王力光，封亞釗，王濤，司風(fēng)琪

(1.大唐環(huán)境產(chǎn)業(yè)集團(tuán)股份有限公司特許經(jīng)營分公司，南京 211100；2.東南大學(xué)能源熱轉(zhuǎn)換及其過程測控教育部重點(diǎn)實(shí)驗(yàn)室，南京 210096)

隨著用電結(jié)構(gòu)的升級以及新能源規(guī)?；⒕W(wǎng)所導(dǎo)致的電網(wǎng)隨性擾動增加，電網(wǎng)實(shí)施了更加精細(xì)化的調(diào)度，對火電機(jī)組等可調(diào)可控發(fā)電電源的統(tǒng)籌調(diào)度也逐漸加強(qiáng)。因此，在深度調(diào)峰運(yùn)行背景下，火電機(jī)組負(fù)荷經(jīng)常大幅度變化，而負(fù)荷預(yù)測將對機(jī)組優(yōu)化運(yùn)行產(chǎn)生重要影響。

劉衛(wèi)亮等[1]基于支持向量機(jī)構(gòu)建了鍋爐爐膛多層火焰圖像和機(jī)組負(fù)荷之間的關(guān)系模型，從而開展了負(fù)荷預(yù)測。馬良玉等[2]分析了影響機(jī)組負(fù)荷的多種因素，研究各種擾動下機(jī)組負(fù)荷的變化量，并對負(fù)荷進(jìn)行了預(yù)測。劉輝等[3]分析了火電機(jī)組負(fù)荷控制的特點(diǎn)，提出了一種新的多變量模型預(yù)測控制算法。通過小波變換，將負(fù)荷序列分解到不同的尺度上分別得到高頻和低頻序列，對不同子負(fù)荷序列分別采用相匹配的模型進(jìn)行預(yù)測，加權(quán)求和便可得到完整的負(fù)荷預(yù)測結(jié)果。張然然等[4]耦合自回歸積分滑動平均(ARIMA)和小波變換用來進(jìn)行火電機(jī)組負(fù)荷的預(yù)測。研究結(jié)果發(fā)現(xiàn)耦合模型的負(fù)荷預(yù)測精度明顯高于ARIMA模型的負(fù)荷預(yù)測精度。丁偉等[5]提出了一種適用于火電機(jī)組負(fù)荷預(yù)測的歷史匹配預(yù)測算法(HMF)，該算法的預(yù)測精度高于ARMA算法，并且在變負(fù)荷過程中優(yōu)勢也較為突出。

負(fù)荷預(yù)測可分為短期和長期負(fù)荷預(yù)測兩大類。短期負(fù)荷預(yù)測主要是能夠?qū)崿F(xiàn)未來多個小時(shí)內(nèi)機(jī)組發(fā)電負(fù)荷的預(yù)測[6]，目的是為電廠安排日、周調(diào)度計(jì)劃、組合最優(yōu)機(jī)組、協(xié)調(diào)機(jī)組調(diào)度、負(fù)荷經(jīng)濟(jì)分配以及機(jī)組優(yōu)化運(yùn)行等[7]。本文提出一種改進(jìn)型的基于歷史數(shù)據(jù)相匹配的機(jī)組短期負(fù)荷預(yù)測方法(Improve History Matching and Forecasting algorithm，IHMF)，基于日負(fù)荷的相似性特征，通過加權(quán)歐氏距離法同時(shí)對負(fù)荷的差分序列和原始的負(fù)荷序列進(jìn)行相似性匹配，以歸一化后和數(shù)值最小為原則，獲得最相似日的負(fù)荷序列，從而實(shí)現(xiàn)對機(jī)組短期負(fù)荷的預(yù)測。

1 基于IHMF的機(jī)組短期負(fù)荷預(yù)測

1.1 HMF機(jī)組短期負(fù)荷預(yù)測算法

基于歷史數(shù)據(jù)匹配的機(jī)組短期負(fù)荷預(yù)測方法(History Matching and Forecasting algorithm，HMF)基于日負(fù)荷的相似性特征，對負(fù)荷歷史數(shù)據(jù)時(shí)間序列進(jìn)行相似性匹配，得到歷史最相似日的負(fù)荷變化趨勢，依據(jù)這些趨勢的細(xì)節(jié)信息實(shí)現(xiàn)對未來負(fù)荷的預(yù)測。將一組負(fù)荷數(shù)據(jù)按時(shí)間排序便可得到負(fù)荷時(shí)間序列，通過加權(quán)歐式距離法對不同負(fù)荷時(shí)間序列進(jìn)行相似性度量，按式(1)進(jìn)行計(jì)算。

(1)

式(1)中，D為歐式距離，是衡量兩負(fù)荷時(shí)間序列相似程度的一個重要指標(biāo)；A、B均為負(fù)荷時(shí)間序列；T為負(fù)荷時(shí)間序列的長度；N0為常數(shù)系數(shù)；wi為加權(quán)系數(shù)，越靠近當(dāng)前時(shí)刻，加權(quán)系數(shù)越大；λ為加權(quán)指數(shù)。

HMF算法通過當(dāng)前時(shí)刻t0和歷史匹配時(shí)長T推算出歷史對應(yīng)時(shí)段，并得到對應(yīng)時(shí)段的歷史相匹配的負(fù)荷時(shí)間序列。對歷史匹配的負(fù)荷時(shí)間序列進(jìn)行差分化處理得到負(fù)荷時(shí)序變化的一些特征和趨勢。進(jìn)一步地由加權(quán)指數(shù)λ生成加權(quán)系數(shù)wi，并基于歐氏距離法進(jìn)行相似性匹配計(jì)算輸出最相似日。計(jì)算最相似日的負(fù)荷變化率，并逐一與當(dāng)前負(fù)荷相乘，最終獲得負(fù)荷的時(shí)序預(yù)測值。在訓(xùn)練和測試基于HMF的機(jī)組短期負(fù)荷預(yù)測模型時(shí)，通過不斷調(diào)整歷史匹配時(shí)長T、加權(quán)指數(shù)λ，以獲得最小的平均負(fù)荷預(yù)測誤差。

以某660 MW燃煤發(fā)電機(jī)組為例，圖1為HMF模型在2020年2月5日17:00～20:00間的機(jī)組發(fā)電負(fù)荷預(yù)測結(jié)果。圖2為HMF模型利用2020年2月5日11:00～17:00的負(fù)荷差分?jǐn)?shù)據(jù)與歷史日同時(shí)段的HMF算法匹配的最相似日的負(fù)荷曲線。對比圖1和圖2可以發(fā)現(xiàn)，HMF算法通過負(fù)荷差分序列進(jìn)行相似性匹配，雖然可以獲得最為相似的負(fù)荷變化特征，但卻未考慮兩者實(shí)際負(fù)荷的一致性。圖1中的歷史匹配序列處于高負(fù)荷區(qū)間，而圖2所匹配到的最相似日負(fù)荷處于低負(fù)荷區(qū)間，從而導(dǎo)致負(fù)荷預(yù)測結(jié)果發(fā)生偏離。

圖1 機(jī)組發(fā)電負(fù)荷預(yù)測結(jié)果

1.2 IHMF機(jī)組短期負(fù)荷預(yù)測方法

由于HMF方法在匹配時(shí)間序列的相似性時(shí)，通過將歷史匹配時(shí)間序列進(jìn)行差分處理，從而利用該差分序列與歷史數(shù)據(jù)中負(fù)荷的差分序列進(jìn)行匹配。該方法只考慮了相鄰時(shí)刻間負(fù)荷的變化量來進(jìn)行時(shí)間序列的相似性匹配，但缺乏對原始負(fù)荷序列之間相似性考慮。針對該問題，本文提出了一種改進(jìn)型的HMF算法，利用歐氏距離法同時(shí)對負(fù)荷的差分序列和原始的負(fù)荷序列進(jìn)行相似性匹配。隨后將兩者所得的歐氏距離進(jìn)行歸一化處理后相加，以和最小為原則獲得最相似日的負(fù)荷序列。IHMF算法的具體計(jì)算流程如下：

圖2 HMF算法匹配的最相似日的負(fù)荷曲線

(2)

(3)

步驟5：通過式(4)迭代得到預(yù)測當(dāng)天第n時(shí)刻的負(fù)荷預(yù)測值Pn，并獲得負(fù)荷預(yù)測序列。

Pn=Pn-1·ΔPn

(4)

1.3 IHMF模型實(shí)例分析以及對比驗(yàn)證

首先從電廠SIS系統(tǒng)中采集該機(jī)組自2019年2月15日至2020年2月15日之間的負(fù)荷歷史數(shù)據(jù)，取樣間隔為1 min。其次利用基于IHMF的短期負(fù)荷預(yù)測方法進(jìn)行預(yù)測，歷史匹配數(shù)據(jù)為2019年2月15日到2020年2月14日的歷史負(fù)荷數(shù)據(jù)，測試數(shù)據(jù)為2020年2月15日的負(fù)荷數(shù)據(jù)。通過文獻(xiàn)[5]確定模型的歷史匹配時(shí)長T為6 h，加權(quán)指數(shù)λ為0.15。測試案例中每半小時(shí)進(jìn)行一次預(yù)測，合計(jì)共48組測試樣本，計(jì)算各組測試樣本的平均預(yù)測誤差，并且與上文提到的傳統(tǒng)HMF算法的預(yù)測結(jié)果進(jìn)行對比分析。

某時(shí)刻IHMF模型預(yù)測曲線見圖3。與圖1中HMF算法預(yù)測精度相比，IHMF算法預(yù)測的負(fù)荷變化趨勢與實(shí)際負(fù)荷變化趨勢吻合更好，表明IHMF算法進(jìn)行機(jī)組短期負(fù)荷預(yù)測時(shí)具有明顯的優(yōu)勢。IHMF算法匹配的最相似日的負(fù)荷曲線見圖4。綜合圖3和圖4中的曲線及數(shù)據(jù)可知，匹配到的負(fù)荷與實(shí)際運(yùn)行負(fù)荷所處的區(qū)間基本相同，都為高負(fù)荷區(qū)間，且兩者的變化趨勢基本一致，因而IHMF算法能夠更為較好地預(yù)測出未來3 h的負(fù)荷。

圖3 某時(shí)刻IHMF模型預(yù)測曲線

圖4 IHMF算法匹配的最相似日的負(fù)荷曲線

表1給出了IHMF算法與HMF算法的預(yù)測精度對比。從表1中可以看出，IHMF算法180 min內(nèi)最大預(yù)測誤差為6.875%，而HMF算法180 min內(nèi)最大預(yù)測誤差達(dá)到了12.704%。綜合來看，IHMF算法的負(fù)荷預(yù)測誤差時(shí)明顯小于HMF算法的。因此通過模型對比可知，本文提出的IHMF算法比HMF算法具有更好的負(fù)荷預(yù)測效果。

表1 IHMF算法與HMF算法的預(yù)測精度對比

除此之外，本文還對2020年2月15日到2020年2月18日連續(xù)三天的機(jī)組負(fù)荷進(jìn)行了預(yù)測，依然按照原先的方案即每半小時(shí)預(yù)測一次，每次預(yù)測未來三小時(shí)的負(fù)荷。IHMF模型連續(xù)三天機(jī)組負(fù)荷預(yù)測結(jié)果見圖5，從圖5中可以看出，實(shí)際負(fù)荷曲線與IHMF模型給出的預(yù)測負(fù)荷曲線幾何重合，擬合優(yōu)度R2達(dá)到了0.913 4，即表明IHMF模型在長時(shí)間的連續(xù)預(yù)測狀態(tài)下也能給出較好的預(yù)測結(jié)果。將負(fù)荷預(yù)測結(jié)果與實(shí)際負(fù)荷對比可知，IHMF模型的平均預(yù)測誤差僅為13.36 MW，體現(xiàn)了IHMF模型擁有很高的負(fù)荷預(yù)測精度，可有效應(yīng)用于電站實(shí)際生產(chǎn)，方便運(yùn)行人員依據(jù)負(fù)荷預(yù)測結(jié)果提前制定機(jī)組運(yùn)行計(jì)劃與生產(chǎn)方案。

圖5 IHMF模型連續(xù)三天機(jī)組負(fù)荷預(yù)測結(jié)果

2 結(jié)語

本文提出了一種基于IHMF算法的機(jī)組短期負(fù)荷預(yù)測模型?；谌肇?fù)荷的相似性特征，通過加權(quán)歐氏距離法同時(shí)對負(fù)荷的差分序列和原始的負(fù)荷序列進(jìn)行相似性匹配，基于歸一化后的和最小原則獲得最相似日的負(fù)荷序列。研究發(fā)現(xiàn)IHMF模型在較長時(shí)間的連續(xù)狀態(tài)下均能夠較好地預(yù)測出未來負(fù)荷的變化，并且相比傳統(tǒng)的HMF預(yù)測模型有著更高的預(yù)測精度。