测对电力系统来说有着很重要的地位ꎬ也是现有电力市场环境下编排发电计划㊁交易计划㊁调度计划的基础[１]ꎮ随着电力行业的发展ꎬ分布式电源的接入和电动汽车等新负荷的加入ꎬ电力系统负荷预测的精确度就显得尤其重要ꎮ因此负荷预测成为了电网运行和管理的一个重要研究领域ꎮ

由于负荷预测在电网中占有很重要的地位ꎬ所以对负荷预测初始数据的处理㊁预测方法的选择就显得尤其的重要ꎮ对短期负荷预测的研究已有很长的历史ꎬ国内外专家和学者在预测方面做了很多工作ꎬ提出很多预测模型[２]ꎮ本文从负荷预测的流程出发ꎬ分析了短期负荷预测数据预处理㊁预测模型选取㊁模型优化各个模块ꎬ详细分析和比较预测方法的优点和不足之处ꎬ在文章最后提出了对负荷预测的展望ꎮ

１㊀负荷数据预处理

历史负荷数据由于多种原因可能会造成部分数据的丢失或者数据异常ꎬ异常的历史负荷数据会对短期负荷预测结果造成很大的影响ꎮ因此ꎬ想要提高短期负荷预测结果的精确度ꎬ在进行预测前ꎬ需对负荷数据进行预处理ꎮ传统的数据预处理方法包括插值法和纵向比较法等ꎬ为了提高预测的精确度又提出了双向比较法[３]㊁滤波法[４－５]㊁切比雪夫不等式法[６]等多种数据预处理新方法ꎮ文献[５]提出了用Ｓａｖｉｔｚｋｙ￣Ｇｏｌａｙ平滑滤波器去处理历史负荷数据ꎬ与其它平均方法相比ꎬ本方法保留了原始数据的分布特性ꎮ文献[７]利用粗糙集理论的属性ꎬ在保证历史负荷和气象因数等属性的情况下ꎬ推导出的预测负荷值满足一定的精确度ꎬ剔除属性集中的冗余信息ꎬ简化了判断规则ꎬ并利用遗传算法的全局搜索能力ꎬ挖掘得到相对预测量的最小约简属性集作为预测模型的输入变量ꎮ

２㊀短期负荷预测模型

天气变化㊁节日类型和社会活动等因素都会影响短期负荷ꎬ这些影响因素为非平稳的随机过程ꎬ但是这些影响因素中大部分都是有规律的ꎬ这为提高预测精确度提供了基本条件ꎮ经过多年的负荷预测的研究ꎬ可以将预测方法分为经典预测方法㊁传统预测方法和智能预测方法ꎮ电力负荷预测的核心思想是运用现有的历史负荷数据ꎬ建立适当的预测模型来预测未来时间或周期的负荷值ꎬ因此ꎬ历史数据和预测模型是影响预测精度的主要因素ꎮ随着电力行业的发展ꎬ能够获得实时的精确的历史数据ꎬ也能够从气象局获得相关天气状况ꎬ因此ꎬ现在负荷预测主要考虑的是预测模型水平的高低ꎬ以下内容对各种预测方法进行了分析和比较ꎮ

２２

㊀第７期夏㊀博ꎬ等:电力系统短期负荷预测方法研究综述

２ １㊀经典方法

２ １ １㊀回归分析法

回归分析法是根据事物自身的变化规律来对未

来的走势进行预测ꎬ它是一种定量预测方法ꎬ主要体现在研究事物间相互关系ꎮ根据事物因果关系的自变量个数ꎬ可以将回归分析法分为一元或者多元回归分析法ꎻ在描述因果关系间函数的表达式是线性的还是非线性时ꎬ又可以将其分为线性回归分析法和非线性回归分析法ꎮ

回归分析法的优点是能表明自变量与因变量之间的显著关系ꎬ也能表明多个自变量对一个因变量的影响强度ꎮ计算原理简单㊁运算速度快㊁外推性能好ꎮ

存在的不足是在预测过程中没有考虑各种负荷影响因素ꎬ由于结构简单造成了计算结果的准确度低ꎬ对初始数据有严格的要求ꎮ该方法对模型准确度和影响因子其本身预测值的准确度有着严重的依赖性ꎮ在运用这种方法时ꎬ要注意拟合的区间是否都一致ꎮ

２ １ ２㊀时间序列法

时间序列分析是通过对历史负荷数据进行曲线

拟合和参数估计来建立数学模型的理论方法ꎬ用来对电力系统负荷的未来值进行预测ꎬ历史负荷数据是连续记录得到的时间序列数组ꎮ该方法是电力系统短期负荷预测中发展的比较成熟的算法ꎮ时间序列法的初始数据是系统观测得到的ꎬ它的预测值体现了负荷变化的连续性ꎬ并且该算法的运算速度快ꎮ但是时间序列法跟回归分析法一样ꎬ在进行负荷预测时都没有考虑到负荷影响因素ꎬ负荷预测误差较大ꎮ

２ ２㊀传统预测方法２ ２ １㊀负荷求导法对于负荷序列ｐ(ｉ)(ｉ＝１ꎬ２ꎬ３ )负荷求导

法的预测公式为:

ｐ(ｉ＋１)ｆｏｒｅ＝ｐ(ｉ)ｒｅ＋Δｐ(ｉ)ｆｏｒｅ

公式的含义为:第ｉ点负荷变化率的预测值与该点负荷的实际值之和等于第(ｉ＋１)负荷的预测值ꎮ负荷变化率的公式如下:

Δｐ(ｉ)ｆｏｒｅ＝

ðＤ

ｊ＝１

Ｋｊ Δｐｊ(ｉ)ｒｅ其中:Ｄ为选用过去负荷的天数ꎻＫｊ为第ｊ天的合适因子ꎬðＤ

ｊ＝１

Ｋｊ＝１ꎻΔｐｊ(ｉ)ｒｅ为第ｊ天的第ｉ点的Δｐ(ｉ)ｒｅꎮ

从以上的公式可以看出ꎬ求导法的原理简单㊁清楚ꎬ同时要求变化率具有规律性和稳定性ꎬ但有计算误差的叠加ꎮ

２ ２ ２㊀指数平滑法

指数平滑法是通过对历史数据进行指数加权

组合来直接预测时间序列的将来值ꎮ其基本形式如下:

ｘ＾

(ｔ＋１)＝

ðｎ

ｉ＝０

α(１－α)ｉｘ(ｔ－ｉ)

式中:ｘ＾

(ｔ＋１)为预测值ꎻｘ(ｔ－ｉ)为实际负荷

值ꎻα为衰减因子ꎻｎ为初始负荷个数ꎮ

上式中ꎬα＝

１

ｎ

ꎬ０<α<１ꎬ体现了 重近轻远 ꎬ其基本原则是近期数据对预测影响大ꎬ远期数据对预测影响小ꎮα越大ꎬ由近期到远期数据的权系数由大变小就越快ꎬ是强调新近数据的作用ꎮ

该方法把电力需求作为一个整体去预测某个单一的指标ꎬ方法原理简单ꎬ但是该方法没有很好反映当今电力市场㊁天气和节假日等影响因素ꎮ

２.２.３㊀卡尔曼滤波法

卡尔曼滤波法是一个最优化自回归数据处理算

法ꎬ通常是运用于线性定常模型系统ꎬ并在定常噪声协方差的前提下进行ꎮ该模型的灵敏度差和预报的精度不高ꎬ没有详细分析预测模型的噪音ꎬ而滤波的追踪能力和估计的精确度往往受到噪声估计的精确性影响ꎮ

文献[８]提出了运用负荷级比累加序列的方法ꎬ进行卡尔曼滤波法的负荷预测ꎬ先对历史负荷进行数据的提取ꎬ再用级比和累加的方式去处理所提取的数据ꎬ最后用卡尔曼滤波法对累加值进行预测ꎬ通过还原算法得到预测负荷值ꎮ文献[９]在考虑负荷自身变化特点的基础上ꎬ建立了含时变系数的负荷系统模型㊁观测模型和系统参数模型ꎬ采用两段自适应卡尔曼滤波方法ꎬ考虑噪声协方差对预测精度的影响ꎬ运用时变噪声统计估值器对噪声协方差进行自适应估计ꎬ采用预测方程预测次日的负荷并取得了很好的结果ꎮ文献[１０]全面的分析了卡尔曼滤波法在电力系统短期负荷预测㊁动态状态估计㊁电能质量分析㊁继电保护㊁风电场风速预测㊁电机状态和参数估计等方面的应用ꎮ

２ ３㊀智能预测方法２ ３ １㊀专家系统法专家系统法是根据某一领域的专家知识和专家

经验建立的一个计算机系统ꎬ并且该系统能够运用

３２