电力系统中长期需求预测理论与方法

电力系统中长期需求预测理论与方法二零零六年九月技术路线预测原理分析数据分析与处理建立预测方法库反映近大远小因素影响分析新息预测方法模型筛选综合预测模型参数估计预测应用提高模型适应性预测人员参与预测评价发展新方向预测原理分析时间11x21x22x12xnx2nx1Nx1Nx1过去(已知，拟合)未来(未知,推理)现在1=t2=tnt=Nt=1ˆy1y抽象化的预测模型预测模型的抽象表达形式为：yf(,)SX其中：Tksss],,,[21S为该预测模型的参数向量X[,,,]xxxmT12为自变量(向量或标量)y为因变量(待预测量)一般，预测的重点是根据所有已知的历史上Xt和yt，通过某种途径对模型的参数向量S进行估计。在得到估计值后，拟合(历史)或预测(未来)公式为：),ˆ(ˆttfyXS特别地，如果自变量取为时刻t，则模型的抽象表达形式及拟合、预测公式分别变为：),(tfyS，),ˆ(ˆtfytS预测中的不良数据辨识必要性：实际序列常含有异常值(不良数据)，不处理将影响模型精度目标：对不良数据进行检测与辨识，提高建模精度，并对异常值作出可靠估计途径：电力系统状态估计中不良数据检测与辨识理论的应用条件：大样本量限制：漏检/误检*例1为正常情况；例2为原始序列中存在空穴与不良数据，1988年数值空缺，1994年数值输入错误(将126.163误为162.163)。**第一种途径是直接按常规步骤建模后作样本估计及预测(法A)，第二种途径是处理空穴及不良数据之后再作预测(法B)。基本序列预测方法回归分析法相关分析法动平均法指数平滑法灰色预测人工神经网络方法回归分析方法人工神经网络法123124351X2X3X5w4w3w1w2w11W12W35W25WY预测方法库预测方法库通用序列预测方法分类专用预测方法综合模型多元相关法一元相关法回归分析法动平均法指数平滑法灰色系统法神经网络法增长速度法灰色马尔可夫预测法模糊数学预测法年度电量类年度电力类月度电量类月度电力类负荷特性曲线线性模型指数模型对数模型双曲线模型幂函数模型S曲线模型Gompertz曲线抛物线模形N次曲线模型扩展S曲线模型扩展Gompertz扩展反正切弹性系数法GDP综合电耗法人均用电法人均生活用电法计量经济学预测法大用户还原法年同期比较分析法年同期增长比较分析法产业产值单耗法最大利用小时数用电结构分析法多月月间相关预测法总量配比预测法累计直接相关法ANN累计相关预测法单月增长相关法多月累计增长相关法月同期比较分析法ANN直接相关预测法单月月间相关预测法月同期增长分析法总量还原法移位修正法提高预测模型适应性的新策略在已有的中长期负荷预测模型中，很多模型的变量数目为2，如线性模型、指数模型、对数模型、双曲线模型等。这样的模型结构，可变的参数数目太少，不利于预测精度的提高。提出一种对已有的中长期负荷预测模型进行扩展的策略，其核心思想是：适当增加模型中可变参数的数目，提高参数辨识的效果和拟合精度。对于基于神经网络的预测方法，扩展模型参数的思路非常明确：只要增加隐含层的数目，或在隐含层数目不变的情况下，增加隐含层的神经元数目。模型参数扩展后，其参数辨识的难度也大大增加。可以采用两种思路：（1）直接的非线性优化方法。（2）随机优化方法。提高预测模型适应性的新策略预测结果比较100000015000002000000250000030000003500000400000045000001990199119921993199419951996199719981999历史值扩展s形曲线扩展gompertz线s形线模型gompertz线模型参数的非线性估计方法线性估计与非线性估计的比较比较项目线性估计非线性估计机理线性最小二乘牛顿法迭代计算复杂性低高估计精度一般高计算速度快一般预测中的近大远小原则含义：物理量未来的变化趋势更多地取决于历史时段中近期的发展规律，远期的历史数据与未来发展趋势的相关性较弱常规预测：各时段拟合残差同等对待处理思路：区别对待各时段的拟合残差，近期的发展规律应该得到更好地拟合，远期历史数据的拟合程度可以稍低方法：加权参数估计优点：更好地体现惯性规律最大负荷线损供电量购电量全社会口径电量统调口径电量各产业电量行业分类电量等等预测量指标体系—气象资料----月度天气预报信息：月最高温度月最低温度月平均温度高温天数降水量雨日月日照时数月蒸发量月内电量的新息预测当月：已经发生并统计若干日的电量剩余日电量如何调整预测？当月电量总量如何调整预测？思路：新息反馈修正法同期比较（上月、去年当月等）注意工作日/休息日的影响预测结果的误差特性分析偏差分析：实际值与实际平均值之差残差分析：实际值与理论拟合计算值之差回归差分析：理论计算与实际平均值之差相对误差分析：拟合与实际的百分数误差拟合精度分析：相关指数（相关系数）灰色系统误差分析：后验差比值、小误差概率、关联度等注：前四者分为：逐点/最大/最小/平均模型的显著性分析之一：方差分析检验模型的显著性F分布值是否大于临界值？是：则认为模型显著可靠否，则认为模型不显著可靠之二：相关系数检验模型的显著性相关系数是否接近于1？是：则认为模型显著可靠否，则认为模型不显著可靠注：模型的可靠(可信)程度分析预测结果的置信区间分析常规预测：给出一个确定的数值缺点：不知道预测的可能范围置信区间分析：给出一个带状区域特点：喇叭型伸展条件：有一定的概率预测模型的评价目标：在预测量未发生之前，衡量(估算)模型所能达到的预测精度。决定因素：预测精度同时取决于预测模型的好坏和历史数据的规律性思路：虚拟预测策略+模糊决策系统途径：选取若干误差特性分析指标和拟合精度分析指标作为预测评价的依据实现：小型专家系统预测步骤与模型筛选(1)建模根据所确定的预测内容，对预测对象进行客观、详细的分析，根据历史数据的发展情况，并考虑本地区实际情况和资料的可利用程度，选择建立合理的数学模型。(2)数据预处理如有必要，可按所选择的数学模型，用合理的方法对实际数据进行预处理。(3)模型参数辨识预测模型一旦建立，即可根据实际数据求取模型的参数。(4)模型显著性检验根据假设检验原理，判定模型是否适合。(5)应用模型进行预测根据求取的模型参数，应用该模型对未来时段的行为作出预测。(6)预测结果的评价分析与综合判定各种方法的预测结果的优劣程度，并对多种方法的预测结果进行比较和综合分析，实现综合预测模型，得到最终的预测结果。负荷预测中多模型的自动筛选方法实际问题：可选预测模型较多、如何判断各自的准确性？提出了一种电力需求预测的多模型自动筛选的新思路：1、应用决策理论中的odds-matrix方法评价各个单一预测模型，以单一预测模型的权重代表其优劣性；2、构造各个单一预测模型权重的概率分布函数，估计分布函数的数学期望，得到优越模型的集合；3、应用综合模型算法，对于步骤2中得到的优越模型进行进一步优化组合，得到一个最终的预测结果。综合预测技术综合预测概念1、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；2、在几种预测方法中进行比较，选择拟合优度最佳或标准离差最小的预测模型作为最优模型进行预测。综合预测方法是建立在最大信息利用的基础上，它集结多种单一模型所包含的信息，进行最优组合。通过组合预测可达到改善预测结果的目的。综合最优预测模型的拟合方差和最大拟合误差明显小于四种单一模型，说明其拟合精度高；综合最优预测模型对1997年的预测结果为867.427MW，与实际值877.200的相对误差仅为-1.114%，而四种单一模型的预测相对误差均在3%以上，这说明综合最优预测模型可以得到更好的预测效果。30000000350000004000000045000000500000005500000060000000650000007000000019901991199219931994199519961997历史值线性模型指数模型1指数模型2对数模型双曲模型1双曲模型2幂函数模型综合模型年度预测方法序列预测理论在年度预测中的应用年度电力电量预测的专用方法(1)全社会用电量预测：•弹性系数法•GNP综合电耗法•人均用电法(2)三产业电量及城乡居民生活用电预测：•产业产值单耗法(3)年最大负荷预测：•最大负荷利用小时数法线损供电量购电量全社会口径电量统调口径电量各产业电量行业分类电量等等年度电量预测•弹性系数法•GNP综合电耗法•人均用电法•预测方法库1、每年度末报下年度线损供电量的预测值2、每年9月报未来三年每年线损供电量的预测值月度参数的预测或结果获取——月最高温度、月平均最高温度、月最低温度、月平均最低温度、降水量、拉路限电情况月度电量预测——全社会口径、统调口径电量，各产业电量，行业分类电量等月度电力预测——最大用电负荷、平均最大用电负荷、工作日平均最大用电负荷、最小用电负荷、工作日最小用电负荷、月代表峰谷差／负荷率／最小负荷率等月典型负荷曲线预测——最大／最小负荷日、最大／最小电量日、最大／最小峰谷差日等月度预测月度预测---2类基本策略•垂直月份轴切片•垂直年份轴切片月度预测---新息预测策略•相邻两月切片•逐年逐月连线月间相关法出发点：将同一影响因素隐含地考虑在每个月中，认为相邻月份规律相似手段：回归分析/神经网络特点：单月/多月，线性/非线性相关条件：相关月份不要太多总量配比法出发点：（1）年度预测结果准确（2）各月的相对比例稳定手段：历史比重曲线分析与预测+年度预测特点：一次预测12月线损供电量购电量全社会口径电量统调口径电量各产业电量行业分类电量等等月度/月内电量预测•月度基本策略•月度新息策略•预测方法库当月线损供电量的预测值报两次：1、第一次为当月6日2、第二次为当月26日或29日当月线损供电量的逐日滚动修正预测预测过程控制技术策略选择：用户对预测项可自行选择预测策略（预测方法）分析参考：可随时查阅历史数据和各种相关数据的统计分析结果，为选择何种预测方法提供可供参考的依据预测期限：可自由设置有效的历史数据和预测结果的起、止时间计算控制：可随时指定各种预测方法的计算控制参数(也可以使用系统默认的预测参数)，从而控制预测计算的过程。综合模型：用户可在任何时间进行多种方法预测结果的综合分析，对多种方法的预测结果可选择系统提供的模型综合标准之一信息文件：输出详尽的预测及其它计算信息文件；可随时查阅已有的信息文件，对预测计算的过程作出追溯分析。---预测报告电力需求的不确定性分析常规方法：给出确定性预测结果不确定性分析雏形：灰色预测：置信区间高、中、低速预测结果基于概率分布的需求估算……电力需求的不确定性分析不确定性电力需求分析基本思想电力需求的层次总需求：电力需求总量子需求：按属性分类按时间分类按空间分类电力需求划分电量类负荷类电力需求的不确定性分析分析思路对传统高中低发展速度的剖析电力需求的概率分布模型总需求的主观概率模型总需求的客观概率模型概率分布及其抽样电力需求的不确定性分析高中低发展速度分析方法基于概率分布模型的分析电力需求的不确定性分析分析思路同时考虑电量与最大负荷的概率性预测结果引入2×1维序列描述各个地区预测结果求得总需求预测结果图形展示气象对负荷预测的影响及灵敏度分析气象因素灵敏度分析距离分析主成分分析电力负荷气象因素基于相关分析的回归模型基于主成分分析的回归模型相关分析主导因素挖掘敏感性分析主导因素挖掘--数据挖掘:聚类分析影响指标非常多。首先根据掌握的数据情况，进行有效的聚类分析，从而发现其中对电力需求最敏感的几个因素。在众多的因素中挖掘出最具代表性和影响力的若干因素---主导因素。如何挖掘（辨识）哪些因素属于主导因素?----数据挖掘:聚类分析方法数据挖掘功能和算法聚类分