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

因此，取适当的平滑系数之后，即可得到待预测日的标么曲线。 (2)基值预测。分别计算本年度和上年度节前相关日的平滑值A1,0，A2,0，上年度同类型日的基值已知，设为P1,0，则成立如下关系式 于是，本年度待预测日的基值为 (3)预测曲线的有名化。经上述两步分别得到待预测日的标么曲线与基值，因此可得有名化曲线。 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。 3．逐点增长率法 逐点增长率法的预测思路是：取前若干年的节前及节日历史数据，计算节日当天t时刻与节前若干天t时刻平均值的比值系数，各年t时刻的比值系数构成一个点序列，由该序列预测本年的比值系数，从而由本年度节前若干天t时刻的平均值计算节日t时刻的值。因此，对于t时刻，预测包括以下步骤： (1)计算各年节前相关日的平均值。设共有y年的相关历史数据，每年节前的相关日期数目为n，则设y年d日t时刻的负荷为Pydt，于是，对y年的各时刻求平均，得到 (2)求各年的比值系数。设y年同类型日t时刻的负荷为Pyot则t时刻比值系数为 (3)各年的比值系数构成序列为q1t，q2t，…，qyt。由此预测本年度的比值系数qt。有以下三种方法： 均值外推， 六、短期负荷预测的气象校正系统 (一)气象因素对短期负荷预测的影响 气象是指大气中所发生的物理现象和物理过程。气象学主要研究空气压力的垂直变化和水平变化，空气的水平运动和垂直运动，空气温度的变化，辐射能和热能在大气中的传递、吸收过程以及大气中水的相变过程。某一地区在某一段时间内的气象因素(即大气物理状况，如温度、压力、湿度等)的综合就是该地区的天气。而大气中发生的力学和热学过程，用数学方程式进行描写，从而研究大气的力学和热学状况的发展与变化，称之为动力气象学，在动力气象学的研究成果上，才可以进行数值天气预报。 从电力气候学的角度来看，在进行长期电力规划、电力工程设计(如发电厂、变电所选址)、电力生产管理(如水电站发电出力)时，必须考虑气候因素。而作为短期的调节控制发电出力的参考，短期负荷预测就必须考虑到当天或实时的气象因素。结合电力系统自身的特点，在研究短期负荷预测时，应选取以下几个气象因素作为天气情况的表征量：日平均温度、日最高温度、日最低温度、降水量、天气状况。 这些气象因素对于短期负荷变化的影响是很明显的，其中气温的影响最为显著。当天气剧烈变冷或变热时，将有大量采暖负荷和空调负荷投人运行，而当平均温度持续过高或过低时，则整个全天的负荷水平将比以往年份的同日有较大的变化。例如1997年夏季北京持续高温，7月份和8月份的空调负荷居高不下，日电量大幅度提高。天气状况也直接影响到电力负荷，下雨下雪，会直接影响到农机灌溉负荷和其他用电。 气象因素对短期负荷的影响存在着固有特点： 1．相似性 同一地区相同或相近的气象因素对每日各点的短期负荷影响是类似的。 2．实时性 当天气因素发生剧烈变化和发生天气事件时，如发生降雨降雪，对发生时段的负荷有较大的影响。 大毛毛虫★倾情搜集★精品资料

线性外推，qt是q1t,q2t,…，qyt的线性外推值； 灰色外推，按灰色系统理论预测qt。 (4)求本年度节前n日的负荷平均值，设为Pt。 (5)预测本年度t时刻值为qt=Ptqt。 由上述五步完成t时刻的预测。对于所有时刻t=1～T，均进行上述步骤，即可得到待预测日的负荷曲线。 大毛毛虫★倾情搜集★精品资料

3．隐含性 气象因素对日负荷曲线的影响是隐含于历史数据之中的。当采用回归和其他时间序列方法时，忽略了气象因素，因而当天气没有剧烈变化时，仅仅采用历史数据就可以取得比较好的预测结果。当气象因素影响较大时，必须在预测中予以校正。 (二)考虑气象因素的短期负荷预测模型 通过对气象因素的分析，在短期负荷预测中应遵循以下三条原则： (1)气象因素作为一种相关量，具有强相关性，必须强化其影响。在处理气象因素和其他相关因素时，应加大其权重或单独就气象因素进行校正。本篇采取后一种方法。 (2)气象因素所产生的影响是在基本负荷上的波动。 (3)由于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，对这种影响应进行相应的补偿。 鉴于上述理由，短期负荷预测的模型可以建立为 式中 Z(i，j)——在第i天j小时的系统的实测负荷； T(i，j)——在第i天j小时的系统的基本负荷； W(i，j)——按照周的规律对每日某点负荷的周期性影响； X(i，j)——气象因素对第i日第j时负荷的影响； E(i，j)——剩余残差。 式(5-1-73)右边四个量的类型是有很大差别的：T(i，j)可以看作每日的基本负荷；W(i，j)是以周为周期变化的对整点负荷的影响；X(i，j)是随着主要负荷中心的天气状况而在每个小时迅速变化的量；E(i，j)则随着它们变化而变化。 其中，T(i，j)+W(i，j)的部分可以通过本文的三种基本预测算法来体现，而 X(i，j)可以用多元相关模型来表示 (k

大毛毛虫★倾情搜集★精品资料

气变量的关系。当天气因素的变化很快时，模型较难适应，如预报时间较长，精确度就成问题。谱分析法具有与上述方法相似的模型，但其时间函数代表了负荷时间序列(移去趋势性和周期性因子以后)自相关函数的特征函数，建模和预报时对负荷数据做了非递归处理，因而对负荷扰动不敏感，在负荷水平变化比较缓慢时预报精度高。谱分析法利用每天各小时的负荷数据分别建立模型，因而不能反映每天各小时的负荷过程之间的随机相关特性，在负荷水平变化较快时预报精度降低，对天气条件的变化反映迟缓。 ARMA模型不仅是每天中时间的函数，也反映了负荷的近期特性。它将每周内各天，每天中各小时负荷数据全包括在一个综合模型里，因而在负荷水平变化缓慢时预报精度不及谱分析法。但是，由于ARMA模型只用一个模型拟合整个负荷数据，因而模型简单。更主要的优点是，该模型比较精确地表示了负荷过程的随机相关特性，对负荷水平的变化和天气条件的变化比较敏感，跟踪变化较快。因而，ARMA模型也得到了广泛的应用。在我国负荷水平的变化一般较快，因而ARMA模型在我国的在线应用中更优越一些。 ARMA(n，m)，AR(n)，MA(m)模型 设{Wt}(t∈z)是零均值的平稳随机序列，满足线性差分方程 φ(B)和θ(B)满足如下条件： φ(B)=0的根全在单位圆外，称为平稳性条件； θ(B)=0的根全在单位圆外，称为可逆性条件。 2 又{εt}(t∈Z)是白噪声序列，方差为σε，则称{Wt}满足n阶自回归m阶滑动平均模型，简述为{Wt}满足ARMA(n,m)模型，称为{Wt}ARMA(n，m)序列。n，m分别是自回归参数及滑动平均参数，称φ1，…，φn为自回归参数，称θ1，…，θn为滑动平均参数。 特别地，当m=0时，称ARMA(n，0)模型为AR(n)模型，即Z阶自回归模型。当n=0时，称ARMA(0，m)模型为MA(m)模型，即优阶滑动平均模型。 当{Wt}均值μ≠0时，令Zt=Wt-μ，则{Zt}为零均值平稳序列，式中Zt用 Wt代替模型同样成立。 八、人工神经网络法 人工神经网络(ANN)法是近年来发展起来的新方法。在短期负荷预测方面，应用最多的是前向多层ANN，并采用BP学习算法进行ANN的网络训练。此结构的ANN有很好的函数逼近能力，而不必预先知道输人变量和预测值之间的数学模型，可以方便地计入温度、天气情况、湿度等这些对电力负荷有重要影响的因素的作用。然而，传统的BP学习算法有诸如不易确定隐含层神经元个数、可能陷入局部最小以及学习速度慢、不易收敛的缺点。为了加快收敛速度，在对ANN神经元连接权重进行修正时，可以采用加入惯性项和变步长技术，但是这些技术都不能很好地改善学习速度。 为了克服ANN学习速度慢的缺点，提高其收敛速度和预测精度，提出了基于拟牛顿法优化技术的学习算法。本篇的ANN学习算法采用了基于共轭梯度优化技术的学习算法，大大地加快了收敛速度。同时在ANN结构中考虑了温度、天气情况等因素的作用，取得了良好的效果，除了可以预测工作日和一般休息日的负荷，还可以预测节假日的负荷。 (一)短期负荷预测的前向多层ANN模型 短期负荷预测的ANN模型采用了如图5-1-12所示的三层结构。 第0层是输入层，共有88个神经元。其中前84个分成三组，每一组对应一天的数据。考虑到同一类型日的负荷模式具有一定的相似性，前两组的神经元分别对应预测日一周前和两周前的数据，而第三组的神经元与预测日前大毛毛虫★倾情搜集★精品资料

大毛毛虫★倾情搜集★精品资料

一天的数据对应。在每天的28个神经元中，前24个是对应日1～24小时的负荷值，第25～28个分别是对应日的最高温度、最低温度、天气情况和日期类型。输入层的第85～88个神经元分别代表预测日的最高温度、最低温度、天气情况和日期类型。 第1层是隐含层。 第2层是输出层，共有24个神经元，分别对应预测日各小时的预测结果。 此ANN模型的0、1层之间、1、2层之间的各神经元采用全连接方式。 (二)ANN模型具体问题的处理 1．温度的换算 由于温度在一定范围内变化时，负荷几乎不变，所以将温度分成多个区间，同一区间内的温度对应相同的值。各区间温度及其对应取值如下： 2．天气情况的量化 考虑到天气预报的实际情况，将天气情况分为四类，分别是晴朗、多云、降雨、降雪。各类量化值如下：晴天为0.0；多云为0.2；降雨为1.0；降雪为-1.0。 3．日期类型的量化 日期类型分为三类，分别是工作日(星期一至星期五)、一般休息日(星期六和星期 日)、节假日(包括法定节假日和民间节日)。工作日取值为0．0，一般休息日取值为1．0。 把节假日分成多组，认为一组内的各节假日有相似的日负荷模式，从而量化成相同的值。例如，把“十一”和“中秋节”划成一组，认为这两个节假日有相同的负荷模式，则在训练或预测时取相同的量化值。不同的组有不同的量化值。 4．节假日负荷预测的特殊处理 如果预测日类型是节假日，则图5-1-12中ANN输入层神经元的数据有所变化。输入层中前两组的神经元不再分别对应预测日一周前和两周前的数据，而是对应最近的且与预测日类型同属一个节假日组的那两天的数据。 另外，为提高节假日预报精度，在对ANN进行训练时，人为地复制训练样本集中各个节假日的样本数。例如，在由一年的历史数据组成的样本集S中，实际上只含有一个预测“十一”的样本。人为地复制之后，S中便包含了多个预测“十一”的样本。 5．负荷值的换算 为了避免神经元的饱合现象，在ANN的输入层，用式(5-1-75)将负荷值换算为[-1，1]中的值；在输出层，用式(5-1-76)换算回负荷值。计算式为 式中，x和x分别表示训练样本集中负荷的最大值和最小值。 第二章 用电市场调查与分析 第一节 用电市场调查 大毛毛虫★倾情搜集★精品资料