电力系统短期需求预测理论与方法.

电力系统短期需求预测理论与方法清华大学北京科技有限公司2006年9月技术路线预测原理分析数据分析与处理预测方法库同类型日信号预测综合预测模型因素映射负荷规律性分析正常日预测节假日预测预测内容预测机制新息利用频域分解实时气象特色预测自适应技术发展新方向主要因素分析体会与思考短期负荷预测的重要性为电力系统安全调度、经济运行提供负荷数据准确预测负荷的大小及其出现的时间，对电力系统运行成本的影响很大预测数据用于：机组组合决策正常运行机组决策开停机计划，以最小化运行成本水电计划，决策水库调度水电-火电协调互联电网交换计划电网潮流/负载率预计电力系统安全评估实时调度发电侧市场中预测工作的重要性在计划经济体制下，如果发现预测的偏差较大，机组出力的安排不满足要求，将在实时运行过程中尽可能通过调度手段进行调整，由于厂网不分，因此预测偏差较大所造成的运行费用的增加并没有被深入追究。由于引进了市场机制，发电侧市场中预测工作的重要性显得更为突出。此时，负荷预测的误差直接影响购电计划的制定，例如，日前市场中负荷预测偏低，将导致在实时市场上购买昂贵的高峰电力；日前市场中负荷预测偏高，将导致更多的机组在日前的预调度计划中组合进来，由此会支付过多的容量成本和启停费用。这将直接影响电力企业的经济效益。因此，必须加倍重视发电侧市场中的预测工作，努力提高系统运行的效益。短期预测的特点每日循环滚动预测预测细化到每个时段可以单独预测日峰值负荷可以单独预测日电量负荷预测的影响因素时间因素季节性：负荷规律明显区别周的周期性工作日的规律周末规律节假日的规律短期预测问题历史数据-预测结果周期性周末负荷明显低工作日相似性日曲线形状相似性负荷分析负荷分析是负荷预测的基础工作，只有对本地区负荷做出全面的分析，才能找到历史负荷的发生规律，才能辅助电力调度及营销工作人员准确把握电力市场的脉搏，正确估计未来市场的走势系统提供多层次、多角度的图表分析功能，包括：按功能范围划分：电量分析、负荷分析、综合指标分析、大用户分析按时间范围划分：日、月、季、年负荷特性分析、按预测种类分正常日与节假日特性分析，其它指标特性分析负荷分析--负荷特性分析日、月、年最大最小负荷、平均负荷变化规律。日、月、年最大最小负荷率、峰谷差特性分析。日、月、年典型负荷曲线。春节日负荷曲线元旦日负荷曲线五一日负荷曲线十一日负荷曲线元宵节日负荷曲线中秋节日负荷曲线日、月、季、年负荷概率分布多日负荷曲线比较多日最高最低负荷曲线年最高最低负荷比率多日时段范围的负荷变化比率多日负荷趋势分析负荷分析--负荷指标分析电力负荷预测的预处理技术异常值处理技术（1）设负荷历史数据为x1,x2,…,xn,取平均值p=1/n(x1+x2+…+xn)若xip(1+20%),取xi＝p(1+20%)；若xip(1-20%),取xi＝p(1-20%)；从而使历史数据序列趋于平稳。（2）剔除异常值、削减异常值。（3）非平稳序列平稳化、灰色累加生成技术等。电力负荷预测的预处理技术曲线检测技术（1）临近日/历史同类型日检测（2）检测坏数据，替换为可能的数据（3）填补数据的缺失电力负荷变化规律性的数值化检测与识别目前对于短期预测的研究，主要集中于预测方法本身比较忽视对电力负荷自身的规律性的深层次分析不同地区、不同时段负荷规律性的差异都会对负荷预测结果产生支配性的影响！缺少对负荷规律性及其对预测误差影响的研究，使得预测工作对负荷的分析不够全面如此的负荷分析：负荷自身变化规律的检测与识别历史负荷的负荷成分分析技术负荷中的随机分量将直接关系到负荷预测的准确度对一个地区的负荷预测所能够达到的准确率进行预评估具有指导性意义频域分析法：是对一个地区较长一段时期内的历史负荷进行频域分析，通过区分其中的低频分量和高频分量，得到随机分量占负荷总量的比重，以评估负荷预测能够达到的准确率)(0tDa()Wt()Lt()Ht负荷预测的方法库一元线性回归法分段趋势法点对点倍比法倍比平滑法重叠曲线法变化系数法新息点对点倍比法新息倍比平滑法新息重叠曲线法新息变化系数法模式识别法相似度外推法实时因素ANN预测法频域分析预测法通用ANN预测法。。。。。短期负荷预测方法库正常日预测节假日预测正常日变化系数法节假日点对点倍比法节假日逐点增长率法节假日倍比平滑法节假日因素匹配法实时气象神经网络法模式识别法一元线性回归法相似度外推法通用神经网络法频域分量法同类型日新息同类型日相关因素其它通用方法重叠曲线法正常日倍比平滑法正常日点对点法分段趋势法相关因素同类型日新息频域分量法新息变化系数法新息重迭曲线法正常日新息倍比平滑法正常日新息点对点法综合模型法正常日预测的特点时间同类型日第1周期第2周期基准日第3周期点对点倍比法倍比平滑法重迭曲线法负荷完整曲线第1日第2日第3日其他？不同思路，构造不同预测方法一元线性外推多点外推。。。。。。节假日预测节假日的负荷特性与正常日有很大区别预测精度往往比不上正常日，因为历史数据缺乏节假日预测的特点时间本年度本年度节前相关日间隔时间上年度上年度节前相关日间隔待预测日基准日待预测日的上年度同类型日节假日预测方法点对点倍比平滑逐点增长率。。。。。。信号预测利用连续负荷构成的信号进行预测，或者称为时序预测神经网络技术神经网络预测技术运用神经网络技术进行电力负荷预测，其优点是:可以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点其自学习和自适应功能是常规算法所不具备的。ANN预测的示例123124351X2X3X5w4w3w1w2w11W12W35W25WY人工神经网络法输出层隐含层输入层预测日两周前一周前一天前预测日图1前向多层ANN结构图负荷预测的影响因素气象因素天气类型（晴、阴、多云。。。）温度：最高/最低/平均湿度降雨/降雪风速现成的经验可参考：•气象部门获取信息的细节要求•其他地方应用时的技术协议•气象数据接口气象校正方法出发点：气象因素具有强相关性，必须强化其影响。气象因素的影响是在基本负荷上的波动。气象因素具有隐含性，在历史数据的周期性参量中包含有相应的气象信息思路：异常日的确定相似日的确定气象因素的校正补偿规范化的相关因素处理策略问题的提出相关因素对短期负荷的影响具有相似性、实时性以及隐含性如何对影响负荷的相关因素的影响进行量化基本相关因素指标化分类为定量的指标：日类型、天气类型等原始定量指标：最高、最低、平均温度、风速、湿度等每日相关因素可以表示为（因素一，因素二，因素三……）：（星期四，晴，35摄氏度…）上述表示方法需要解决的问题各个因素的量纲不同，如何量化不同因素对负荷的影响的大小？规范化的相关因素处理策略量化的基本思路需要把不同因素值影射到一个可以相互比较的区间内，如：（0,1）用模式识别中的聚类分析的思想，用一个映射函数对各因素对各日的负荷的影响量化例如：（星期四，晴，35摄氏度…）=（0.25,0.12,0.88…）映射函数的表示问题：这里的映射函数不能显式的用函数表达式表示，是一个不确定的非线性函数映射函数表示方法：对各个相关因素的映射函数进行抽样（离散映射对）因素值映射方法：在各个相关因素的映射函数的抽样点之间插值求得映射后的取值规范化的相关因素处理策略映射（数据）库的设计特征量名称特征量描述映射前取值映射后取值日类型星期一10.10日类型星期二20.15日类型星期三30.18…………最高温度28摄氏度280.20最高温度33摄氏度330.58最高温度35摄氏度350.88…………•自动识别相关因素影响的灵敏度规范化的相关因素处理策略两种类别的相关因素的映射方法化分类为定量的指标（例如：日类型-星期一、二…）：可以通过映射对直接找到映射后的取值；原始定量的指标（例如：最高温度=28、33、35摄氏度…）：取得相邻的两个映射函数采样点，做插值即可，如34度在33和35度间插值；映射库的特点可灵活的增加删除映射映射函数的抽样关键点；可灵活的修改映射映射函数的映射后取值以获得合理的映射结果（本文后面将提出一种根据虚拟预测思想优化调整映射后取值的算法）；可灵活增加相关因素的个数（比如有了新的相关因素的数据积累，可增加一个新的相关因素，而不需要修改预测程序）；规范化的相关因素处理策略不同日的差异度与相似度（聚类分析方法）两天之间的差异/相似程度的数值Minkowski距离（Euclid距离）：Lance-Williams距离：夹角余弦：qmkqjkikijXXd1mkjkikjkikijXXXXd1mkjkmkikmkjkikijXXXXr12121规范化的处理相关因素新策略出发点：模式识别,聚类分析,差异/相似度实际处理：差异度与相似度的计算技巧：映射数据库的设计特点：规范化各种分类/量化因素可以随时自由增加新因素程序处理无须修改各地区选择不同参数输入映射数据库改造已有方法基于模式识别的短期预测方法相关因素库训练算法问题的提出短期负荷预测中，映射库的设计是一个核心问题；各种相关因素的映射表长度是由用户定义的（凭经验），各个映射对（相关因素取值映射后的取值）也是由用户自己摸索的经验结果；工作量非常大，且容易丢弃许多方案，又需要经常调整；需要一个自适应训练算法，此训练过程总是可以找到一个比较合理的新映射表，在效果上明显优于原始映射表和大多数其它的映射方案；所谓的自适应算法必须是能够针对不同地区或者同一个地区不同的时间（比如四季，各个月份都会有不同）根据历史负荷的变化情况以虚拟预测最优化为目标的方法自动的调整各个相关因素的映射函数采样点映射后的取值；相关因素库训练算法几个基本概念虚拟预测：对已知的历史负荷做虚拟的预测；滚动训练：等维递补的思想。设定一个数据窗的宽度，认为这个数据窗内的数据对后期的预测是有效的，该窗以前的数据已不起作用。随着“新息”的不断加入，数据窗不断移向时间轴的右侧。每次训练总是以当前窗中的有效数据为依据，从而实现滚动训练；时间轴E1E2E3F1F2F3时间轴历史值起始日评价起始日评价终止日评价区间相关因素库训练算法相关因素库训练算例日期训练前MAPE（％）训练后MAPE（％）00/09/011.51.400/09/022.01.900/09/031.91.700/09/042.32.000/09/051.61.700/09/062.82.100/09/072.52.000/09/081.31.500/09/092.42.1平均值2.031.82相关因素库训练算法相关因素名该因素映射前取值映射后未训练取值映射后训练后取值日类型星期日0.90.758日类型星期一0.080.001日类型星期二0.150.099034日类型星期三0.140.259083日类型星期四0.150.185585日类型星期五0.190.279358日类型星期六0.80.648445日类型元旦0.810.81日类型中秋节0.760.76日类型五一劳动节0.560.56日类型国庆节0.850.85对当日新信息的充分利用各种单一方法通过改进，充分利用了当日最新获得的负荷信息，对于最新的负荷发展趋势充分使用，减小负荷预测的误差可利用最新的负荷信息进行滚动预测。以当日最新获得的负荷数据作为历史数据的一部分，对待预测日进行预测综合模型：对近期若干日+当日已知负荷作虚拟预测，并且设置近大远小的权重。根据虚拟预测的结果确定综合模型中各方法所占的权重。基于负荷成分分析的预测技术频域分析预测法：是对一个地区较长一段时期内的历史负荷进行频域分析，通过区分其中的低频分量和高频分量，得到随机分量占负荷总量的比重，以评估负荷预测能