鄭希如

【摘?要】隨著社會(huì)的快速發(fā)展，人們對(duì)電力能源的需求不斷增多，電網(wǎng)運(yùn)行質(zhì)量的要求也在提高。傳統(tǒng)電網(wǎng)輸電具有諸多局限性，很難滿足人們的現(xiàn)代化需求。智能電網(wǎng)在提高供電能力方面具有明顯優(yōu)勢(shì)。本文主要對(duì)智能電網(wǎng)負(fù)荷預(yù)測(cè)算法進(jìn)行分析，以期提高電網(wǎng)供電的穩(wěn)定性和安全性。

【關(guān)鍵詞】智能電網(wǎng);負(fù)荷;預(yù)測(cè)算法

引言

智能電網(wǎng)是由先進(jìn)的信息通信技術(shù)、傳感技術(shù)、分析技術(shù)、決策技術(shù)和自動(dòng)控制技術(shù)組成的新型現(xiàn)代電網(wǎng)。目前，智能電網(wǎng)已經(jīng)得到大力發(fā)展，并且已經(jīng)在應(yīng)用實(shí)踐中取得良好效益。電力供應(yīng)管理是保證智能電網(wǎng)穩(wěn)定供電的關(guān)鍵因素。電力預(yù)測(cè)是智能電網(wǎng)電力管理的基礎(chǔ)，預(yù)測(cè)的準(zhǔn)確性直接影響智能電網(wǎng)的有效性，降低電力成本，保證正常生產(chǎn)，有效提高經(jīng)濟(jì)效益。電力負(fù)荷的傳統(tǒng)預(yù)測(cè)方法有趨勢(shì)預(yù)測(cè)法、回歸分析預(yù)測(cè)、人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)、灰色理論預(yù)測(cè)、時(shí)間序列預(yù)測(cè)以及小波分析預(yù)測(cè)等。近年來，對(duì)電力負(fù)荷預(yù)測(cè)的研究成果層出不窮，為提高智能電網(wǎng)的預(yù)測(cè)精度做出了巨大的貢獻(xiàn)。然而，由于用電負(fù)荷的復(fù)雜隨機(jī)性，實(shí)時(shí)負(fù)荷監(jiān)測(cè)和預(yù)測(cè)在智能電網(wǎng)中仍然是一個(gè)具有挑戰(zhàn)性的任務(wù)。

1國內(nèi)外負(fù)荷預(yù)測(cè)現(xiàn)狀方法

1.1電力消費(fèi)彈性系數(shù)法

針對(duì)電力系統(tǒng)負(fù)荷變化具有明顯的分形自相似性的特點(diǎn)，利用彈性系數(shù)對(duì)工作口和體息口分開進(jìn)行預(yù)測(cè)，通過對(duì)預(yù)測(cè)結(jié)果的各種指標(biāo)的分析，表明此方法具有較高的預(yù)測(cè)精度，尤其是提高了雙體口的預(yù)測(cè)精度，從而為特殊假口的負(fù)荷預(yù)測(cè)提供了新思路。

1.2負(fù)荷密度法

利用負(fù)荷密度法進(jìn)行空間電力負(fù)荷預(yù)測(cè)的原理和優(yōu)點(diǎn)，將預(yù)測(cè)步驟分為分片區(qū)及片區(qū)內(nèi)不同性質(zhì)地塊數(shù)據(jù)統(tǒng)計(jì)、規(guī)劃用電指標(biāo)、片區(qū)負(fù)荷計(jì)算、利用負(fù)荷曲線相加等4個(gè)步驟，并通過實(shí)例證明該方法的實(shí)用意義。

1.3回歸預(yù)測(cè)法

運(yùn)用一元線型回歸模型的原理，通過分析歷史數(shù)據(jù)，建立數(shù)學(xué)模型，對(duì)地區(qū)電網(wǎng)年度最大負(fù)荷進(jìn)行預(yù)測(cè)，證明該模型具有良好應(yīng)用前景。通過建立線性或非線性回歸模型，直接由觀察數(shù)據(jù)進(jìn)行中長期電力負(fù)荷的預(yù)測(cè)，并結(jié)合實(shí)際算例證明該方法的有效性。采用盲數(shù)形式來表達(dá)中長期負(fù)荷線性回歸預(yù)測(cè)模型的相關(guān)變量，找到負(fù)荷可能出現(xiàn)的多個(gè)區(qū)間以及各個(gè)區(qū)間的可信度。結(jié)合算例，證明通過盲數(shù)理論改進(jìn)線性回歸模型可以使預(yù)測(cè)結(jié)果更加準(zhǔn)確，具有較高的可信度。

1.4時(shí)間序列預(yù)測(cè)法

根據(jù)單變量時(shí)間序列的延時(shí)重構(gòu)對(duì)多變量時(shí)間序列進(jìn)行相空間重構(gòu)，采用互信息法計(jì)算了各子序列的延遲時(shí)間，并運(yùn)用平均一步絕對(duì)誤差和最小一步絕對(duì)誤差進(jìn)行各子序列的嵌入維數(shù)選取，利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)短期電力負(fù)荷進(jìn)行建模與預(yù)測(cè)，獲得較高的預(yù)測(cè)精度。還有一種時(shí)間序列算法和模糊邏輯技術(shù)相結(jié)合的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法。它包括一個(gè)具有非線性特性的傳遞函數(shù)模型，可以考慮氣溫等外界因素對(duì)負(fù)荷的非線性影響，適用于由于天氣等因素變化引起負(fù)荷突變的預(yù)測(cè)場(chǎng)景。

2負(fù)荷預(yù)測(cè)算法

2.1預(yù)測(cè)算法的流程

本文提出一種差分預(yù)測(cè)算法來提高負(fù)荷預(yù)測(cè)的準(zhǔn)確性。算法流程主要包括八個(gè)步驟：第一步，檢查原始功耗數(shù)據(jù)是否遵循馬爾可夫隨機(jī)性質(zhì)并進(jìn)行空間映射。第二步，對(duì)負(fù)荷數(shù)據(jù)進(jìn)行離散化處理并將負(fù)荷數(shù)據(jù)序列映射到不同的區(qū)間。第三步，計(jì)算每個(gè)區(qū)間的負(fù)荷數(shù)據(jù)定位的概率，并建立一個(gè)矩陣。第四步，計(jì)算任意兩個(gè)區(qū)間之間的轉(zhuǎn)移概率，并建立轉(zhuǎn)移矩陣。第五步，計(jì)算預(yù)測(cè)負(fù)荷的區(qū)間值Q1。第六步，為每個(gè)區(qū)間內(nèi)的負(fù)荷數(shù)據(jù)的隨機(jī)變動(dòng)性構(gòu)建灰色預(yù)測(cè)模型。第七步，計(jì)算預(yù)測(cè)的負(fù)荷波動(dòng)值Q2。第八步，基于步驟5和步驟7獲得最優(yōu)預(yù)測(cè)值。在步驟3中，使用一個(gè)差值的方法來計(jì)算每個(gè)區(qū)間中的用電負(fù)荷的原始概率。假設(shè)我們得到一系列的負(fù)荷數(shù)據(jù)A1、A2、…、Aa，并將它們分成N個(gè)區(qū)間。記錄每個(gè)區(qū)間K1、K2、…、KN中的采集的負(fù)荷數(shù)據(jù)數(shù)量，然后除以總個(gè)數(shù)A，計(jì)算出每個(gè)時(shí)間間隔P1、P2、…、PN中負(fù)荷數(shù)據(jù)的原始概率。在步驟4中，將馬爾科夫預(yù)測(cè)方法應(yīng)用于（A1、A2、…、Aa），得到由（A1、A2、…、Aa）產(chǎn)生的轉(zhuǎn)移矩陣P。P的元素Pab是a轉(zhuǎn)移至b的轉(zhuǎn)移概率。然后，我們可以計(jì)算預(yù)測(cè)負(fù)荷值的區(qū)間值。在步驟5中，首先分析Aa屬于那個(gè)區(qū)間，然后用P和Aa來確定預(yù)測(cè)負(fù)荷的區(qū)間，最后我們把預(yù)測(cè)區(qū)間的中位數(shù)作為預(yù)測(cè)負(fù)荷值Q1。在步驟6中，計(jì)算得出一系列新的負(fù)荷變動(dòng)數(shù)據(jù)J1、J2、…、JL-1，其中每個(gè)元素由Ja=Aa-Aa-1計(jì)算。那么，我們可以得到轉(zhuǎn)移概率矩陣（P'1、P'2、…、P'N）。在步驟7中，構(gòu)造了負(fù)荷數(shù)據(jù)的灰色預(yù)測(cè)模型，并獲得預(yù)測(cè)波動(dòng)值Q2。在步驟8中，基于上面的步驟得到（P1、P2、…、PN）、（P'1、P'2、…、P'N）、Aa和JL-1等參數(shù)，并計(jì)算得到兩個(gè)負(fù)荷預(yù)測(cè)值Q1和Q2。綜合考慮這兩個(gè)預(yù)測(cè)值，得到最終的預(yù)測(cè)值Q=Q1+Q2。

2.2負(fù)荷數(shù)據(jù)的離散化處理

預(yù)測(cè)精度是由負(fù)荷區(qū)間的分割粒度決定的。因此，劃分負(fù)荷數(shù)據(jù)序列成為首先需要解決的問題。本文采用將收集的負(fù)荷數(shù)據(jù)分成相等的部分的分割模式。為了分析優(yōu)化的分割模式，我們定義了兩個(gè)變量的精度。一個(gè)是區(qū)間精度M1，另一個(gè)是波動(dòng)精度M2。如果離散化區(qū)間太大，則在這個(gè)區(qū)間內(nèi)的預(yù)測(cè)值的區(qū)間精度M1較高，而波動(dòng)精度M2較低。反之亦然。為此，我們將最高值和最低值之間的范圍作為分割區(qū)域。假設(shè)負(fù)荷數(shù)據(jù)劃分的區(qū)間數(shù)量是N。隨著N增加，區(qū)間范圍將變小，M1將變小，M2將變得更大。如果N足夠小，M1將占據(jù)主導(dǎo)地位，并且總體精度M將會(huì)接近0。如果N足夠大，M2將占據(jù)主導(dǎo)地位，總體準(zhǔn)確度M也將接近于0。因此，必須有一個(gè)最優(yōu)的N來使得負(fù)荷預(yù)測(cè)結(jié)果更準(zhǔn)確?；诟F舉算法對(duì)N的最優(yōu)值（NPRO）進(jìn)行計(jì)算。算法原理是讓N從1增加到一個(gè)較大的數(shù)值，隨著N的增加，M隨著N的增加而增加;當(dāng)N大于一定數(shù)量時(shí)，M隨著N的增加而減小;與M的最大值對(duì)應(yīng)的N值就是NPRO。

結(jié)語

負(fù)荷預(yù)測(cè)是智能電網(wǎng)中提高供電效率的關(guān)鍵問題。該算法對(duì)采集的用電負(fù)荷數(shù)據(jù)進(jìn)行空間映射處理，使其負(fù)荷指數(shù)分布規(guī)律。該算法具有準(zhǔn)確、穩(wěn)定的負(fù)荷預(yù)測(cè)性能。

參考文獻(xiàn)：

[1]王建軍，智能電網(wǎng)環(huán)境下的自適應(yīng)動(dòng)智能負(fù)荷預(yù)測(cè)研究[J].陜西電力，2018（5）：11-15.

[2]張文亮，劉壯志，王明俊.智能電網(wǎng)的研究進(jìn)展及發(fā)展趨勢(shì)[J].電網(wǎng)技術(shù)，2019（13）：1-11.

[3]王海云，田莎莎，張?jiān)亳Y，等.基于負(fù)荷預(yù)測(cè)與關(guān)聯(lián)規(guī)則修正的不良數(shù)據(jù)辨識(shí)方法[J].電力系統(tǒng)保護(hù)與控制，2017，45（23）：24-33

（作者單位：國網(wǎng)太原供電公司山西）