总工程师必读—第五篇电力市场预测和分析 - 图文

大毛毛虫★倾情搜集★精品资料

有着重要的意义。为了准确地预测市场对电力这一商品的需求，必须认真分析各种信息和相关数据，采用最新理论，提高预测精度，采用最新的计算机技术，增强预测软件的实用性与方便性。 二、短期负荷预测的数学模型 短期负荷预测建立的数学模型，应该考虑具体电网的特点。不同电网的负荷，都具有随时间变化的周期规律，如日周期，周周期等，但每个电网的总容量及负荷变化的幅度是有很大差异的。传统的短期电力负荷预测方法可以分为时间序列法、回归分析法和其他方法。对于电网总容量较大或变化幅度小的负荷，其时间序列平稳化后负荷比较平稳，一般采用线性的时间序列模型，如AR模型、ARAM模型；而对于电网总容量较小或变化幅度大的负荷，由于其时间序列的平稳度较差，应采用非线性SETAR模型。近年来，随着人工智能技术的发展，人工神经网络(ANN)逐步开始应用于短期负荷预测。在神经网络方法中，有传统的BP学习神经网络法，也出现了较新的采用自适应的模糊神经网络法。无论是时间序列法，还是回归分析法、神经网络法，目前的短期负荷预测研究仅局限于对历史负荷数据进行统计分析运算，而对于其他的相关信息，特别是对短期负荷影响较大的气象信息，没有进行考虑，从而造成了一般日负荷预测误差精度无法提高，而特殊气象日负荷预测误差过大的问题。 以日平均温度作为相关量变化为例。图5-1-4为某地区夏季升温与降温的典型连续日的日平均温度图(中间持平阶段省略了一些点)。将考虑气象因素的预测结果与不考虑气象因素的传统序列方法的预测结果相比较，可以发现，在日平均温度变化不大的平稳区域，误差比较小，而在上升和下降中的“点”(如6点、14点)误差就非常大。这充分说明了：在这些温度敏感的点上，仅靠这些点之前的历史数据的发展规律的外推，其误差必然很大。 就考虑气象因素而言，国内学者曾经采用经验法，利用粗略的气象情况进行补偿，或者作为神经元网络的相关元进入神经网络模型计算。但由于采用的信息太少和相关方式较弱，其结果也并不理想。 三、对短期负荷预测的要求 在现代电力系统中，电力企业的计划调度、能量管理、竞价售电等生产活动，都要以 短期负荷预测为依据，因而对它提出了以下更高的要求。 1．及时性 要求能够利用实时系统的最新数据，迅速及时地对几分钟甚至于更短时间的负荷变化进行预测，作出反应。 2．准确性 能够利用更多的信息如气象信息，采用更加合理的数学模型与算法，进一步地缩小误差，提高预测精度。 四、正常日负荷曲线预测 正常日负荷预测一般是指预测一周以内的日负荷曲线，即基准日与预测日的间隔不超过一周，包括工作日和普通休息日(非重大节假日)。 在进行正常日负荷预测时，一般取基准日之前的若干天为历史样本，则可画出如图5-1-9的示意图。 以基准日为起点，以7天为一周期，可对历史样本分出第1周期、第2周期……每一周期中，必有一个与待预测日相同类型的负荷日(即同为星期一或同为星期二……)。这些同类型历史日负荷应是与待预测日的相关程度最大的历史负荷。 大毛毛虫★倾情搜集★精品资料

大毛毛虫★倾情搜集★精品资料

若将历史日期计数的起点取为基准日，依次往前一天计数，设第d日第t时刻的负荷为Pdt，这里d=1，2，…，n，t=1，2，…T(T为每天的采样点数)，则每日的负荷曲线以一个向量可表示为 所有Cd的集合称为历史样本集合。 现在以同类型日作为优先顺序对所有历史样本进行排序，即第一周期中与待预测日类型相同的负荷日排在首位，第二周期中的同类型日排在第2位，依此类推。当同类型日排序完毕后，剩余的历史负荷日按其离基准日的远近进行排序，由此，原来的n天历史负荷曲线C1，C2，…，Cn被排序成为D1，D2，…，Dn。显然，任一个Cd(d=1，2，…，n)必与某一个Di(i=1，2，…n)相对应，且两者是一一对应的关系。负荷曲线 Di的集合中，下标i越小，表示它与待预测日的相关程度越高。 所有Di的集合称为相关负荷集合。以n=14为例，则只有两个周期，故D1为第一周期中的同类型日的负荷，D2为第二周期中的同类型日的负荷，第一周期的不同类型日的负荷依次为D3，D4，…，D8，第二周期的不同类型日的负荷依次为D9，D10，…，D14。 下面的各种预测方均以Di的集合(相关负荷集合)进行。 可以分别以Pi,max,Pi,min和Pi,ave为基值对该日负荷曲线作标么化处理。 正常日负荷曲线的基本预测方法有以下几种。 (一)点对点倍比法 其基本假设是待预测日某时刻的负荷预测值是其相关的近期各日同一时刻的负荷值的一次指数平滑结果。所谓点对点，是指按逐时刻进行。 取n=14天的相关负荷，设预测t时刻负荷： 取第一周期的不同类型日t时刻的值作平滑，得到 取第二周期的不同类型日t时刻的值作平滑，得到 这里β为逐点负荷的平滑系数，一般β∈[0．2，0．6]。另取第一周期中同类型日t时刻的值为P1t，则有 于是，待预测日t时刻的值为 如此对t=1，2，…，T依次进行，即得该日的预测负荷曲线。 (二)倍比平滑法倍比平滑法的预测思路是待预测日的标么负荷曲线可由相关负荷集合的标么曲线的逐点平滑结果得到，而相应的基值由其前一周期的倍比关系预测。 取n天的相关负荷D1，D2，…，Dn，相关负荷集合中D；的负荷曲线的标么化基值设为Pi,0(可以是Pi,max，Pi,min和Pi,ave)，相应的标么曲线记为Ei=[Li1,Li2，…，LiT]，这里 预测分三步进行： 1．标么曲线预测 取n天的相关负荷(n可以不等于14)，待预测日t时刻的曲线标么值是其相关负荷集合中各日同一时刻标么值的一次指数平滑值，即对于t=1，2，…，T，有 由此形成待预测日的标么曲线 这里a为标么曲线预测的平滑系数，一般a∈[0．2，0．6]。 2．基值预测取n=14天的相关负荷，分别计算第一、第二周期中不同类型日的基值的平滑值为 大毛毛虫★倾情搜集★精品资料

大毛毛虫★倾情搜集★精品资料

这里β为逐点基值预测的平滑系数，一般β∈[0．2，0．6]。 其余周期依此类推，分别为A3,0，A4,0，… 设第一、二周期中同类型日的基值分别为P1，0，P2，0，其余周期分别为P3，0，P4，0，… 于是，待预测日近似成立如下关系式 现在只取第一个等式，于是得到 这是一种线性倍比的方式。如果有必要，可以考虑样条插值再做倍比。 3．预测曲线的有名化 由上述两步得到待预测日的基值为Po，标么曲线为E=[L1，L2，…，LT]，则预测曲线为 由上述三步完成预测。 按照基值的选取不同，本方法可以有三种情况：日最大负荷方式、日最小负荷方式、日平均负荷方式。 (三)重叠曲线法 重叠曲线法的基本思路是：标么曲线的预测效果一般较好，如果将原来每日的负荷曲线分别从左右两边延伸出几个时刻，则各日的负荷曲线就有一段重叠区。这样，由于基准日的后几个时刻为已知，而这几个时刻恰巧又是下一日的前几个时刻的值，由标么曲线的预测结果即可得到其他点的有名值，如此逐日重叠预测，得到待预测日结果。 预测分四步进行： 1．曲线的延伸处理 设原来每日的负荷曲线为Di=[Pi1，Pi2，…，PiT]。现在取其前一日的后k个点以及其后一日的前ι个点，构成延伸曲线为 则延伸后的曲线为m=k+T+ι个点，其中m应大于T，即k与ι中至少有一个为非0，否则k与ι均为0值，意味着曲线无重叠，此法就无法进行。 2．各日标么曲线的预测 重叠曲线法需要预测从基准日待预测日之前各日的标么曲线，可以取n天的相关负荷(n可以不等于14)，各日采用与倍比平滑法中同样的手段进行选取。 设预测得各日的标么曲线为Gi=[Hj1，Hj2，…，Hjm]。这里j=0，1，2，…，r。其中j=0意味着基准日(由于基准日的延伸曲线的后几个点未知，故也需要预测)；j≥1表示基准日的后n日，其中j=r为待预测日。 3．重叠曲线的有名化 设预测曲线为Fi=[Si1，Si2，…，Sim]。 (1)对于j=0即基准日，S01，S02，…S0，k+T为已知，则基值的估计值Pj,0为 式中，Sj,t为各种曲线的模型；Hj,t为各日的标么曲线。 因此j=0时后几个重叠点的预测值为 (2)对于j≥1，即未知日，曲线的前k+ι个点为已知(即为上一日的后k+ι个点)，即Si+1,Si,2，…，Si,k+1为已知，则基值的估计值为 因此j≥1时后续点的预测值为 4．重叠点的扣除对于第r日，只需取Fr=[Sr,1，…，Sr,m]中的中间T个点，即为待预测日的真正预测曲线。大毛毛虫★倾情搜集★精品资料

大毛毛虫★倾情搜集★精品资料

注意： (1)若ι=0，则基准日的延伸曲线为完全已知，无需预测； (2)与倍比平滑法相似，按标么曲线基值选取的不同，分为三种预测思路：日最大负荷方式、日最小负荷方式、日平均负荷方式。 重叠曲线法示意图见图5-1-10。显然，对当日来说，上日的曲线为已知，故当日的所有重叠点均已知。 五、节假日负荷曲线预测 节假日是指国家法定的重大节日或假日，一般有春节、元旦、五一、十一等。 (一)节假日预测的基本思路 在进行节假日预测时，所取的相关历史样本如图5-1-11所示。图5-1-7中，本年基准日以前的n天为本年节前相关日，设基准日与待预测日之间的间隔天数为r天。待预测日的上年度同类型日是指已经发生的同一节假日，例如，待预测日为即将到来的除夕，则同类型日是指去年的除夕。类似地可以获得上年度的基准日和上年度节前相关日。 (二)预测方法 1．点对点倍比法与正常日预测的思路基本相同。 假设计算t时刻。分别计算本年度和上年度节前相关日的平滑值A1,t，A2,t另取上年度同类型日的t时刻值(设为P1t)，则有如下关系 于是，待预测日t时刻的值为 如此对t=1，2，…，T依次进行，即得该日的预测曲线。 2．倍比平滑法 与正常日预测的思路较为一致，其中，本年度节前相关日相当于正常日预测中的第一周期，上年度节前相关日相当于正常日预测中的第2周期。 (1)标么曲线预测。同样采取相关样本集合中同时刻逐点指数平滑的方法进行预测，因此需要对两年节前相关日及上年度间隔日期间的各日负荷的相关程度进行优先排序。这里采取的排序原则是：首先是上年度间隔日，其次是本年度节前相关日，最后是上年度节前相关日。 大毛毛虫★倾情搜集★精品资料