寇立夯?陳在妮?朱陽

摘 要：結(jié)合瀑布溝電站實(shí)際負(fù)荷資料，提出基于解集模型與標(biāo)幺值原理的負(fù)荷預(yù)測模型，并進(jìn)行超短期負(fù)荷預(yù)測實(shí)例驗(yàn)證，預(yù)測結(jié)果與電網(wǎng)下達(dá)的計(jì)劃出力對比分析結(jié)果表明，模型預(yù)測結(jié)果與實(shí)際負(fù)荷的偏差明顯小于計(jì)劃出力與實(shí)際負(fù)荷的偏差。本文所建負(fù)荷預(yù)測模型可用于指導(dǎo)水電站的生產(chǎn)運(yùn)行管理，特別是指導(dǎo)發(fā)電企業(yè)參與現(xiàn)貨市場交易決策。

關(guān)鍵詞：典型解集模型;相關(guān)解集模型;標(biāo)幺值;超短期負(fù)荷預(yù)測;瀑布溝電站

中圖法分類號：TM73? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? ? ? ?DOI：10.19679/j.cnki.cjjsjj.2021.0212

隨著電力市場化改革不斷深化，作為第一批電力現(xiàn)貨市場試點(diǎn)省份，四川省已經(jīng)進(jìn)入現(xiàn)貨市場模擬運(yùn)行階段。超短期負(fù)荷不僅對于發(fā)電企業(yè)制定發(fā)電計(jì)劃、避免重大事故、保障生產(chǎn)和生活用電有著重要作用，隨著電力現(xiàn)貨市場的展開，對企業(yè)制定現(xiàn)貨市場競價(jià)策略也有著重要指導(dǎo)意義。負(fù)荷預(yù)測可分為傳統(tǒng)方法和人工智能兩大類。傳統(tǒng)方法中的時(shí)間序列預(yù)測一般以建立符合假設(shè)條件的統(tǒng)計(jì)模型來實(shí)現(xiàn)，基于線性關(guān)系確立序列中數(shù)據(jù)點(diǎn)間的依存方式，其優(yōu)點(diǎn)是方法計(jì)算簡單，屬于模型驅(qū)動(dòng)的預(yù)測方法[1-3]，包括移動(dòng)平均法、指數(shù)平滑法、自回歸方法等。人工智能方法中的人工神經(jīng)網(wǎng)絡(luò)是由大量信息處理單元通過廣泛互連的方式構(gòu)成的一種數(shù)學(xué)模型，是一種基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測方法[4-6]，相關(guān)研究已取得了積極的成果[7-10]。

瀑布溝水電站是大渡河流域下游控制性水庫工程，作為四川省電網(wǎng)的主力調(diào)峰調(diào)頻電站，對四川電網(wǎng)全穩(wěn)定運(yùn)行以及下游梯級水電站群發(fā)電運(yùn)行等均具有重要的影響。目前關(guān)于電站短期負(fù)荷預(yù)測的研究較少，為此，本文基于解集模型與標(biāo)幺值原理，提出兩種瀑布溝電站96點(diǎn)負(fù)荷耦合預(yù)測模型，通過與電網(wǎng)下達(dá)計(jì)劃負(fù)荷對比分析表明，本文模型的預(yù)測效果優(yōu)于電網(wǎng)計(jì)劃出力曲線，能夠較明顯的提高瀑布溝電站的負(fù)荷預(yù)測精度。

1? 預(yù)測模型基本原理

解集模型是一類用途廣泛的模型，其實(shí)質(zhì)是基于某種關(guān)系將總量隨機(jī)分解成各分量，其顯著特點(diǎn)是能夠保持變量平衡和連續(xù)分解。當(dāng)前應(yīng)用的解集模型主要有典型解集模型

1.1? 典型解集原理

典型解集模型的思路是，先預(yù)測總量，再按照某種原則從實(shí)測資料中選擇一種分配系數(shù)對預(yù)測總量進(jìn)行分配，得到預(yù)測分量序列。使用典型解集模型進(jìn)行96點(diǎn)負(fù)荷預(yù)測主要有以下三個(gè)步驟：預(yù)測日電量序列;生成分配系數(shù)序列;結(jié)合上述兩個(gè)步驟確定96點(diǎn)預(yù)測序列。

1.2? 相關(guān)解集原理

相關(guān)解集模型的分量序列能全面反映總量和各分量之間的統(tǒng)計(jì)關(guān)系。在負(fù)荷預(yù)測應(yīng)用時(shí)，相關(guān)解集模型的優(yōu)點(diǎn)在于其能夠體現(xiàn)各時(shí)刻負(fù)荷不僅和當(dāng)天總電量有關(guān)，還受到相鄰其它時(shí)刻的負(fù)荷影響，步驟如下。

數(shù)據(jù)去中心化處理，即

xt =- x′（1）

yt，m = - ym′（2）

其中、分別為日電量和96點(diǎn)負(fù)荷;、分別為日電量、96點(diǎn)負(fù)荷的均值;xt、yt，m分別是中心化的日電量和96點(diǎn)負(fù)荷。

建立相關(guān)解集模型，即

Y= A·X + B·ε? （3）

其中，Y為中心化后的96點(diǎn)負(fù)荷，X為中心化的日電量，對瀑布溝電站只有一個(gè)元素，ε為96點(diǎn)標(biāo)準(zhǔn)化的獨(dú)立隨機(jī)變量矩陣，A，B為特征參數(shù)。

2? 負(fù)荷預(yù)測模型構(gòu)建

2.1? 典型解集預(yù)測模型

通過比選多種負(fù)荷分配系數(shù)和總量以及多種標(biāo)幺值和基準(zhǔn)值的模型組合后，本文選取以日最大點(diǎn)負(fù)荷為基準(zhǔn)的標(biāo)幺值方法。其中標(biāo)么值指的是某一物理量的實(shí)際值與某一選定同單位的對照值之間的比值，該模型的建模過程如下。

求得T-1日（待預(yù)測日T的前一日）的96點(diǎn)負(fù)荷的最大值F_maxT-1。

將T-1日的96個(gè)點(diǎn)負(fù)荷分別除以該日最大點(diǎn)負(fù)荷F_maxT-1，得到T-1日的96個(gè)標(biāo)幺值，顯然，標(biāo)幺值在該日的最大點(diǎn)負(fù)荷處可以取得最大值1，最大點(diǎn)負(fù)荷可能不止1個(gè)，所以相應(yīng)的標(biāo)幺值為1的點(diǎn)可能超過1個(gè)。

T日96點(diǎn)負(fù)荷最大值的預(yù)測值F_maxT直接取為T日96點(diǎn)計(jì)劃負(fù)荷的最大值P_maxT。

將（2）求得的96個(gè)標(biāo)幺值分別乘以（3）步得到的P_maxT，則得到T日的96點(diǎn)負(fù)荷預(yù)測值，順序從時(shí)刻0：00到時(shí)刻23：45。

2.2? 相關(guān)解集預(yù)測模型

在相關(guān)解集模型中，使用了不同長度的相關(guān)區(qū)間（可以理解為相關(guān)解集模型的訓(xùn)練區(qū)間，即每個(gè)待預(yù)測日的分配系數(shù)由之前一定天數(shù)的分配系數(shù)根據(jù)相關(guān)解集的方法確定），分別為前2天和前3天，預(yù)測負(fù)荷值用來相關(guān)分析的天數(shù)也分別為2天和3天，即公式（3）中A、B和ε的值分別根據(jù)前2天、前3天的X、y序列數(shù)據(jù)計(jì)算確定。其中，相關(guān)解集（前2天）模型使用XT-1，XT-2和yT-1，1～ yT-1，96、yT-2，1～ yT-2，96來計(jì)算A、B和ε;相關(guān)解集（前3天）模型使用XT-1，XT-2，XT-3和yT-1，1～ yT-1，96、yT-2，1～ yT-2，96、yT-3，1～ yT-3，96來計(jì)算A、B和ε的值。

根據(jù)典型解集的預(yù)測規(guī)律，本文在建模時(shí)也采用標(biāo)幺值的預(yù)測方法，即相關(guān)解集模型的分析和預(yù)測數(shù)據(jù)均為各日的標(biāo)幺值（基準(zhǔn)值為每日最大點(diǎn)負(fù)荷），在求得待預(yù)測日的96點(diǎn)標(biāo)幺值后，點(diǎn)乘待預(yù)測日的96點(diǎn)計(jì)劃最大點(diǎn)負(fù)荷，得到該日的96點(diǎn)預(yù)測負(fù)荷過程。

3? 實(shí)例分析

為對全年內(nèi)不同時(shí)間段進(jìn)行預(yù)測，驗(yàn)證模型的適用性，結(jié)合瀑布溝電站負(fù)荷整體趨勢，本文將其劃分為8個(gè)區(qū)間，具體劃分見表1。

按照上述典型解集模型的構(gòu)建步驟，結(jié)合瀑布溝電站實(shí)際負(fù)荷數(shù)據(jù)，對瀑布溝電站2017年和2018年年內(nèi)各區(qū)間的負(fù)荷進(jìn)行預(yù)測，并將其與電網(wǎng)發(fā)電計(jì)劃的偏差情況進(jìn)行對比，結(jié)果如表2所示。

由表2可知，典型解集模型的整體預(yù)測效果較好，相比平均計(jì)劃偏差，這種模型在2018年部分區(qū)間（區(qū)間1、2、3、7、8）的平均預(yù)測誤差可以減少20個(gè)百分點(diǎn)以上，在區(qū)間8預(yù)測誤差減少81.1個(gè)百分點(diǎn)。

按照上述相關(guān)解集模型的構(gòu)建步驟，結(jié)合瀑布溝電站實(shí)際負(fù)荷數(shù)據(jù)，分別以待預(yù)測日前2天和前3天的數(shù)據(jù)為相關(guān)區(qū)間，對瀑布溝電站2017年和2018年年內(nèi)各區(qū)間的負(fù)荷進(jìn)行預(yù)測，并將其與電網(wǎng)發(fā)電計(jì)劃的偏差情況進(jìn)行對比，結(jié)果如表3所示。

由表3可知，在區(qū)間1和區(qū)間7，以前2天為相關(guān)區(qū)間的相關(guān)解集模型比以前3天為相關(guān)區(qū)間的相關(guān)解集模型平均預(yù)測誤差更小。在區(qū)間2、區(qū)間3、區(qū)間4和區(qū)間8，以前3天為相關(guān)區(qū)間的相關(guān)解集模型比以前2天為相關(guān)區(qū)間的相關(guān)解集模型平均預(yù)測誤差更小。

結(jié)合表2和表3可知，典型解集模型和相關(guān)解集模型的預(yù)測結(jié)果均能較好的減少發(fā)電計(jì)劃的偏差，提高發(fā)電負(fù)荷的預(yù)測效果。其中，除區(qū)間1、區(qū)間3和區(qū)間6之外，兩種相關(guān)解集模型方法均比典型解集模型方法的預(yù)測效果更好，平均預(yù)測誤差更小。

4? 結(jié)語

在電力市場化改革不斷深入的背景下，水電站負(fù)荷預(yù)測的重要性日益凸顯。為此，本文結(jié)合瀑布溝電站實(shí)際情況，構(gòu)建適用于水電超短期負(fù)荷預(yù)測的典型解集模型和相關(guān)解集模型，并通過實(shí)例驗(yàn)證表明，本文所建負(fù)荷預(yù)測模型均能夠較好地提升水電站超短期負(fù)荷預(yù)測的準(zhǔn)確性，與電站計(jì)劃負(fù)荷曲線相比，均能夠明顯減少瀑布溝電站負(fù)荷曲線的偏差，對于指導(dǎo)瀑布溝電站發(fā)電計(jì)劃制定以及參與即將開展的現(xiàn)貨市場競價(jià)決策均具有重要的理論和現(xiàn)實(shí)意義。

參考文獻(xiàn)：

[1] Williams J K，Neilley P P，Koval J P，et al. Adaptable regression method for ensemble consensus forecasting[C]//Thirtieth AAAI Conference on Artificial Intelligence. 2016.

[2] Liu C，Hoi S C H，Zhao P，et al. Online arima algorithms for time series prediction[C]//Thirtieth AAAI conference on artificial intelligence. 2016.

[3] Anava O，Hazan E，Zeevi A. Online time series prediction with missing data[C]//International Conference on Machine Learning. 2015：2191-2199.

[4] Sheng C，Zhao J，Wang W，et al. Prediction intervals for a noisy nonlinear time series based on a bootstrapping reservoir computing network ensemble[J]. IEEE Transactions on neural networks and learning systems，2013，24（7）：1036-1048.

[5] Abdollahzade M，Miranian A，Hassani H，et al. A new hybrid enhanced local linear neuro-fuzzy model based on the optimized singular spectrum analysis and its application for nonlinear and chaotic time series forecasting[J]. Information Sciences，2015，295：107-125.

[6] Gupta P，Batra S S. Sparse short-term time series forecasting models via minimum model complexity[J]. Neurocomputing，2017，243：1-11.

[7] Bianchi F M，Scardapane S，Uncini A，et al. Prediction of telephone calls load using echo state network with exogenous variables[J]. Neural Networks，2015，71：204-213.

[8] Ren Y，Suganthan P N，Srikanth N，et al. Random vector functional link network for short-term electricity load demand forecasting[J]. Information Sciences，2016，367：1078-1093.

[9] Zjavka L. Numerical weather prediction revisions using the locally trained differential polynomial network[J]. Expert Systems with Applications，2016，44：265-274.

[10] Dasgupta S，Osogami T. Nonlinear dynamic Boltzmann machines for time-series prediction[C]//Thirty-First AAAI Conference on Artificial Intelligence. 2017.

Research on Ultra-short-term Load Forecasting of Hydropower Station Based on Disaggregation Model

Kou Libang1? Chen Zaini2? Zhu Yang2

（1. National Energy Investment Group Co.， Ltd.，Beijing 100038，China; 2. National Energy Dadu River Basin Production Command Center， Chengdu 610041， China）

Abstract：With the deepening of electricity market reform，Sichuan Province，as the first batch of power spot market pilot province，has entered the spot market simulation operation stage，so accurate prediction of ultra-short-term load is particularly important for power generation enterprises.Combined with actual load data of Pubugou hydropower station，this paper proposed a load forecasting model based on disaggregation model and per-unit system，and examined the model by short-time load forecasting practical example.The analysis results show that the error of? the load forecasting model is obviously less than the deviation of plan and actual load.The model proposed by this paper can be used to guide production management of hydropower station，especially making policy for spot market transaction.

Keywords：typical disaggregation model，correlational disaggregation model， per-unit，ultra-short term load forecasting，Pubugou Hydropower Station