1. 网站地图
  2. 设为首页
  3. 关于我们


基于改进BP神经网络的 辽阳地区电力负荷短期预测方法研究

发布时间:2022-11-20 16:33
第一章 绪论
1.1课题研究背景及意义
自从第二次工业革命以来,电力电能相关技术迅猛发展,且在能源的生产消耗、再 生利用中占有不可或缺的地位。工业、农业等任何行业的发展都离不开电能,是国家稳 定发展最重要的能源之一,电能的生产-运输-分配-消费是几乎同时进行的,不能大量 储存是电能有别于其他重要能源的一大特点,因此电能的生产与消耗是否达到动态稳 定,同时电力供需平衡与否都会对营商环境造成重大影响。二十一世纪后,各个国家都 面临着或多或少能源危机的问题,那么高效节能就显得尤为重要,在电力系统中就体现 在科学、准确的负荷预测(魏亮亮等,2019)。
从电力系统特有运行属性、国家政策、业扩增容发展、以及气象、经济等因素对负 荷预测的影响规律的探索,结合负荷自身变化规律的研究,分析其固有的联系,对电力 系统供需关系做出有效的判定从而准确的把控电力市场运行规律(王康等,2020)。科 学且有效的负荷预测对电网规划、发电机组检修时间安排、电力系统中运行方式调整都 尤为重要,如不对负荷进行有效预测,会导致发电企业发电机的启停规划不合理、赘余 的储备容量、发电机组检修时间安排不合理等情况,进一步造成发电成本的升高及电能 浪费。
随着“十三五”的圆满收官,电力企业持续深化改革已迈入新的台阶,在电力系统 智能化管理的必然趋势中,科学、准确的短期负荷预测显得尤为重要,所以对电力系统 中负荷的预测方法与负荷规律性变化的研究确实是具有实际意义的(李国庆等,2020)。 为广大居民持续高效的供应优质电力,满足用户的用负荷需求是电力企业不变的服务宗 旨,而电力系统中对短期负荷预测已经成为电力企业发策部、电力调度等部门重点工作 (赵迪等,2021)。负荷预测为上网需求量、调剂冗余及短缺电量、储备可研阶段电网 设备及电网系统日运行方式都能提供参考性依据。随着市场经济的发展,在追求运行效 率、提高效益的前提下,市场的供需关系与发电计划的准确率息息相关(张准英等, 2020)。电力某种程度上也是一种短期期货商品,用户的电力需求预测就显得尤为重要, 意味着精准的短期负荷预测必将成为电力议价、供需关系平衡不可或缺的必要环节。提 升短期负荷预测精准度在电力系统中的重要意义在于:
(1) 电力企业将短期负荷预测的结果作为购电量依据,避免因上网电量过盛及短 缺造成的区域性停电或电能浪费(康义等,2021)。
(2) 有利于发电量的合理分配,短期负荷预测可作为发电企业发电计划的依据, 在满足运行需求的情况下,降低发电成本。
(3) 准确的短期负荷预测作为电力企业的重要参考依据,合理制定市场电价,提
1
升市场竞争力(李松等,2015)。
因此,高质量的电力系统负荷预测是保障精益运营、健康发展的基础,在电力系统 调度、发展策划、以及运行等方面有着至关重要的地位(蒋敏等,2018)。在辽阳区域 负荷用电以第二产业工业用电为主,居民用电、农业商业用电为辅,科学准确的短期负 荷预测对于没有大型火力电厂的辽阳区域来说显得尤为重要。
提高电网的安全可靠性及电力系统经济发展能力的必要条件就是对电力系统短期 负荷预测进行研究、持续提升负荷预测水准,而电力供需平衡与否都会对营商环境造成 重大影响。当电力系统供需不处于平衡状态时,系统的电压及频率会受到影响,同时系 统的稳定性会受到冲击。一是辽阳地区在夏季迎峰渡夏时期,夏季负荷高峰时电力系统 无法满足用电负荷需求,对部分用户通常会实施拉闸限电,及时切断部分负荷,但是对 被限电企业及供电公司都会造成经济上的损失。如果通过对短期负荷预测进行研究、提 升负荷预测的精准度,那么通过提前调配发电厂的发电量、从其余电网补充电量,就可 以有效降低经济损失;二是用电负荷需求过小时,一部分小型光伏发电站、风电场、水 电站就会出现放弃光、风、水的现象,对发电企业造成经济损失。综上所述,保障电力 系统运营效益离不开对电力短期负荷的精准预测。
在电力企业中,负荷预测准确率是上级调控部门考核下级调控部门的一项重要指 标。辽宁电网中,省调度控制中心每天汇总各地市级调度控制中心关于次日的负荷预测 数值,并以月度为单位根据各地市级调度控制中心上报负荷预测的准确率进行考核。对 次日进行负荷预测是各地市级调度控制中心每天的常态化工作之一,因此构建智能化短 期负荷预测系统可以提高工作效率、减少负荷预测人员的工作强度,同时提升负荷预测 的精准度、提高工作质量。
1.2国内外电力负荷短期预测研究现状
现阶段,电力系统负荷预测几乎都是由电力调度人员根据经验,参考历史数据做出 判断(王瑞等,2019),进行预测。随着科学技术和生产力的快速发展,许许多多的新 鲜事物和遇到的新问题,使人们意识到对未来的预测是十分有必要的(马天男等,2019)。 科学家们针对电力系统负荷预测的重视程度也逐步提高,经对大量真实数据的研究,大 量预测方法也应运而生。但是电力系统即时电力的变化时非线性的,这使得要想得到特 别精准的预测值十分不易(彭显刚,2020)。直至目前还没有找到一种预测方法适用于 任何情形下的所有情况,但是在满足特定情形下的运行条件,可以找到特定的预测方法, 最终达到满意的预测。
国内外学者对负荷预测算法上的研究可以概括为两种:一是传统算法解决负荷预测 问题,主要包括时间序列模型、趋势外推模型(王瑞等,2019)、回归模型(Huang CM, Huang C J, Wang M L, 2016)等;二是现代算法解决负荷预测问题,主要基于小波分析
2
模型(李香龙等,2018)、专家系统模型、神经网络模型等(Khuwaileh Bassam A, Al-Shabi
Mohammad, El Haj Assad Mamdouh, 2021)。在此对传统算法所涵盖的几种模型进行简 要叙述和分析,一是时间序列模型(杨小明等,2018):是上世纪七十年代提出的,把 负荷的历史数据作为X,将预测目标负荷作为Y,进行参数预设后对模型进行预测,这 种只需要提供历史负荷数据的单一影响因素来预测未来负荷数值的方法运用简单,因此 被广泛应用于负荷变化曲线较为平稳的短期预测。二是趋势外推模型(梁智等,2018): 对历史负荷数据进行分析,用直线、S曲线、指数曲线、幂次函数曲线等来反映负荷的 变化趋势,进而带入时间数据,得出想预测的结果。但是只用曲线来代表给定环境下的 负荷变化规律,囊括不了兼备随机性和多样性的负荷变化,尤其对负荷的转折点预测效 果不佳,所以也只适用于负荷变化规律相对平稳的区间内(苏学能等,2017)。三是回 归模型如式(1.1)。
y(t) = a0 + a1x1(t) + •••a”x”(t) + 0(t) (1. 1)
式(1.1)中,y(t)是t时刻的负荷值,x1(t), x2(t), x3(t),…x”(t)是与其相关的变量, 而a0, a1... a”是回归系数,O(t)是其白噪声。回归模型中首先对负荷的历史数值与影响 因素进行拟合,寻找它们间的函数关系(如多元线性回归方程),使用数学表达式拟合 实际情况预测未来的负荷。其中X是随机变量(如天气因素、节假日影响因素、历史负 荷数据)、Y是非随机变量(预测值),但由于无法将所有影响因素都合理拟合、带入, 无法保障建模的精准度,所以适用于模糊长期负荷预测。
由于研究负荷预测的传统算法(罗宁等,2020)是用一个数学公式来表示电力负荷 的变化规律,其数学模型只由数学公式来描述,因此为了追求预测精准度的提升,随着 科学技术的发展,数学、计算机及其他学科的最新研究理论与短期负荷预测结合起来 (Kouhi S, KeyniaF, 2018),与前期线性负荷预测不同的方法—非线性负荷预测被学 者们证实并提出(王玉龙,2015)。下面对研究负荷预测的现代算法进行简要叙述和分 析,一是小波分析模型(李龙,2015):是通过变换、伸缩、平移对信号进行细致分割 的时域频域计算分析模型(李琦等,2016)。可因情况调整时间窗口,其对较弱信号、 突变信号有较好的处理能力,用小波系数的数值表示信号传达的信息,类似于波分可以 有效地传输、分析或重塑原始信号。把电力系统负荷信号按局部化分成不同频谱后分别 进行预测,主要应用于短期负荷预测(CaoJian, 2015)。二是专家系统模型(李若晨,
2018):该模型的规则是通过对历史电力负荷数据和天气、节假日等其他影响因素进行 分析而提炼出的知识经验,并以此规则为基准进行合理的预测,做出科学的决断。虽然 不是单一模型进行预测,但由于专家库的规则系统还不全面,所以不能实用于所有的系 统,常应用于短期负荷预测(SongKBJangG, 2017)。三是神经网络模型(王增平,
2019):神经网络模型是建立在科学家们对生物的研究基础上而产生的,反映神经元某
3
特性的智能数据处理,具有自适应强、很强的容错及泛化能力、学习自我调节能力、记 忆并行处理的属性,非常适合电力系统中实际的负荷预测和分析。但是神经网络模型也 具有不足之处,易出现局部极值现象、收敛性不强速率慢,所以还是需要结合实际数据 做进一步研究( Hong-Tao Ye,Zhen-Qiang Li, 2020)。任何理论转化为现实应用都离不 开实践,伴随网络的日益普及、计算机技术的急速发展,其计算速率成指数型提高,越 来越多针对短期负荷预测的方法被提出,也证明了我国在电力负荷预测领域的学术研究 取得了跨越式的进展。
我国各个地区与电力市场相关的企业中,其电力技术支撑系统中都存在负荷预测板 块,1995 年经电力工业部的评定,由牛晓东、谢宏、赵海青研发的“用电负荷预测系统” 在当时属于国际领先水平。将神经网络与线性外推法相结合对电力负荷进行预测是山东 省采用的预测方法(Wang Haiyang, Zhou yihong, Li jiayin,2015)。利用GM模型、中疏 系数 ARIMA 模型及改进的 GM 模型建模,由长沙电力学院及广西电网电力调度控制中心 共同研发出切合广西区域的电力系统短期负荷预测应用软件(KeH, 2016)。福建省的 电力企业在电力负荷预测方面研发了“电力需求预测程序” (LahouarA, Slama J B H, 2015)。辽宁省结合自身地域及气候等特点,开发出“辽宁电网系统负荷预测”平台, 可将各类负荷曲线直观显示,便于负荷预测人员了解电力系统中历史负荷数据的变化规 律,查询存储在数据库内的特定时间的历史负荷数据,为预测未来负荷变化趋势、合理 安排用、供电方案提供数据支撑(姜雲腾,李萍,2018)。方便对各地市级供电公司电 力调度部门采集到的负荷数据进行存储、分析及上报,对电力系统短期负荷进行预测、 数据上传及比对分析等。
现如今国内国外很多的研究人员一直致力于负荷预测的研究,也取得了非常令人满 意的成果,但是面对复杂多样性的电力系统,截止目前没有哪一种方法能够使得预测出 的结果、预测精度达到完全的科学、精准(丁坚勇,2018)。为获得精准的预测,研究 人员开发了各种模型来进行预测,使得预测精度也逐渐越来越准确,但依旧未能获得重 大突破性进展(Mori H, KurataE,2019)。即便如此,国内外对于提高预测精确度的研 究从未停止过,这也是论文所要研究要点。
1.3本文的主要研究内容及结构
本文提出了粒子群优化神经网络模型,对辽阳地区 2019 年夏季、秋季及 2020 年冬 季预测日 24h 各整点时刻负荷值进行短期负荷预测,并对照分析预测结果。利用 PSO 算 法优化 BP-NN 的阈值和权值,解决了 BP-NN 模型迭代过程中易出现的陷入局部极值、收 敛速度过慢等问题。下面介绍一下文章的主要内容。
全文共分为六章,论文结构安排如图 1.1 所示。
4
 
第一章绪论
 
第二章辽阳区域电力负荷预测方法
基于“基准日”电力系统辽阳' 区域短期负荷预测实例分析
第六章结论与展望
BP神经网络算法预测、粒子群优化神经网络
算法预测、基于“基准日”供电企业负荷预
测方法进行比对分析
图1.1论文结构安排示意图
Figure 1.1 Schematic diagram of paper structure arrangement
第一章:介绍了电力负荷预测所代表的意义及研究背景、国内及国外研究发展历史、 总述本文主要研究内容及结构。
第二章:主要介绍电力系统负荷预测的概念及分类、电网系统负荷预测方法、负荷 预测指标和计算方法。以辽宁省辽阳市为研究背景,在历史负荷数据采集、分析的基础 上研究该地区负荷特点,进行基于“基准日”电力系统辽阳区域短期负荷预测实例分析, 对本文后续章节起到对照分析作用。
第三章:短期电力负荷预测影响因素分析及数据预处理。对电力系统短期负荷预测 影响因素及特点、预测基本过程、误差产生及原因分析、误差评价指标等方面进行介绍, 通过对用电负荷折线图进行分析,考虑时间、气候、经济以及随机因素对电力系统短期 负荷预测带来的影响,并进行影响因素的相关性分析。重点根据影响因素进行数据的量 化及归一化处理,为后续模型构建打下基础。
第四章:介绍神经网络算法及基本特点,对 BP 神经网络的算法及流程进行分析, 应用 BP-NN 算法在仿真软件中建模,对辽阳区域 2019 年夏季、秋季及 2020 年冬季预测 日进行短期负荷预测实例分析,均证实相较于人工预测的结果,精准度已经有很大提升, 相对误差均在 10%以内,在短期负荷预测中达到精准度要求。但是应用 BP-NN 模型的负 荷预测曲线与实际负荷曲线不属于很好的吻合,部分数据已属于预测失真点范围。
第五章:介绍了粒子群模型算法、流程并引入粒子群算法优化 BP 神经网络的构架 及对其流程进行研究。应用 PSO-BPNN 算法在仿真软件中建模,结合历史负荷数据及影 响因素对辽阳区域 2019 年夏季、秋季及 2020 年冬季预测日进行短期负荷预测。并与应 用 BP-NN 模型的短期负荷预测进行比对及分析,预测结果证明 PSO-BPNN 模型不仅提升了 学习精度,也提高了学习的速率,预测相对误差在 3%范围内,其精确度在完全可以满足 电力企业中调度部门的预测需要,为电力系统实时调控提供有力参考。
第六章:将 BP 神经网络算法预测、粒子群优化神经网络算法预测、基于“基准日” 供电企业负荷预测方法进行比对分析,对本文进行的研究工作及研究成果进行总结,对 未来电力系统短期负荷预测研究方向及实践应用进行展望。
第二章 辽阳地区电力负荷预测方法
随着市场经济的发展,电力市场改革也在逐步进行,在追求运行效率、提高效益的 前提下,市场的供需关系与发电计划的准确率息息相关。意味着在电力系统中精准的负 荷预测成为电力议价、供需关系平衡所不可或缺的重要环节。本章主要介绍了电力负荷 预测的概念及分类、辽阳区域电力负荷预测方法。
2.1电力负荷预测方法
电力负荷预测是采集并记录相应区域的历史负荷数据,在能够表达出其内在规律的 数学模型上加以分析,得到想现实需要预测时间点的负荷数据。电力系统负荷预测需要 统筹考虑经济的因素、政治的因素、社会的因素、气候的因素等(NahiKandil,Rene Wamkeue, 2016),通过大量、全面、精准的历史数据来求出数据之间的关联规律,届 时以关联规律为依托结合未来市场的影响因素,因地制宜的调整影响因素所占权重,预 测出未来电力需求。
我国电力企业对电力系统负荷预测采用了很多种分类方法,根据研究目的选取分类 的方法,其中根据实际情况按负荷预测的时间长短以及用电适用对象而划分,这种分类 方法是最常采用的。
2.1.1按时间分类的方法
一是超短期电力负荷预测:通常指未来 1h、0.5h、10min 甚至更短的时间的电力值 预测,正常情况下不考虑气象因素造成的影响,但由于突变的天气或其他对负荷造成影 响的紧急事件需要考虑其中。超短期电力的负荷预测通常是把负荷下降、水平、上升趋 势及变化值,映射成超短时间内的电力负荷的变化规律。主要应用于电力监控、预防性 调控、应急状态下的电力传输等方面。
二是短期电力负荷预测:通常指的是24h的每日负荷的预测、168h的每周负荷的预 测,提供 7 日内时段的负荷值,电力系统短期负荷预测的重要影响因素离不开历史负荷 数据及其变化规律、气象因素的影响(宋学伟,2019)。对电力日运行方式、合理的编 排生产计划,高效利用系统的资源;可以对并网的各机组的启停有更合理的规划,降低 冗余储备;可以在保障正常供电情况下合理编排检修计划等,以上都是电力系统短期负 荷预测对电力企业带来的实际意义(Li Qiang, Wu Jianxin, Sun Yan,2015)。
三是中期电力负荷预测:通常表示未来 1 年内的电力负荷预测,以每月用电量、平 均每月最大电力负荷以及每月最大负荷为主要预测的指标。在时间段 1 月至 1 年的负荷 值多用于交换及燃油计划、发电设备检修计划、水库的调度、编排发电机的运行方式、 发电机组检修计划制定等领域。
四是长期电力负荷预测:一般是指以后数年甚至数十年的用电负荷的预测,受国家
7
政策及市场整体规划、国民经济发展等多种因素的影响,主要适用于电网规划、改建及 增容等情况,是电力企业发展策划部门重点工作之一。
本文的研究方向是辽阳区域负荷短期预测研究,对电网系统电力调度等部门需每天 上报的负荷预测数值具有实际参考意义。
2.1.2按适用对象分类的方法
随着国民经济结构的发展,共分为居民用电、第一、第二及第三产业用电 4类。
第一产业:农业用电指与农业生产生活相关的用电需求,受农业的生产习惯、季节 气候降水等自然因素的影响。
第二产业:工业用电是指国家工业生产用电需求,整体上工业用电量相对稳定,受 季节气候、行业的特点、工作的制度,企业的性质等因素的影响。
第三产业:除农业、工业以外其他的产业(如商业用电),商业用电主要指市内商 业区域的各项用电,与季节的影响因素关联较大。
居民生活用电:随着国民经济的发展,城市居民家中电器的对电能的需求也逐步升 高,与广大人民生活习性和季节趋势有关。
上述不同的用电负荷分析表明,用电负荷本身的特征很大程度决定自身的变化规 律,所以不同负荷特殊性也要考虑到预测过程中。结合辽阳区域的特点,电力系统中负 荷用电以第二产业工业用电为主,居民用电、农业商业用电为辅。
2.2辽阳地区电网负荷预测
2.2.1 辽阳地区电力负荷分析
辽阳市是辽宁省中南部地区城市之一。地区总面积为4700余平方千米,建成区面 积为139.5平方千米,常住人口有183.1万人,城镇人口有114.27万人,城镇化率达 到62.41%。2019年,辽阳市地区生产总值达到831.0亿元,按可比价格计算方式,同 比上年增长了2.5%。2020年辽阳市售电量达到103.12亿千瓦时,同比增长3.03%。拥 有2座500千伏变电站,16座220千伏变电站,85座66千伏变电站。2021年是“十四 五”开局之年,预计达到售电量105.2亿千万时,同比增长2.01%。
在全年电力负荷变化中,夏季负荷值最高,春季负荷值最低,秋季和冬季的负荷值 位居中部。负荷变化周期性明显,每周负荷变化的曲线也有一定的相关性。由于居民生 活用电、农业商业用电负荷所占的比重比工业用电负荷低,所以周六周日负荷较低,周 一至周五负荷明显升高。图2.1是辽阳市2019年7月3日负荷折线图。从图中可以明 显看出,一般在早上07点至08点时刻、中午11点至12点时刻、晚上19至20点时刻 为全日用电负荷最低点,由于峰段为8:00-22:00,谷段为22:00-次日 8:00,谷段电价 相对低廉,因此工业用电负荷上涨,一般在22:00点时刻为全日用电负荷最高点。
8
 
随着辽阳市经济持续发展,居民用电占比会逐渐升高,城市用电负荷会大幅上涨, 未来一段时间内预计本市的负荷变化发展趋势如下:
(1) 夏季、冬季负荷明显高于春季、秋季,年最大负荷将出现在 7-8 月夏季,随 着人们对夏季制冷设备购买力的增加和气候的持续变化,夏季负荷依旧将处于较高水 平。
(2) 随着社会用电结构及电力企业供需形式的变化,居民用电负荷的比重会逐步 上升,休息日和工作日之间的用电负荷差值将缩小。
(3) 居民用电负荷的曲线呈两峰值形态且上午的最高值低于下午最高值,预计两 个时段的最高值差会渐渐缩小。
2.2.2短期负荷预测指标分析及计算方法
辽阳区域电网系统中将上级单位将考核评价下级单位的日前负荷预测指标,包括日 前负荷预测的合格率和准确率等。发生如自然灾害等不可抗力情况、实际负荷产生重大 偏差是由于自动化系统原因导致信息传输、数据采集出现故障的情况、系统出现较大故 障等原因导致拉闸限电等操作以及其他特殊情况,此时在履行相应手续的前提下可对相 应时间段的负荷预测申请免考核。负荷预测指标计算方法如下:
(1)日前负荷预测的准确率
(2.1)
式(2.1)中所示第i时刻的负荷预测的偏差率为E’;日前负荷预测的准确率是As ; n表示日前负荷预测中实际考核的点数。
(2)基准点负荷预测偏差率
L —L (2.2)
E = _X100%
L
式(2. 2)中所示第i时刻的负荷实际值为厶;第i时刻的负荷预测偏差率为Ei ;第
i时刻的负荷预测值为厶,f。
(3)预测日最小、预测日最大负荷预测的准确率
 
式(2.3)中所示日最小负荷的预测值是厶,f ;日最小负荷预测的准确率为B,;日 最小负荷的实际值是 Ll 。
式(2.4)中所示日最大负荷的预测值是 Lh,f ;日最大负荷预测的准确率为 Bh ;日 最大负荷的实际值是 Bh 。
以上就是辽阳区域电网系统中负荷预测指标分析及计算方法。
2.2.3基于“基准日”电力系统辽阳地区短期负荷预测实例分析
电力企业中预测次日的负荷情况需要对历史负荷数据结合负荷预测影响因素进行 分析。现阶段地市级供电公司电力调度部门是将每 15 分钟作为一个时间节点记录负荷 数据,这样由 96 个时间节点的负荷数据组成一天的历史负荷数据,并且由第 N-6 天及 第 N-1 天的负荷数据结合比如气候、日期类型、市场、经济、政治、所在地区的地理位 置等多种因素的影响预测出第 N+1 天的负荷数据,多是依靠负荷预测人员长期积累的经 验,尽管运用传统方法进行负荷预测的结果也相当准确,但是困难之处在于在历史负荷 数据中找出相似数据,当出现特殊因素影响时会存在着较大误差。
上述传统的预测方法是将预测日的前一天作为“基准日”,并对预测当日的后一天 进行短期负荷预测。但是预测日当天也会产生即时负荷数据,即便数据不完整但依然对 次日的短期负荷预测也具有重要的参考价值。辽阳区域电力系统是将每 15 分钟作为一 个时间节点,每天需要预测 96 个点的负荷数据,上级调度控制中心要求各地市级调度 控制中心在每天下午 14 点前将负荷预测数据进行上报。预测日当天从 0 点-14 点已经记 录了 56 个负荷数据,利用这系统时限内最临近次日的负荷数据,会比只应用预测日的 前一天的负荷数据会更精准一些。下面选取 2019 年夏季某天、秋季某天及 2020 年冬季 某天将基于“基准日”人工负荷预测结果与实际负荷曲线进行对照分析。
10
 
 
 
图 2.2 2019 年 7 月 9 日的 24 h 对应时刻的实际负荷曲线
Figure 2.2 Realistic generation load curve at 24h corresponding time on July 9, 2019
图2. 3为2019年7月10日的24h对应时刻的实际负荷曲线。
 
 
图 2.3 2019 年 7 月 10 日的 24 h 对应时刻的实际负荷曲线
Figure 2.3 Realistic generation load curve at 24h corresponding time on July 10, 2019 根据“基准日”(7 月 9 日)及预测日前七天(7 月 3 日)实际负荷值,并对预测 日(7月10日)进行短期负荷预测,各小时负荷的人工预测结果及误差对比如表2.1 所示。
11
预测时间
单位:时 7月3日 实际负荷值 单位:兆瓦 7月9日 实际负荷值 单位:兆瓦 7 月 10 日 人工预测负荷值 单位:兆瓦 7 月 10 日 实际负荷值 单位:兆瓦 人工预测绝对 误差 单位:兆瓦 人工预测相 对误差
0:00 1201.85 1212.25 1179 1229.21 50.21 0.0408
1:00 1199.65 1213.19 1211 1194.51 -16.49 -0.0138
2:00 1170.89 1181.43 1144 1202.17 58.17 0.0483
3:00 1177.7 1167.17 1148 1201.49 53.49 0.0445
4:00 1173.25 1165.78 1139 1203.08 64.08 0.0532
5:00 1165.34 1178.47 1121 1215.28 94.28 0.0775
6:00 1162.04 1195.02 1113 1226.05 113.05 0.0922
7:00 1130.32 1165.47 1097 1180.29 83.29 0.0705
8:00 1105.36 1121.56 1016 1131.08 115.08 0.1017
9:00 1090.59 1145.98 1039 1169.04 130.04 0.1112
10:00 1119.48 1180.05 1022 1198.53 176.53 0.1472
11:00 1132.57 1163.19 1037 1190.13 153.13 0.1286
12:00 1106.34 1153.52 1024 1185.72 161.72 0.1363
13:00 1158.08 1194.31 1111 1222.38 111.38 0.0911
14:00 1160.92 1234.66 1125 1232.22 107.22 0.087
15:00 1188.72 1237.5 1051 1249.76 198.76 0.159
16:00 1225.09 1254.9 1001 1262.69 261.69 0.2072
17:00 1152.57 1211.53 1024 1250.06 226.06 0.1808
18:00 1113.34 1175.12 1003 1192.07 189.07 0.1586
19:00 1080.01 1161.02 1038 1161.66 123.66 0.1064
20:00 1135.5 1202.93 1028 1175.73 147.73 0.1256
21:00 1175.87 1265.52 1015 1270.03 255.03 0.2008
22:00 1228.04 1293.84 1025 1297.37 272.37 0.2099
23:00 1221.55 1262.77 1103 1290.51 187.51 0.1452
2019 年 7 月 10 日当天实际负荷值与基于“基准日”的人工负荷预测结果误差较大, 在 15:00-22:00 区间内的负荷预测,已属于预测失真点范围。基于“基准日”的人工负 荷预测结果中的最大的相对误差为 21%,14 个时刻预测相对误差大于 10%,平均的相对 误差为 11.4%,对于 7 月 10 日当天的预测结果来说,未达到短期负荷预测中精准度的要 求。
选取 2019 年秋季国庆节后第一个工作日 10 月 8 日作为预测日。图 2.4 为 2019 年 10 月 7 日的 24h 对应时刻的实际负荷曲线。
12
 
 
 
 
图 2.4 2019 年 10 月 7 日的 24 h 对应时刻的实际负荷曲线
Figure 2.4 Realistic generation load curve at 24h corresponding time on October 7, 2019
图2.5为2019年10月8日的24h对应时刻的实际负荷曲线。
Figure 2.5 Realistic generation load curve at 24h corresponding time on October 8, 2019 根据“基准日”(10月7日)及预测日前七天(10月1日)实际负荷值,并对预 测日(10月8日)进行短期负荷预测,各小时负荷的人工预测结果及误差对比如表2.2
13
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
所示。
预测时间
单位:时 10 月 1 日 实际负荷值 单位:兆瓦 10月7日 实际负荷值 单位:兆瓦 10月8日 人工预测负荷值 单位:兆瓦 10月8日 实际负荷值 单位:兆瓦 人工预测绝对 误差 单位:兆瓦 人工预测相 对误差
0:00 1167.3 1132.44 1095 1227.91 132.91 0.1082
1:00 1148.91 1124.94 1121 1224.31 103.31 0.0843
2:00 1154.29 1112.69 1080 1216.24 136.24 0.112
3:00 1149.86 1075.76 1082 1206.66 124.66 0.1033
4:00 1142.18 1087.45 1099 1197.52 98.52 0.0822
5:00 1159.13 1134.14 1108 1224.79 116.79 0.0953
6:00 1127.92 1133.32 1078 1220.23 142.23 0.1165
7:00 1141.94 1149.99 1109 1184.99 75.99 0.0641
8:00 1070.04 1130.55 1100 1123.43 23.43 0.0208
9:00 1066.41 1110.81 1060 1114.87 54.87 0.0492
10:00 1091.34 1103.92 1061 1122.69 61.69 0.0549
11:00 1086.8 1082.42 1060 1154.56 94.56 0.0819
12:00 1080.58 1038.48 1125 1101.66 -23.34 -0.0211
13:00 1130.31 1106.91 1116 1121.68 5.68 0.0051
14:00 1147.43 1111.85 1066 1145.2 79.2 0.0691
15:00 1119.91 1120.79 1057 1155.34 98.34 0.0851
16:00 1169.08 1152.92 1003 1162.82 159.82 0.1374
17:00 1142.22 1141.63 1005 1150.39 145.39 0.1263
18:00 1124.4 1086.31 1123 1108.64 -14.36 -0.0129
19:00 1139.35 1126.47 1006 1115.16 109.16 0.0978
20:00 1190.67 1168.99 1019 1155.22 136.22 0.1179
21:00 1242.42 1181.97 1047 1203.12 156.12 0.1297
22:00 1301.55 1249.66 1001 1252.54 251.54 0.2008
23:00 5:31 1204.97 1139 1243 104 0.0836
2019 年 10 月 8 日当天实际负荷值与基于“基准日”的人工负荷预测结果误差较大, 在 20:00-22:00 区间内的负荷预测,已属于预测失真点范围。基于“基准日”的人工负 荷预测结果中的最大的相对误差为 20%,9 个时刻预测相对误差大于 10%,平均的相对误 差为 8.6%,对于 10 月 8 日当天的预测结果来说,未达到短期负荷预测中精准度的要求。
经过对 2019 年整年实际负荷值与基于“基准日”的人工负荷预测结果误差分析如 图 2.6 所示,预测日平均相对误差大于 10%的有 197 天,占全年的 54%,由此可见仅依 靠负荷预测人员长期积累的经验去进行短期负荷预测,确实存在着较大误差。
14
 
 
Figure 2.6 In 2019, the average relative error of manual load prediction depends on the "base day" 图 2.7 为 2020 年 12 月 21 日的 24h 对应时刻的实际负荷曲线。
 
图 2.7 2020 年 12 月 21 日的 24h 对应时刻的实际负荷曲线
Figure 2.7 Realistic generation load curve at 24h corresponding time on December 21, 2020
图 2.8 为 2020 年 12 月 22 日的 24h 对应时刻的实际负荷曲线。
15
 
Figure 2.8 Realistic generation load curve at 24h corresponding time on December 22, 2020 根据“基准日”(12 月 21 日)及预测日前七天(12 月 15 日)实际负荷值,并对 预测日(12 月 22 日)进行短期负荷预测,各小时负荷的人工预测结果及误差对比如表 2.3 所示。
表 2.3 2020 年 12 月 22 日基于“基准日”各小时负荷的人工预测结果及误差对比
Form 2.3 Manual prediction results and error comparison of hourly load on December 22, 2020
预测时间
单位:时 12 月 15 日 实际负荷值 单位:兆瓦 12 月 21 日 实际负荷值 单位:兆瓦 12 月 22 日 人工预测负荷值 单位:兆瓦 12月 22 日 实际负荷值 单位:兆瓦 人工预测绝对 误差 单位:兆瓦 人工预测相 对误差
0:00 1279.38 1228.7 1130 1270.02 140.02 0.1102
1:00 1239.11 1234 1169 1258.26 89.26 0.0709
2:00 1232.3 1178.39 1118 1262.03 144.03 0.1141
3:00 1213.8 1195.2 1119 1251.43 132.43 0.1058
4:00 1191.22 1183.39 1451 1209.08 -241.92 -0.2001
5:00 1216.93 1209.17 1239 1211.83 -27.17 -0.0224
6:00 1236.01 1219.58 1186 1232.54 46.54 0.0377
7:00 1236.67 1234.48 1178 1235.33 57.33 0.0464
8:00 1192.32 1221.37 1417 1171.83 -245.17 -0.2092
9:00 1203.22 1281.53 1390 1225.09 -164.91 -0.1346
10:00 1222.97 1331.62 1218 1284.23 66.23 0.0515
11:00 1210.66 1350.74 1252 1285.07 33.07 0.0257
12:00 1161.61 1320.79 1350 1223.36 -126.64 -0.1035
13:00 1210.43 1384.57 1397 1261.37 -135.63 -0.1075
14:00 1272.91 1381.04 1452 1307.18 -144.82 -0.1107
 
15:00 1277.16 1354.85 1358 1275.14 -82.86 -0.0649
16:00 1263.01 1352.61 1429 1290.26 -138.74 -0.1075
17:00 1251.6 1325.28 1386 1273.15 -112.85 -0.0886
18:00 1213.89 1298.2 1464 1210.39 -253.61 -0.2095
19:00 1197.68 1282.18 1383 1247.24 -135.76 -0.1088
20:00 1286.01 1346.85 1367 1312.3 -54.7 -0.0416
21:00 1345.94 1415.08 1454 1375.33 -78.67 -0.0572
22:00 1367.23 1416.77 1462 1406.31 -55.69 -0.0396
23:00 1306.52 1352.4 1350 1326.21 -23.79 -0.0179
 
2020 年 12 月22 日当天实际负荷值与基于“基准日”的人工负荷预测结果误差较大, 在 12:00-18:00 区间内的负荷预测,已属于预测失真点范围。基于“基准日”的人工负 荷预测结果中的最大的相对误差为20.9%,12个时刻预测相对误差大于 10%,平均的相 对误差为 9.1%,对于 12 月 22日当天的预测结果来说,未达到短期负荷预测中精准度的 要求。
经过对 2022 年整年实际负荷值与基于“基准日”的人工负荷预测结果误差分析如 图 2.9 所示,预测日平均相对误差大于 10%的有 213 天,占全年的 58%,由此可见仅依 靠负荷预测人员长期积累的经验去进行短期负荷预测,确实存在着较大误差。
 
 
图 2.9 2020 年基于“基准日”的人工负荷预测平均相对误差
Figure 2.9 In 2020, the average relative error of manual load prediction depends on the "base day"
2.3本章小结
本章对电力系统负荷预测的概念及分类、电网系统负荷预测方法、负荷预测指标和
计算方法进行介绍。以辽宁省辽阳市为研究背景,在历史负荷数据采集、分析的基础上
17
 
 
研究该地区负荷特点,对基于“基准日”的人工负荷预测进行实例分析,对本文后续章 节起到对照分析作用。
18
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
第三章 短期电力负荷预测影响因素分析及数据预处理
3.1电力系统短期负荷预测的基本特征及影响因素
3.1.1 短期负荷预测的特点 电力系统负荷的预测是根据研究历史电力负荷的实际值,预测以后时段的负荷值。
所以可以确定对负荷进行预测及预测的负荷本身均是非确定事件,且受非自身因素的影
响具有随机性,需要采取特定的方法,构建切合条件的模型,推算负荷的发展变化方向。
 
Figure 3.1 Accuracy requirements of different prediction types
(1)电力负荷预测具有不确定性 预测本身就是基于不确定性的问题研究理论与方法的学问,电力负荷在未来发展会 受各种因素的影响必然不是确定的,而对电力负荷预测造成影响的因素本身也存在变 化,预测出的数值本身就是一个概率值。直至目前还没有找到一种预测方法适用于任何 情形下的所有情况,国内外学者依然不断提出新的电力负荷预测方法,不同的预测方法 导致预测结果的不确定性。对短期电力负荷的预测中,对五种预测类型的精度提出要求 如图 3.1 所示。
(2)电力负荷预测具有时间性 建立预测模型之前,需要预先确定预测的时间、区间,这样才能得到具有可行性的 预测结果。
(3)电力负荷预测具有地域性 电力负荷构成的占比与不同地域的地域特性、自然属性、气候特性等息息相关,网
19 省电力企业电网负荷变化趋势有较强的规律性,因此,其预测结果的精度比地市电力企 业电网会稍高一些。
(4)电力负荷预测具有条件性
根据对资料数据的分析,建立合理的模型,设立有效的前提条件,可以提高电力负 荷预测的精度。电力负荷预测条件可分为设想条件和必需条件,电力系统短期负荷预测 所需的必要条件可以根据对历史负荷数据进行研究而寻出其内在的变化规律,并对其规 律进行分析提炼而得到,可以用历史负荷数据建模并应用到未来的预测环境中。当预测 过程中出现了不可预计的外部因素影响,使得负荷变化规律发生改变,这就需要设置相 应的假设条件,使负荷预测精度更高。
(5)电力负荷预测具有多模型性
根据实际数据、影响因素的分析,建立合适的数学模型的过程中,需要设计多种预 测模型以满足初始条件不同下的电力负荷预测。由于电力负荷预测本身具有的条件性、 不确定性,因此电力系统负荷预测模型的建立需要根据不尽相同的电力负荷条件来考 虑。
3.1.2 影响负荷预测因素相关性分析
负荷预测的实质是将电力负荷历史数据输入切合条件的数学模型上找到负荷变化 的规律并以此为依托对以后某时段的电力负荷进行短期预测,电力负荷的预测精准度提 高是依靠对庞大量级的、准确的历史电力负荷数据进行比对分析实现的。如经济因素、 天气因素、季节更替、日期类型和突发事件等都是影响电力负荷预测的因素,使得负荷 预测是不确定性和非线性的,因此,为了科学准确、有效的预测电力负荷的变化趋势, 必须深入分析影响负荷变化的因素,找到影响短期负荷预测最相关的因素。度量两个或 者多个变量之间的相关程度,可以使用 Pearson 相关性分析,通过测算变量自身的标准 差与变量之间的协方差,得到变量之间的相关程度,如式(3.1)。
y :( x厂 X)© - y)
工二(X - x h(Y - y)2 Qi)
其相关系数与变量之间相关性的关系与表 3.1 所示。
下面从时间因素、气候因素、经济因素、随机因素四方面对负荷预测影响相关性进 行分析。
(1)时间因素
日周期性及周周期性质、节假日以及季节因素这三方面是对负荷预测有重要影响的 时间因素。元旦、春节、清明等节假日期间,由于人们花费更多时间在休闲娱乐上而非 生产活动,所以期间的用电负荷会比工作日低很多,节假日前后与节假日期间电力负荷 变化会有非常大的差距。
20
 
表 3.1 Pearson 相关系数与变量之间相关性
Form 3.1 Correlation between Pearson correlation coefficient and variables
相关系数(r) 相关性
r=+1 表示与变量的完全线性相关
0<r<0.09 表示无相关性
0.1<r<0.25 表示一个弱线性相关
0.26<r<0.40 表示中等线性相关
0.40<r<1.0 表示强线性相关
r=0 表示不相关
-1<r<0 表示负线性相关
r=-1 表示完全负线性相关
负荷的变化也随着季节的更迭产生的温度、白天夜晚时段比、居民生活习性出现变 化的影响。本文对本市 2020年用电负荷的数据进行分析整理,如下图所示,从图3.2 中可以看出本市冬季和夏季用电负荷较高,春季和秋季相对用电负荷较少。因为夏季空 调的使用、冬季取暖设备的使用情况比较多,在天气温度浮动比较大的区间内,电力负 荷量增加很多。
 
 
负荷变化规律表现出周期性是由社会的生产方式及居民的生活习性决定的。将一个 星期分做工作日从周一到周五和休息日从周六到周日两种类型。在工作日时段,人们在 生产生活中的用电量较大;在休息日时段,由于大量生产活动已停止,该时段的用电负 荷相比于工作日时段的用电负荷量要少得多。
21
 
在时间因素中,负荷变化规律表现出的周期性所反映出的影响因素也就是“历史负 荷数据”,在第二章中对 2019 年 7 月 10 日进行短期负荷预测,利用“基准日”的历史 负荷数据进行相关性分析,2019 年 7 月 3 日-7 月 10 日每天 24h 历史负荷数据(负荷值 单位:兆瓦)如图 3.3。
筮月3H-7月価日历史负荷数据
—匕门三日负荷值 ——七四日负荷值 七JJ五日负荷値 —七门六日负荷值 七J1七日负荷值 —七月八日负荷値 ——七丿]九日负荷值 七刀十日负荷值
图 3.3 2019 年 7 月 3 日至 7 月 10 日历史负荷数据
Figure 3.3 Historical load data from July 3 to July 10, 201
将 7 月 10 日负荷数据与 7 月 3 日-7 月 9 日历史负荷数据的比对分析可得,预测日 前一星期 S 时刻的历史负荷值、预测日前两天 S 时刻及前一天 S 时刻的历史负荷值与预 测日负荷值相关性最大,那么对这三天进行相关性分析。如图 3.4、3.5、3.6 所示(负 荷值单位:兆瓦)。以历史负荷数据为自变量和以预测日负荷数据为因变量的散点中, 在坐标系中的分布呈现上升趋势。可得,散点表示的历史负荷数据与预测日负荷数据两 个变量整体呈正相关关系。
22
7月代日与7月3日负荷数据相关性
 
 
 
 
 
1100.00-
 
 
 
图 3.6 7 月 10 日与 7 月 9 日负荷数据相关性
Figure 3.6 Correlation between July 10 and July 9 load data 为更加精准的了解历史负荷数据与预测日负荷数据的相关性,对二者进行 Pearson 相关性分析。如表 3.2、3.3、3.4 所示。
表 3.2 7 月 3 日与 7 月 10 日负荷数据相关程度
Form 3.2 The degree of correlation between July 3 and July 10 load data
七月三日负荷值 七月十日负荷值
七月三日负荷值 Pearson 相关性 1 .810**
显著性(双侧) - .000
N 24 24
七月十日负荷值 Pearson 相关性 .810** 1
显著性(双侧) .000 -
N 24 24
注:**表示在 0.01 级别上显著相关
 
24
 
表 3.3 7 月 8 日与 7 月 10 日负荷数据相关程度
Form 3.3 The degree of correlation between July 8 and July 10 load data
七月八日负荷值 七月十日负荷值
七月八日负荷值 Pearson 相关性 1 .873**
显著性(双侧) - .000
N 24 24
七月十日负荷值 Pearson 相关性 .873** 1
显著性(双侧) .000 -
N 24 24
注:**表示在 0.01 级别上显著相关
 
 
表 3.4 7 月 9 日与 7 月 10 日负荷数据相关程度
Form 3.4 The degree of correlation between July 9 and July 10 load data
七月九日负荷值 七月十日负荷值
七月九日负荷值 Pearson 相关性 1 .918**
显著性(双侧) - .000
N 24 24
七月十日负荷值 Pearson 相关性 .918** 1
显著性(双侧) .000 -
N 24 24
注:**表示在 0.01 级别上显著相关
根据表3.2、3.3、3.4可知,预测日前一星期S时刻的历史负荷值、预测日前两天 S时刻及前一天S时刻的历史负荷值与预测日负荷值相关系数rl=0.81、r2=0.873、 r3=0.918,显著性水平均为0.000,小于0.01,所以预测日前一星期S时刻的历史负荷 值、预测日前两天 S 时刻及前一天 S 时刻的历史负荷值与预测日负荷值之间存在极强显 著正相关关系。
(2)气候因素
由于许多用电量与天气、季节有着密不可分的联系,所以电力负荷受变化气候的影 响非常大,温湿度高低、是否雨雪天气、风速大小等因素都是气候影响因素,其中温度 高低对电力负荷的影响力最大。当一个区域的气温明显升高或降低时,该区域的用电量 也会随之增加。通常气候因素引起的电力负荷急剧变化主要影响短期电力负荷的预测。 经过收集辽阳地区2019年全年的温度情况、降雨降雪情况、光照情况、风速情况等气 候影响因素,比照全年负荷数据,发现日最高温度、日最低温度、降雨量、光照情况与 负荷数据相关程度较为显著。
①日最高温度、日最低温度
25
 
将 2019 年辽阳区域 12 个月每月负荷均值与每月日均最高温度、最低温度做相关性
分析,如图 3.7 所示(负荷值单位:兆瓦)。
 
图 3.7 每月负荷均值与日均最高温度、最低温度相关性
Figure 3.7 The monthly average load is correlated with the daily maximum and minimum temperature 如上图所示,以每月日均最高温度、最低温度为自变量和每月负荷均值为因变量的 散点中,在坐标系中的分布总体呈现上升趋势。可得,散点表示的每月日均最高温度、 最低温度与每月负荷均值两个变量整体呈正相关关系。为更加精准的了解两者的相关 性,对二者进行 Pearson 相关性分析。如表 3.5 所示。
表 3.5 每月负荷均值与日均最高温度、最低温度相关程度
Form 3.5 The degree of correlation monthly average load and daily maximum and minimum temperature
每月平均负荷数据 每月日均最低气温 每月日均最高气温
每月平均负荷数据 Pearson 相关性 1 .650* .621*
显著性(双侧) - .022 .031
N 12 12 12
每月日均最低气温 Pearson 相关性 .650* 1 .995**
显著性(双侧) .022 - .000
N 12 12 12
每月日均最高气温 Pearson 相关性 .621* .995** 1
显著性(双侧) .031 .000 -
N 12 12 12
注:**表示在 0.01 级别上显著相关
 
26
 
根据表3. 5可知,每月日均最高温度、最低温度与每月负荷均值相关系数r1=0. 621、 r2=0. 65,所以每月日均最高温度、最低温度与每月负荷均值之间存在显著正相关关系。
②光照程度 将2019年辽阳区域12个月每月负荷均值与月均光照时长做相关性分析,如图3.8 所示(负荷值单位:兆瓦)。
每月负荷旳值与丿J助光照时长相关性
1400.00-
 
丿J均光照时长
图 3.8 每月负荷均值与月均光照时长相关性
Figure 3.8 Correlation between monthly mean load and monthly mean light duration
如上图所示,以月均光照时长为自变量和每月负荷均值为因变量的散点中,在坐标 系中的分布总体呈现上升趋势。可得,散点表示的月均光照时长与每月负荷均值两个变 量整体呈正相关关系。为更加精准的了解两者的相关性,对二者进行 Pearson 相关性分 析。如表 3.6 所示。
表 3.6 每月负荷均值与月均光照时长相关程度
Form 3.6 Degree of correlation between monthly average load and monthly average illumination duration
每月平均负荷数据 月均光照时长
每月平均负荷数据 Pearson 相关性 1 .490
显著性(双侧) - .361
N 12 12
月均降雨量 Pearson 相关性 .490 1
显著性(双侧) .361 -
N 12 12
注:**表示在 0.01 级别上显著相关
 
27
 
根据上表可知,月均光照时长与每月负荷均值相关系数rl=0.49,所以月均光照时 长与每月负荷均值之间存在显著正相关关系。
③降水程度
将 2019 年辽阳区域 12 个月每月负荷均值与月均降雨量做相关性分析,如图 3.9 所 示(负荷值单位:兆瓦)。
每丿J负荷均值9月均降南址相关性
1400.00-
1300.00-
 
图 3.9 每月负荷均值与月均降雨量相关性
Figure 3.9 Correlation between monthly mean load and monthly mean rainfall 如上图所示,以月均降雨量为自变量和每月负荷均值为因变量的散点中,在坐标系 中的分布总体呈现上升趋势。可得,散点表示的月均降雨量与每月负荷均值两个变量整 体呈正相关关系。为更加精准的了解两者的相关性,对二者进行 Pearson 相关性分析。 如表 3.7 所示。
表 3.7 每月负荷均值与月均降雨量相关程度
Form 3.7 The degree of correlation between monthly mean load and monthly mean rainfall
每月平均负荷数据 月均降雨量
每月平均负荷数据 Pearson 相关性 1 .588*
显著性(双侧) - .044
N 12 12
月均降雨量 Pearson 相关性 .588* 1
显著性(双侧) .044 -
N 12 12
注:**表示在 0.01 级别上显著相关
 
28
根据上表可知,月均降雨量与每月负荷均值相关系数r1=0. 588,所以月均降雨量与 每月负荷均值之间存在显著正相关关系。
(3) 经济因素 经济因素如工业水平、人口成分及农业方式都对电力负荷的需求造成很大的影响,
电价的政策及负荷的管理等电网本身的发展政策也对负荷造成影响,对长期的电力负荷 预测有比较大的影响(王成武等,2020)。
(4) 随机因素 现实工作中系统会出现采集到异常数据,可能由于突发事件、通道传输异常造成的
数据缺失,会对日常电力系统负荷预测造成重大影响,直接导致负荷预测精准度降低(吴 云等,2018)。如迎峰渡夏期间电力企业为平衡供需关系,会下达部分企业拉闸限电的 指示,这一部分就是人为因素造成的负荷的损失,而跟负荷本身的特性变化规律无关, 因此在此期间对负荷进行预测时,相关预测人员要主观的将这部分负荷剪掉,但是作为 历史数据对未来负荷进行研究时,还要主观加上这一部分数据,还原负荷本身的特性变 化规律。
由各个用户组成整体用电系统的用电负荷具有不确定性,用户的用电时间、用电方 式都不尽相同,如用户照明用电需求、工厂用电功率大的组机的启停及检修通常都无法 提前预知,且一些大型会议、特殊电视节目、自然灾害等都会对负荷有较大影响,如 2020 年新型冠状病毒肆虐,受疫情影响,大段时间涉及许多企业停工停产导致对电力企业负 荷影响很大。但是随机因素总是需要人为干预去进行主观更改,需要因地制宜的进行处 理。
综上,根据数据分析可得出,预测日前一星期 S 时刻的历史负荷值、预测日前两天 S 时刻、预测日前一天 S 时刻的历史负荷值、日最高温度、日最低温度、光照程度、降 水程度与预测日负荷预测相关性强、影响较大。
3.1.3 短期负荷预测模型框架
电力系统中在进行短期负荷预测之前,首先依据电力负荷的预测对象,根据预测依 据进行大量相关资料的搜集工作。然后对现有资料进行分析比对,最终应用合适的数学 模型进行建模对未来负荷进行预测,并根据预测得到的的结果与实际数据进行误差比对 分析。其基本流程如图3. 7所示:
29
 
图 3.7 短期负荷预测基本流程
Figure 3.7 Basic flow of power load short-term forecast
(1) 短期负荷预测目标确定
通过对历史负荷数据的分析,了解电力短期负荷预测所需符合的标准、预测的类型、 目标的精准度、定量或定性预测分析等数据。要根据不同区域、不同时间段的具体情况, 确立合理的电力预测目标。
(2) 收集电力负荷预测相关历史数据及资料
电力负荷预测的前提条件是收集大量可靠真实的数据、资料,细致筛选并分析如: 一是气温;二是历史电量、负荷数据;三是日期节假日类型;四是光照强度;五是降水 量等相关真实历史数据。将筛选出的关联性及可用性较强的数据作为数学模型的输入量 用于建模预测的训练。经统筹分析后将数据库中出现异常的数据进行修正或删除,保证 数学建模预测的可行性及预测数据的精准性。
(3) 相关历史数据的量化及归一化处理
采集到的相关历史电量、负荷数据、日最高及最低温度、光照情况及降水量情况等 变量都是短期电力负荷预测的历史数据,上述影响因素的数量级、量化单位、数值等都 存在很大的差异。通过量化输入的一些相关变量的数值,再经过归一化数据的输入样本, 就不会出现因输入样本的值域范围较大差异,导致的预测的精度不高等问题。
(4) 组建相关预测模型
收集大量可靠真实的数据、资料是建立科学精准度高预测模型的基石。在对电力负
30 荷进行短期预测的过程中,可以建立多种数学模型来预测,方便进行综合分析比对,判 定各种模型产生的预测结果的优劣,选择最合理的模型去做电力负荷预测。
(5) 预测模型参数的设置 敲定合理的数学模型之后,对电力系统中短期负荷预测建模设定的参数需要依据实
际的数据筛选分析之后的结果而定。
(6) 使用选定的预测模型去进行负荷预测 如上文所述直至目前还没有找到一种预测方法适用于任何情形下的所有情况,但是
在满足特定情形下的运行条件,可以找到特定的预测方法,最终达到满意度高的预测。 这种情况下,运用计算机技术,将预处理后的样本数据输入到预测模型中,设置相应的 参数后运行并输出最终的预测结果。
(7) 对负荷预测的结果进行分析 电力负荷预测必然存在偶然性和不确定性,因不可预知因素的影响可能导致实际值
跟预测值之间的差异较大。因此需要对所得的预测结果进行误差比对及分析,分析误差 的产生原因,相应的对负荷预测模型进行修正处理,保障预测数据精准度的提高。
电力系统负荷预测是是根据相应区域的历史负荷数据,在能够表达出其内在规律的 数学模型上加以分析,得到想现实需要预测时间点的负荷数据,用作电力系统短期负荷 预测。以下是一些基本原理用于对负荷预测工作起到规范作用。
(1) 可能性原理 电力负荷预测的内在及外在因素的影响均会造成其变化趋势波动,所以可以通过建
立多种具备可能性原理为前提的数学模型来预测,方便进行综合层面分析比对,判别各 种模型预测结果的优与劣,选择最合理的模型进行电力负荷预测。
(2) 可知性原理 电力系统短期负荷预测的变化规律、发展状况和未来趋势是我们可以通过技术手段
所知的,这正是验证电力负荷预测工作的成功与否的基本依据和前提条件。
(3) 连续不间断原理 电力负荷的变化发展趋势具备连续性,是一个连续不断的变化过程,一边保持固有
的一些特性,一边不间断的发展变化赋予本身新的特性,让其连续不间断的延续。
(4) 反馈性原理 当影响因素对负荷的本身属性造成影响时,负荷本身属性的变化又会对影响的比重
产生影响。预测结果与实际值存在差异时,查找原因并及时修正电力短期负荷预测模型 的参数设定,依据反馈性原理对未来的负荷预测结果进行调节,从而提高该模型的可靠 性与负荷预测结果的精准度。
(5) 相近性原理
31
电力负荷预测的发展变化状态很大可能与之前的某一阶段变化状态相近。所以可以 参考之前某一阶段的变化规律建模,预测未来时段电力负荷发展与变化趋势。
(6)整体性原理
既要考虑电力负荷预测模型本身内在的整体性,也要考虑与影响因素相关联而构成 的外在整体性,只要二者处于最融洽的组合,预测的结果才能实现自身实际价值。 3.1.4 短期负荷预测的误差分析
精准度是电力负荷预测中重中之重的指标,在对预测结果数据与实际值比对分析后 了解预测误差的产生原因,可以对负荷预测的模型及技术路线加以修正,届时对预测误 差分析比对后检验当前使用的负荷预测模型。本文主要研究的是电力系统短期负荷预 测,下面介绍几种误差的评判方法以及指标:
(1)绝对误差以及相对误差
卩代表负荷的预测值,那么尹代表负荷的实际值,所以绝对误差是负荷的实际值与 预测值的差E =儿-yi,相对误差为* y^y-x 100% (3.2)
(2)平均绝对误差 MAE
 
 
平均相对误差 MAPE
MAPE = - 土 j = - £ 仍二可
电力系统短期负荷预测的总点数为 n ,如一天共 24h, n=24, i 点时刻的电力系统 负荷预测值为y. i点时刻的电力系统负荷实际值为yi。
根据国调中心颁布的日前负荷预测管理规定,本文采取绝对误差以及相对误差、平 均绝对误差、平均相对误差作评价依据,与本地电网调控部门实际的要求相符合,这样 调度员就可以直接判断预测结果的精准度。
3.2输入样本的选取与预处理
利用神经网络拥有自学习能力、可拟合任意连续函数的能力、以及容易处理非线性 输入值的能力及通过学习历史数据建立模型等优点,采集辽阳区域历史负荷数据,对神 经网络输入及输出结点进行选定,预测电力系统短期的负荷变化规律,预测未来某时段 电力系统负荷情况。比对、分析负荷变化的影响因素,结合模型量化选取的影响因素, 便于带入算法运行。
3.2.1影响负荷因素的分析
应用 matlab 进行建模预测是需要大量历史数据作支撑,利用历史负荷数据,结合
32 影响因素,对未来的负荷数据做预测。在第三章分析了电力负荷预测相关的影响因素, 如气象条件中温度因素和天气状况这两方面对电力负荷影响较大,模型中两个输入量为 每天的最高温度及最低温度,模型中另两个输入量是量化后的降雨量及光照情况。这样 更贴近实际将负荷的变化情况变现出来。
3.2.2学习样本的选取
影响建模过程中的学习速率、效果及预测精准度的重要因素包括:学习样本的质量 m和数量n。在辽阳区域电力短期负荷预测中,2019年夏季、秋季及2020年冬季温度因 素和天气状况已包含在模型输入中,那学习样本可依据日期作区分,本文构建两个样本 集,工作日期间的样本集和休息日期间的样本集。
3.2.3输入样本预处理
(1)只在某区间内变化的温度,对负荷具有相似的影响。当温度超过或低于一个 合适的范围时,对负荷的影响会很大,因此结合辽阳区域气候特点,对温度进行如图3.8 的量化处理。
1.0 -1.0 -0.8 -0.6 -0.4 0 0.6 0.8 1.0 (取值}
 
 
-5 0 5 10 15 25 30 35 (乜)
 
图 3.8 温度的量化取值
Figure 3.8 Quantitative value of temperature
(2)负荷数据的归一化处理 为避免神经元出现饱和情况,进行归一化处理网络输入的数据。由式(3.5)将负
荷的实际值等价替换-1到1区间内的数值,用式(3.6)在输出层等价替换回负荷的实 际值。
Xi - (Xmm + Xmax)
yi = - (3.5)
—(x - x .)
- max min
X = 2 (Xmax - Xmin )yi + — (Xmax + Xmin ) ^6)
式中,X,为归一化前输入的样本值,y.为归一化后输入的样本值;xmin是训练系统 中输入的变量最小值,xmax是训练系统中输入的变量最大值。
(3)降雨的量化 在非灌溉季节降雨一般分为大暴雨、暴雨、大雨、中雨、小雨及无雨等6种情况,
33
与温度的量化方法相似,经分析后设置取值如图 3.9 所示。
0 0.2 0.4 0.6 0.9 1.0 (取值)
1 i 1 I: 1 :.l
1 1 1 1 1 1 I 1. .1
(降雨/mm)
0 10 25 50 100
小雨 中雨 大雨 暴雨 大暴雨
 
图 3.9 降雨的量化
Figure 3.9 Quantification of rainfall
(4)光照的量化
光照的划分为晴天、少云、多云、阴天、下雨五种情况,经过分析光照的量化为: 晴天=0.2,少云=0.4,多云=0.6,阴天=0.8,下雨=1。
根据第二章辽阳区域电力负荷特点,将对辽阳区域负荷预测影响较大的因素如:所 有历史实际负荷数据、气象、温度数据均经预处理,为后续模型构建打下基础。
3.3本章小结
本章主要介绍短期电力负荷预测影响因素分析及数据预处理。对电力系统短期负荷 预测影响因素及特点、预测基本过程、误差产生及原因分析、误差评价指标等方面进行 介绍,通过对用电负荷折线图进行分析,考虑时间、气候、经济以及随机因素对电力系 统短期负荷预测带来的影响,重点进行影响因素的相关性分析。根据影响因素进行数据 的量化及归一化处理,为后续模型构建打下基础。
34
第四章 基于BP神经网络的短期电力负荷预测
近十几年来,利用人工神经网络模型进行负荷预测是使用较为广泛的模型之一,因 神经网络拥有自学习能力、可拟合任何连续性函数的能力、以及容易处理非线性输入值 的能力进而实现对电力负荷多种变化趋势的捕捉。近几年,应用神经网络在电力系统短 期的负荷预测中取得很好的效果,主要是采用误差逆行传播的BP神经网络算法,在电 力系统负荷预测逐渐成为主流模型。在第三章对短期电力负荷预测影响因素分析及数据 预处理的基础上,本章对人工神经网络、BP神经网络算法进行分析,利用BP神经网络 算法在MATLAB仿真软件中建模,结合历史负荷数据及影响因素对辽阳区域2019年夏季、 秋季及 2020 年冬季预测日进行短期负荷预测。
4.1BP 神经网络算法研究
4.1.1神经网络概述
由局部外界输入和互相连接的非线性属性的神经元装置组成了 ANN-人工神经网络, 任意一个神经元的输入及输出的联系可以由Sigmoid函数表达(Ji Hongwei, Li Shuang, Xin Huizhen, -0—7),当由互相连接的大量神经元所做组成的神经网络,其运算能力、 问题处理能力非常强大oBP-NN是BP神经网络是一种前向神经网络中的误差逆行传播神 经网络,该模型多用于电力系统短期负荷预测,由于能够拟合任意非线性模型,适合解 决时间序列问题,特别是随机平稳过程中的预测。
ANN中神经元可以看做是一个单输出、多输入的非线性元器件,互联的大量神经元 最终构成了复杂的人工神经网络。单一计算单元的结构如图4. 1。
 
图 4.1 单一计算单元的结构图
Figure 4.— Structure diagram of a single cell
 
单一计算单元也可称为神经元,神经元是一个单输出、有变量、多输入的非线性单
35
元,叫(j = 1,2,...,r)是权值分量将Pj(j=1, 2..., r)输入分量相连接,通过£w]p]求和形
j=1
成激活函数f(.)的输入值。计算单元被激活的条件则是,b小于加权之后的输入向量和
r
£ wjpj 。
j=1
P的列矢量可代表Pj的矩阵形式,W的行矢量可代表权值Wj。
W = [W1,叫,…,w」 (4.1)
P = [P1, P2,…,Pr (4.2)
式(4.3)则为单一计算单元模型的输出矢量。
r r
A = f (W - P + b) = f £w jp j + b (4. 3)
(j=1 丿
几种激活函数f(.)表达形式如下:
(1)分段线性函数 不可微是分段线性函数最主要特征,且根据表达式可以直观看出是阶跃型函数。
1 v > 1
几=f(叫)=< 2(1+v)j<v<1
0 v < -1
(2)阈值型函数 根据表达式可以看出阈值型函数也是阶梯函数,输出状态只有(0,1)或者(-1,+1) 且是由任意输入值转化而成。
 
 
 
(3)高斯函数
高斯函数也是特征函数,可在电力系统短期负荷预测中用作激活函数。
(4.7)
(4)Sigmoid 函数
根据式(4.8)可以看出 Sigmoid 函数在区间[-1,1]内单调递增,且函数曲线光滑 连续、函数本身单调可微。
36
yk = / (vk ) = — + e-v (4. 8)
不同种拓扑结构的ANN都是由很多神经元聚合成的,已存在数十种基于ANN的整合 形式划分而不同的模型结构,反馈模型神经网络以及前馈模型神经网络则是其中最有代 表性的两种神经网络模型。
4.1.2BP 神经网络算法概述
BackPropagation-BP-NN作为目前最广泛应用的人工神经网络模型,其数据经过误 差逆行传播算法训练达到映射的多层前馈网络模型(李琛,2019)。BP-NN是通过最速 下降的方法进行学习,为了使网络的误差平方和最小,通过逆行传播来不断更新ANN的 阈值和权值(陆继翔,2019)。
BP-NN计算网络AW =耳匚连接权值,则需一个E(W,U)的误差函数,U是全部样本 dW
模式的集合,W是全部连接权值形成的向量。初始值是将随机值赋予每一个连接权值, 而连接权值相应的调整值是应用最速下降的方法得到的:
AW = “- (4. 9)
dW
算法直到误差函数达到要求的范围之前,不断修正网络的连接权值。根据BP-NN计 算思路,衍生出很多误差逆行学习算法:
(1) BP-NN的误差函数E是平方误差函数,同理概率误差逆行算法可以理解为,应 用误差逆行算法进行计算,将式(4.9)中E代表概率误差函数即可。
dE
(2) 竺的计算法可由相同方法得到,前提是连续可导的作用函数应用于前向神 dW
经网络的神经元。
(3) BP-NN的泛化能力比较强,同时也有收敛速度过慢的固有缺陷,陷入局部的极 值易导致训练不成功。
BP-NN的构架由输入层、隐含层、输出层三部分组成,结构如下图4.2。在实际应 用中因地制宜来确定设置多少输入层神经元、设置多少输出层的神经元,对应着输入输 出的维度。单层或多层结构对于隐含层来说都是可以的,定义每层多少神经元也无具体 限制(王冰山等,2015)。
37
图 4.2 BP-NN 结构图
Figure 4.2 BP-NN structure diagram
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
4.1.3BP 神经网络算法分析 定义各变量如下:
⑴输入向量为:X = (X],x2,…,xj,…,xny
⑵隐含层输出向量为:Y =(〃’,…比,…,ym);
⑶输出层输出向量为:O = (O],o2,…,ok,…,o{)
(4)期望输出向量为:D = (%,d2,...,dk,…,d$
⑸输入层与隐含层连接的权值矩阵可以表示为:K = (%,乙,…,乙,…,Vm );
(6)隐含层与输出层连接的权值矩阵可以表示为:W = (%%,•••,%,…W)
转移函数应用在 BP-NN 算法中主要有以下几种:
(1)双极型 Sigmoid 函数为:
2)单极型 Sigmoid 函数:
f(x) =
1 -e
1+e
1+e
-x
一个对于输出层中的神经元的计算方法为:
ok = f ( net k),k = 1,2,…,I
(4.10)
(4.11)
(4.12)
 
 
 
 
 
 
 
 
 
m
netk =£ wjkyj, k = 1,2,-,l
j=0
基于人工神经元网络的运算规则中基于隐含层,有:
yj = f ( net j ), j = 1,2,…,m
n
net j =£ vjxi, j =1,2,…,m
i=0
对输出误差 E 定义如下:
E = 2( D - o)2 = 2 £(dk - ok )2
把上述误差式子在隐含层展开:
11 C m
-f (netk) ] = 2E dk - f £ wjkyj
2k=1 I j=0
进一步在输入层展开:
=1 £\dk-f Ewjkf (netJ) [ =1工仏-f 工wf |工vy:xi 2 k=1 I Lj=0 JI
隐含层—输出层权值的修正量是:
dE dE dnetk
Aw., =-〃- =一〃- -, j
jk dwjk dnetk dw
输入层—隐含层权值的修正量是:
a dE dE dnetk • n . o •“
Avij =-H — = -H  ,i = 0,1,2,…,n ;j = 1,2,・・・,m
dvij dnetk dvij
ij k ij
在式(4.19)和式(4.20)中,负号代表了梯度下降,“ (0,1)为学习步长。
信号为:
5o = dE
k dnetk
5y =--dE-
j dnet j
将式(4.21)及式(4.22)分别带入式(4.19)及式(4.20)中,则有:
Awjk = "a
Avj =
展开式(4.21)和式(4.22),有:
"盍k=~dk爲"冷f (叫)
dE 8E 即/ 8E ”
卫= = —= f (net^ ) (4. 26)
j dnetj dyj dnetj dyj ' j /
利用式(4.13)可得:
= —(dk - ok) (4.27)
利用式(4.15)可得:
B = -£(dk- ok)f (netk) wjk (4.28)
By j k=1
将式(4.27)及式(4.28)分别代回式(4.23)及式(4.24),并结合式(4.10)、式(4.25) 以及式(4.26)得:
Awjk =朮a =v(dk -ok )ok (1-ok )yj (4. 29)
Avj = " j,=彳£%叫]yj (1- yj) xj ④30)
在模型中进行迭代更新 BP-NN 算法前向计算单元网络权值,可以应用式(4.29)和式 (4.30)实现,算法终止的条件一是达到预先设置的迭代次数,二是模型构架中数据达到 网络所设置的误差要求(J,Kennedy, C,Eberhart,2017)。
4.2基于 BP 神经网络算法预测建模
4.2.1BP 神经网络算法的模型框架
应用 BP 神经网络算法进行短期的负荷预测,首先需要对输出和输入节点进行定量 分析,单输出及多输出是依据神经元的数量决定的。本文采取多输出架构,预测日需要 预测的小时数量一般为 24 或 48 个,本文相应设置 24 个输出层的神经元进行建模。
(1)输入值与输出值
本文第二章介绍了电力负荷预测影响的时间因素,存在日周期性及周周期性质,负 荷是以 24h 周期性反复变化的,同时又具备明显的周周期性质,为表达这个特性,把预 测日前一星期 S 时刻的历史负荷值、预测日前两天 S 时刻及前一天 S 时刻的历史负荷值 作为模型的输入值。因为温度因素、天气因素作为对负荷变化规律具有非常重要的影响, 把预测日的最高、最低温度作为输入值,把预测日经数据预处理后的光照及降雨量也作 为输入值。输入输出量见表 4.1 模型输入输出量。
40
 
表 4.1 模型输入输出量
Form 4.1 Model inputs and outputs
输入节点 相应输入量
1 预测日前一星期S时刻的实际负荷数据
2 预测日前一天S时刻的实际负荷数据
3 预测日前两天S时刻的实际负荷数据
4 预测日的最高温度
5 预测日的最低温度
6 预测日的降雨量
7 预测日的光照
输出节点 相应输出量
1 预测日S时刻预测负荷
 
(2)隐含层
BP-NN 预测模型是一个三层神经网络:输入层、输出层、隐含层各一层,根据 Kolmogorov 理论(W, Liu, K, Wang, M, Tang, 2016): m 个神经元在输入层、n 个 神经元在输出层、2m+1个神经元位于隐含层,应用试凑法对(1 -§, l + 5) 矢N区间内 的数值进行对比,结合权重总值及样本的容量综合考虑,得出网络模型中最适合的隐含 层节点数量。本文建立具备7个输入端及1个输出端的负荷预测的BP-NN架构,根据数 学模型稳定性要求,按照权重的总数不应大于样本集的容量值。因此应用的数学模型中, 设置5个节点在隐含层比较合适,即形成7-5-1的BP-NN结构用以训练样本数据。
(3)传输函数
本文中选择神经元的传输函数为双曲正切函数,将训练样本的输入值映射到-1 至 1 区间内,让正在训练的输入变量有较大的阈值范围,反映出准确的输入输出关系。
 
(4)负荷预测的BP-NN结构
根据第三章中影响负荷预测因素相关性分析可得,预测日前一星期S时刻的历史负 荷值、预测日前两天S时刻、预测日前一天S时刻的历史负荷值、日最高温度、日最低 温度、光照程度、降水程度与预测日负荷预测相关性强、影响较大。并将负荷数据进行 归一化处理,温度数据、光照程度及降水程度进行量化处理,完成输入样本的预处理, 带入模型进行训练,输出数据还原为预测负荷值。负荷预测的BP-NN结构如图4.3。
41
 
图 4.3 负荷预测的 BP-NN 结构
Figure 4.3 BP-NN structure of load forecast
4.2.2MATLAB 仿真建模
被称为“第四代” IT语言的MATLAB是一种强大的工程语言工具,有着语句简单、 应用便捷、开放性好、编程高效、强大的包涵与扩展能力、特别对向量及矩阵计算速率 快等特点,使得人们不用再进行繁琐的程序代码编写,就可以高效的进行大量的数据处 理。现如今 MATLAB 已经成为主流建模仿真软件及矩阵计算的首选工具,部分大学已经 将 MATLAB 的学习列入选修课程。
便于对特定的需求进行扩展是 MATLAB 开放式结构的最大优点,在设计控制系统、 图形与信号处理、通信传输等领域被广泛应用,现已应用于电力系统短期负荷预测仿真 实验。具有针对具体应用方向的仿真模块及工具箱是 MATLAB 的一大特点,包括大量的 函数集用于设计控制系统、图形与信号处理、神经网络分析等方面。应用 MATLAB 能够 实现快捷的对实际问题进行建模仿真是由于在其工具箱内涵盖着大量的学习算法库,包 括自组织网络、反馈网络、径向基网络、BP-NN网络等算法。
从非线性函数中随机得到 288 组输入、输出数据,从中随机选择 240 组作为训练数 据,用于网络训练,48 组随机随机数据作为测试数据,用于建模网络的拟合性能。设定 BP-NN 算法中的权值和阈值在区间[-1,1],随机将初始权值和阈值进行初始化设置。应 用 S 型正切函数 tansig 作为系统中隐含层的传递函数,应用线性函数 purelin 作为在 输出层神经元之间的传递函数,在 BP-NN 算法中设定 0.01 的训练目标、0.1 的学习速率、 500 次的迭代次数,建立 BP-NN 辽阳区域短期负荷预测 MATLAB 仿真模型。
42
4.3基于 BP 神经网络的辽阳地区短期负荷预测实例分析
4.3.1 基于 BP 神经网络的辽阳地区典型日 1 短期负荷预测
本文选取辽宁省辽阳市 2019 年 7 月 1 日-7 月 9 日的历史负荷数据、天气及温度数 据作为输入样本,对 BP-NN 模型进行训练,预测 2019 年 7 月 10 日的 24h 对应时刻的负 荷情况,通过对照分析验证 BP-NN 模型的预测精准度。图 4.4 为 2019 年 7 月 10 日的 24h
 
Figure 4.4 Realistic generation load curve at 24h corresponding time on July 10, 2019
 
 
图 4.5 BP-NN 预测负荷曲线
Figure 4.5 BP-NN forecast load curve
 
应用 BP-NN 对 7 月 10 日的 24h 对应时刻进行负荷的预测,在 MATLAB 仿真后如图 4.5
43
所示(负荷值单位:兆瓦)。
BP-NN 负荷预测曲线与实际负荷曲线对照比较,如图4.6(负荷值单位:兆瓦)。
 
 
 
图 4.6 BP-NN 预测负荷曲线与实际负荷曲线
Figure 4.6 BP-NN predicted load curve and actual generated load curve
 
 
 
图 4.7 BP-NN 预测负荷与实际负荷绝对误差曲线
Figure 4.7 Absolute error curve between predicted load and actual load by BP-NN
44
表 4.2 2019 年 7 月 10 日应用 BP-NN 各小时负荷的预测结果及误差对比
Form 4.2 Comparison of forecast results and errors of hourly load of BP-NN on July 10, 2019
预测时间
单位:时 7 月 10 日 实际负荷值 单位:兆瓦 7 月 10 日 BP 预测负荷值 单位:兆瓦 BP 预测绝对误差 单位:兆瓦 BP 预测相对误差
0:00 1229.21 1182.64 -46.57 -0.0379
1:00 1194.51 1182.72 -11.79 -0.0099
2:00 1202.17 1195.34 -6.83 -0.0057
3:00 1201.49 1200.31 -1.18 -0.0010
4:00 1203.08 1183.29 -19.79 -0.0164
5:00 1215.28 1198.50 -16.78 -0.0138
6:00 1226.05 1214.36 -11.69 -0.0095
7:00 1180.29 1180.10 -0.19 -0.0002
8:00 1131.08 1141.18 10.10 0.0089
9:00 1169.04 1167.37 -1.67 -0.0014
10:00 1198.53 1205.13 6.60 0.0055
11:00 1190.13 1194.56 4.43 0.0037
12:00 1185.72 1187.52 1.80 0.0015
13:00 1222.38 1239.33 16.95 0.0139
14:00 1232.22 1223.47 -8.75 -0.0071
15:00 1249.76 1213.31 -36.45 -0.0292
16:00 1262.69 1232.35 -30.34 -0.0240
17:00 1250.06 1252.75 2.69 0.0022
18:00 1192.07 1193.45 1.38 0.0012
19:00 1161.66 1160.09 -1.57 -0.0014
20:00 1175.73 1190.38 14.65 0.0125
21:00 1270.03 1177.81 -92.22 -0.0726
22:00 1297.37 1171.11 -126.26 -0.0973
23:00 1290.51 1242.74 -47.77 -0.0370
经 MATLAB 系统运行后绝对误差曲线如图 4.7。2019 年 7 月 10 日应用 BP-NN 各小时 负荷的预测结果及误差对比如表 4.2 所示,由仿真结果可得:
7 月 10 日当天实际负荷曲线与应用 BP-NN 模型的负荷预测曲线不属于很好的吻合, 特别是在负荷曲线的某些拐点处,存在预测值不能很好的跟随负荷变化而变化,甚至在 21:00-22:00的预测负荷值与实际负荷值误差较大,已属于预测失真点范围。BP-NN负 荷预测结果中的最大的相对误差为 9.73%,平均的相对误差为 1.72%,且小于 3%,在短 期负荷预测中达到精准度的要求。
4.3.2基于 BP 神经网络的辽阳地区典型日 2 短期负荷预测
选取 2019 年秋季国庆节后第一个工作日 10 月 8 日作为预测日。根据辽宁省辽阳市 2019 年 10 月 1 日-10 月 7 日的历史负荷数据、天气及温度数据作为输入样本,对 BP-NN
45
 
模型进行训练,预测2019年10月8日的24h对应时刻的负荷情况,通过对照分析验证
BP-NN模型的预测精准度。图4.8为2019年10月8日的24h对应时刻的实际负荷曲线。
 
图 4.9 BP-NN 预测负荷曲线
Figure 4.9 BP-NN forecast load curve
应用BP-NN对10月8日的24h对应时刻进行负荷的预测,在MATLAB仿真后如图4.9 所示(负荷值单位:兆瓦)。
46
 
BP-NN 负荷预测曲线与实际负荷曲线对照比较,如图 4.10(负荷值单位:兆瓦)。
BP网络测试集预测
-*-测试数据集实际值 -+ - BP网络预测值
米、_
1200丄
粒 1150
1100
1050
1000 1 1 1 1 1 1 1 1 1 1 1
2 4 6 8 10 12 14 16 18 20 22 24
样本编号
 
图 4.10 BP-NN 预测负荷曲线与实际负荷曲线
图 4.11 BP-NN 预测负荷与实际负荷绝对误差曲线
 
Figure 4.11 Absolute error curve between predicted load and actual load by BP-NN
表 4.3 2019 年 10 月 8 日应用 BP-NN 各小时负荷的预测结果及误差对比
Form 4.3 Comparison of forecast results and errors of hourly load of BP-NN on October 8, 2019
预测时间
单位:时 10月8日 实际负荷值 单位:兆瓦 10月8日 BP 预测负荷值 单位:兆瓦 BP 预测绝对误差 单位:兆瓦 BP 预测相对误差
0:00 1227.91 1199.59 -28.32 -0.023
1:00 1224.31 1218.63 -5.68 -0.0046
2:00 1216.24 1212.95 -3.29 -0.0027
3:00 1206.66 1188.34 -18.32 -0.0151
4:00 1197.52 1189.17 -8.35 -0.0069
5:00 1224.79 1207.47 -17.32 -0.0141
6:00 1220.23 1162.93 -57.3 -0.0469
7:00 1184.99 1186.28 1.29 0.001
8:00 1123.43 1115.45 -7.98 -0.0071
9:00 1114.87 1105.31 -9.56 -0.0085
10:00 1122.69 1138.01 15.32 0.01364
11:00 1154.56 1162.45 7.89 0.0068
12:00 1101.66 1105.64 3.98 0.0036
13:00 1121.68 1145.28 23.6 0.021
14:00 1145.2 1120.22 -24.98 -0.0218
15:00 1155.34 1114.14 -41.2 -0.0356
16:00 1162.82 1122.08 -40.74 -0.035
17:00 1150.39 1156.93 6.54 0.0056
18:00 1108.64 1103.32 -5.32 -0.0047
19:00 1115.16 1077.56 -37.6 -0.0337
20:00 1155.22 1068.72 -86.5 -0.0748
21:00 1203.12 1146.82 -56.3 -0.0467
22:00 1252.54 1136.94 -115.6 -0.0922
23:00 1243 1192.68 -50.32 -0.0404
经MATLAB系统运行后绝对误差曲线如图4.11。2019年10月8日应用BP-NN各小 时负荷的预测结果及误差对比如表4.3所示,由仿真结果可得:
10月8日当天实际负荷曲线与应用BP-N N模型的负荷预测曲线不属于很好的吻合, 特别是在负荷曲线的某些拐点处,存在预测值不能很好的跟随负荷变化而变化,甚至在 15:00-16:00的预测负荷值与实际负荷值误差较大,已属于预测失真点范围。BP-NN负 荷预测结果中的最大的相对误差为9.22%,平均的相对误差为2.35%,且小于3%,在短 期负荷预测中达到精准度的要求。
4. 3. 3基于BP神经网络的辽阳地区典型日3短期负荷预测
48
 
选取辽宁省辽阳市2020年12月13日-12月21日的历史负荷数据、天气及温度数 据作为输入样本,对BP-NN模型进行训练,预测2020年12月22日的24h对应时刻的 负荷情况,通过对照分析验证BP-NN模型的预测精准度。图4.12为2020年12月22日
 
Figure 4.12 Realistic generation load curve at 24h corresponding time on December 22, 2020
 
 
BP网络测试集预测
 
图 4.13 BP-NN 预测负荷曲线
Figure 4.13 BP-NN forecast load curve
应用BP-NN对12月22日的24h对应时刻进行负荷的预测,在MATLAB仿真后如图
 
49
4.13 所示(负荷值单位:兆瓦)。
Figure 4.14 BP-NN predicted load curve and actual generated load curve
BP网络测试集预测误差
冏徑昱底连芟n-m
图 4.15 BP-NN 预测负荷与实际负荷绝对误差曲线
Figure 4.15 Absolute error curve between predicted load and actual load by BP-NN
50
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
表 4.4 2020 年 12 月 22 日应用 BP-NN 各小时负荷的预测结果及误差对比
Form 4.4 Comparison of forecast results and errors of hourly load of BP-NN on December 22, 2020
预测时间
单位:时 12 月 22 日 实际负荷值 单位:兆瓦 12月 22 日 BP 预测负荷值 单位:兆瓦 BP 预测绝对误差 单位:兆瓦 BP 预测相对误差
0:00 1270.02 1284.95 14.93 0.012
1:00 1258.26 1270.75 12.49 0.01
2:00 1262.03 1270.66 8.63 0.007
3:00 1251.43 1265.65 14.22 0.011
4:00 1209.08 1224.77 15.69 0.013
5:00 1211.83 1261.61 49.78 0.041
6:00 1232.54 1226.73 -5.8 -0.005
7:00 1235.33 1263.84 28.51 0.023
8:00 1171.83 1174.2 2.37 0.002
9:00 1225.09 1240.69 15.6 0.013
10:00 1284.23 1234.18 -50.04 -0.039
11:00 1285.07 1260.95 -24.11 -0.019
12:00 1223.36 1214.7 -8.65 -0.007
13:00 1261.37 1272.55 11.18 0.009
14:00 1307.18 1277.56 -29.61 -0.023
15:00 1275.14 1281.18 6.04 0.005
16:00 1290.26 1285.57 -4.69 -0.004
17:00 1273.15 1261.8 -11.34 -0.009
18:00 1210.39 1250.11 39.72 0.033
19:00 1247.24 1247.22 -0.01 0
20:00 1312.3 1330.52 18.22 0.014
21:00 1375.33 1377.12 1.79 0.001
22:00 1406.31 1390.01 -16.3 -0.012
23:00 1326.21 1329.27 3.06 0.002
经 MATLAB 系统运行后绝对误差曲线如图 4.15。2020 年 12 月 22 日应用 BP-NN 各小 时负荷的预测结果及误差对比如表 4.4 所示,由仿真结果可得:
12月22日当天实际负荷曲线与应用BP-NN模型的负荷预测曲线不属于很好的吻合, 特别是在负荷曲线的某些拐点处,存在预测值不能很好的跟随负荷变化而变化,甚至在 10:00-11:00的预测负荷值与实际负荷值误差较大,已属于预测失真点范围。BP-NN负 荷预测结果中的最大的相对误差为 4.1%,平均的相对误差为 1.31%,且小于 3%,在短期 负荷预测中达到精准度的要求。
因辽阳区域电力系统短期负荷预测多是依靠负荷预测人员长期积累的经验,由第 N-6 天及第 N-1 天的负荷数据结合比如气候、日期类型、市场、经济、政治、所在地区 的地理位置等多种因素的影响预测出第 N+1 天的负荷数据,当出现特殊因素影响时会存
51
在着较大误差,误差超过10%的情况较多,所以本章研究的基于BP神经网络的短期负荷 预测确实提高了负荷预测的精准度,为电力系统调度部门上报负荷预测数据提供很大的 参考价值。
4.4本章小结
介绍神经网络算法及基本特点,对BP神经网络的算法及流程进行分析,应用BP-NN 算法在仿真软件中建模,对辽阳区域2019年夏季、秋季及2020年冬季预测日进行短期 负荷预测实例分析,均证实相较于人工预测的结果,精准度已经有很大提升,相对误差 均在10%以内,在短期负荷预测中达到精准度要求。但是应用BP-NN模型的负荷预测曲 线与实际负荷曲线不属于很好的吻合,部分数据已属于预测失真点范围。
52
第五章 基于改进 BP 神经网络的短期电力负荷预测
通过第四章的分析得知在预测实际情况中,神经网络易陷入局部极值,且训练速度 慢的特点导致在线预测负荷变化趋势时存在限制。针对电力系统短期的负荷预测,本章 节论述了改进方法,利用PSO算法结合BP-NN进行优化,提出了 PSO-BPNN模型对电力 系统进行短期的负荷预测。并与BP-NN实现短期的负荷预测进行对比分析,进而验证采 用该方法是否能使学习速率有所提升,是否能提高负荷预测精准度。
5.1粒子群算法研究
5.1.1粒子群算法概述
自然界中动物们凭借本能的某些行为,为科学家们探索自然界的优化规律提供了宝 贵的参考,进而总结规律逐渐发展成了进化算法,以解决实际中各类需要进行优化问题。
鱼群、蚁群、粒子群等优化算法均是基于大自然生物群体的进化理论而产生的,在 生物群体中有一项重要观点就是“生物群体中不断进化的优势是由信息共享产生的”(康 重庆等,2017)。
在鸟群聚集模型的基础上结合人工生命的研究,1995年科学家第一次将粒子群优化 模型向社会公布,模仿群体对社会的认知过程,目标是对抽象的事物建立恰当的模型进 而实现仿真。模型中粒子会不断修正自我都模型空间的认知,通过学习适应、合作竞争、 信息交流等训练实现。最终目标是寻找到复杂空间中最优极值,训练过程中伴随着优秀 个体被群体中其他个体模仿,进一步实现适应性的进化及修正。
5.1.2粒子群算法分析
PSO算法表示粒子群算法,一个空间内有n个维度,设存在m个没有体积的粒子组 成种群X = {x”…,xl,…,xm },其中兀=(xi1,兀2,…,xin )T表示第i个粒子位置,而
Vi =(匕1, Vi 2,…,vin )T表示第i个粒子速度。Pi =(p.i, P.2,…,Pi,)表示空间中所有粒子的
个体极值, Pg =( Pgi, Pg 2,…,Pgn )"则代表空间中所有粒子全局的最优极值。种群中当进
 
 
行到第j次迭代时,每个在种群中的粒子按照式(5. 1)和式(5. 2)来修正自己现有的位置
及速度。 唸=V:” + ciri (pm”- xl,mn ) + c2r2 (P^n - ^” ) (5・ 1)
xJ+1 = xJ + v7+1 (5. 2)
m” m” m”
式中:m=1, 则m代表群体的规模;n=1, 2,..,n,则n代表搜索空间的维数;j
代表算法的迭代次数;c 1及6是加速常数,代表最大的步长用作修正粒子向最优值靠近, 取值过小会引起飞出目标的区域,取值过大会引起飞过目标区域,一般取值5=6=2; 口 及r2通常取[0,1]区间的随机数;vm^n是m粒子第j次迭代现有速率的n维向量;x^是
53
m粒子第j次迭代现有位置的n维向量;pjn是m粒子第j次迭代个体现有最优位置pbest 的 n 维向量; pgjn 是第 j 次迭代群体中现有最优位置 gbest 的 n 维向量。
调整粒子现有速率是通过三个步骤,经训练粒子调整之前本身的运动速率进而向全 局最优值进行转化,代表动量部分是式中第一步;基于自身的经验进行下一次动作,代 表认知部分是式中第二步;基于网络中其他粒子经验的总结进行下一次动作,代表社会 部分是式中第三步。通过式中这三步信息数据的采集,粒子持续的修正运动速率以及运 动的方向(魏宏阳等,2016)。
5.1.3粒子群算法的模型框架
PSO 算法首先对粒子群进行速率和位置的初始化设定,依据适应函数得出第 i 个粒 子相应的适应度值m,第i个粒子经历过的最优极值位置时与适应度值m作比较,若适 应度值 m 较好则将 m 作为自身的最优极值位置。同理种群路过的最优极值位置与第 i 个 粒子适应度值 m 作比对,若适应度值 m 较好则将 m 作为种群的最优极值位置。根据 PSO 算 法更迭粒子位置数据、速率数据,并计算下一个粒子。粒子群算法流程图如图 5.1。
 
图 5.1 PSO 算法流程图
Figure 5.1 Flow chart ofPSO algorithm
 
54
 
5.2基于粒子群优化神经网络算法预测建模
5.2.1 基于粒子群优化神经网络算法概述
PSO-BPNN 的基本原理为通过 PSO 算法对 BP-NN 输入值进行优化处理,防止 BPNN 出 现训练时易陷入局部极值的情况,提升 BP-NN 训练速率。寻找合适的网络阈值和权值, 防止网络全局误差扩大化,进行参数优化。用PSO算法结合BP-NN训练时,PSO的位置向 量人表示BP-NN的阈值及全体的连接权值。第一步对PSO的位置向量人进行初始化,然 后用 PSO 算法寻优,找到最好的位置,使式(5.3)适应值需要迭代到最小极值。
(5.3)
式中tjk是目标值,m个输出的结点,fjk为计算值,n个训练集合样本。
 
为了优化 BPNN 易陷入局部极值、学习速率较慢等不足,本文提出一种将 BPNN 与 PSO 算法相结合起来的预测模型,如图5. 2 PSO-BPNN流程图,其算法过程如下:采取PSO 算法优化BP神经网络模型,在迭代粒子群体期间,依据适应函数得出第i个粒子相应 的适应度值m,第i个粒子经历过的最优极值位置时与适应度值m作比较,若适应度值 m较好则将m作为自身的最优极值位置(Dinh Thanh Vie, Vo Van Phuong, Minh Quan Duong, Quoc Tuan Tran, 2020)。同理种群路过的最优极值位置与第i个粒子适应度值 m作比对,若适应度值m较好则将m作为种群的最优极值位置。因此种群中优良粒子既 保留下来,种群在空间中的全局搜索能力及种群多样性也得到提升。PSO算法帮助BPNN 进行初始寻优,近似于最优解的适应度值上进行参数的寻优过程,是BPNN寻优的速率 和精确度大幅提升。
5.2.2 MATLAB 仿真建模
第四章已经分析利用MATLAB仿真软件进行辽阳区域短期负荷预测建模,本章运用 PSO-BPNN算法,在MATLAB仿真软件中BP工具箱中PSO-BPNN函数建立辽阳区域电力系 统短期负荷预测模型。MATLAB仿真软件中工具箱是运用MATLAB语言搭建出各类神经网 络系统的工具函数。很多有关神经网络的工具箱函数在MATLAB仿真软件中都已被专门 编制,该工具为PSO-BPNN算法在各个领域的研究提供了有利条件。PSO-BPNN短期负荷 预测实现的主程序如图5.3。
 
 
图 5.3 PSO-BPNN 短期负荷预测流程图
Figure 5.3 Flow chart of short-term load forecast for PSO-BPNN
56
 
5.3基于改进 BP 神经网络的辽阳地区短期负荷预测实例分析
5.3.1 基于改进 BP 神经网络的辽阳地区典型日 1 短期负荷预测 根据第四章选取的辽宁省辽阳市 2019 年 7 月 1 日-7 月 9 日的历史负荷数据、天气 及温度数据作为输入样本,对 PSO-BPNN 模型进行训练,预测 2019 年 7 月 10 日的 24h 对应时刻的负荷情况,通过对照分析验证优化后算法的预测精准度。在 MATLAB 仿真后 在图 5.4 显示(负荷值单位:兆瓦)。
 
Figure 5.4 PSO-BPNN forecast load curve
PSO-BPNN负荷预测曲线、BP-NN负荷预测曲线与实际负荷曲线对照比较,如图5.5 负荷值单位:兆瓦)。
 
 
 
图 5.5 两种预测负荷曲线与实际负荷曲线比对
Figure 5.5 Comparison of the two predicted load curves with the load curves generated in reality
 
57
 
 
 
图 5.6 两种预测负荷值与实际负荷值绝对误差曲线比对
Figure 5.6 Comparison of absolute error curves between two predicted loads and actual loads
经仿真后绝对误差曲线在图 5.6 显示,2019 年 7 月 10 日各小时负荷的预测结果及
误差对比如表 5.1 所示
表 5.1 2019 年 7 月 10 日各小时负荷的预测结果及误差对比
Form 5.1 Comparison of forecast results and errors of hourly load on July 10, 2019
预测时间
单位:时 7月 10日 实际负荷值 单位:兆瓦 7 月 10 日 BP 预测负 荷值 单位:兆瓦 7月 10日 PSO+BP 预 测负荷值 单位:兆瓦 BP 预测绝 对误差 单位:兆瓦 PSO+BP 预测 绝对误差 单位:兆瓦 BP 预测相 对误差 PSO+BP 预测 相对误差
0:00 1229.21 1182.64 1212.29 -46.57 -16.9195 -0.038 -0.01376
1:00 1194.51 1182.72 1213.26 -11.79 18.7466 -0.010 0.01569
2:00 1202.17 1195.34 1210.47 -6.83 8.2957 -0.006 0.00690
3:00 1201.49 1200.31 1201.50 -1.18 0.0140 -0.001 0.00001
4:00 1203.08 1183.29 1202.94 -19.79 -0.1411 -0.016 -0.00012
5:00 1215.28 1198.50 1219.47 -16.78 4.1932 -0.014 0.00345
6:00 1226.05 1214.36 1218.84 -11.69 -7.2125 -0.010 -0.00588
7:00 1180.29 1180.10 1179.51 -0.19 -0.7792 0.000 -0.00066
8:00 1131.08 1141.18 1132.44 10.10 1.3620 0.009 0.00120
9:00 1169.04 1167.37 1167.90 -1.67 -1.1377 -0.001 -0.00097
10:00 1198.53 1205.13 1198.66 6.60 0.1335 0.006 0.00011
11:00 1190.13 1194.56 1187.15 4.43 -2.9760 0.004 -0.00250
12:00 1185.72 1187.52 1189.10 1.80 3.3839 0.002 0.00285
13:00 1222.38 1239.33 1223.43 16.95 1.0495 0.014 0.00086
14:00 1232.22 1223.47 1232.36 -8.75 0.1432 -0.007 0.00012
 
58
 
15:00 1249.76 1213.31 1249.76 -36.45 0.0037 -0.029 0.00000
16:00 1262.69 1232.35 1262.69 -30.34 0.0000 -0.024 0.00000
17:00 1250.06 1252.75 1250.07 2.69 0.0091 0.002 0.00001
18:00 1192.07 1193.45 1192.86 1.38 0.7864 0.001 0.00066
19:00 1161.66 1160.09 1161.98 -1.57 0.3166 -0.001 0.00027
20:00 1175.73 1190.38 1226.98 14.65 51.2530 0.012 0.04359
21:00 1270.03 1177.81 1262.69 -92.22 -7.3400 -0.073 -0.00578
22:00 1297.37 1171.11 1262.69 -126.26 -34.6800 -0.097 -0.02673
23:00 1290.51 1242.74 1262.69 -47.77 -27.8200 -0.037 -0.02156
由仿真结果可明显看出:相对于BP-NN负荷预测方法,PSO-BPNN负荷预测出的结果 与7月10日当天负荷实际值之间的误差显著减小,而且误差曲线波动没有BP-NN负荷 预测模型那么剧烈。由表5.1可得采用BP-NN负荷预测方法的预测结果中,有4处相对 误差波动大于3%的预测失真点,多达12处的相对误差超过1%,使7月10日当天的实 际负荷曲线与BP-NN负荷预测曲线拟合程度不高。而采用PSO-BPNN负荷预测方法的相 对误差变化范围在0-3%范围内,仅有2处对误差波动大于2%的点,平均相对误差为0.6%, 显著高于未进行优化的BP-NN负荷预测方法,改善效果非常明显。
5. 3. 2基于改进BP神经网络的辽阳地区典型日2短期负荷预测
根据第四章选取的辽宁省辽阳市2019年10月1日-10月7日的历史负荷数据、天 气及温度数据作为输入样本,对PSO-BPNN模型进行训练,预测2019年10月8日的24h 对应时刻的负荷情况,通过对照分析验证优化后算法的预测精准度。在MATLAB仿真后 在图 5.7 显示(负荷值单位:兆瓦)。
 
图 5.7 PSO-BPNN 预测负荷曲线
Figure 5.7 PSO-BPNN forecast load curve
59
 
PSO-BPNN负荷预测曲线、BP-NN负荷预测曲线与实际负荷曲线对照比较,如图5.8
负荷值单位:兆瓦)。
 
 
 
图 5.8 两种预测负荷曲线与实际负荷曲线比对
Figure 5.8 Comparison of the two predicted load curves with the load curves generated in reality
 
图 5.9 两种预测负荷值与实际负荷值绝对误差曲线比对
Figure 5.9 Comparison of absolute error curves between two predicted loads and actual loads
经仿真后绝对误差曲线在图 5.9 显示,2019 年 10 月 8 日各小时负荷的预测结果及
60
 
误差对比如表 5.2 所示
表 5.2 2019 年 10 月 8 日各小时负荷的预测结果及误差对比
Form 5.2 Comparison of forecast results and errors of hourly load on October 8, 2019
预测时间
单位:时 12 月 22 日 实际负荷值 单位:兆瓦 12 月 22 日
BP 预测负 荷值 单位:兆瓦 12月 22 日 PSO+BP 预测 负荷值 单位:兆瓦 BP 预测绝对 误差 单位:兆瓦 PSO+BP 预测 绝对误差 单位:兆瓦 BP 预测相 对误差 PSO+BP 预测 相对误差
0:00 1227.91 1199.59 1214.34 -28.32 -13.5692 -0.023 -0.011
1:00 1224.31 1218.63 1227.55 -5.68 3.2486 -0.0046 0.0026
2:00 1216.24 1212.95 1222.09 -3.29 5.8512 -0.0027 0.0048
3:00 1206.66 1188.34 1207.98 -18.32 1.3231 -0.0151 0.001
4:00 1197.52 1189.17 1184.66 -8.35 -12.8546 -0.0069 -0.0107
5:00 1224.79 1207.47 1177.57 -17.32 -47.2103 -0.0141 -0.0385
6:00 1220.23 1162.93 1217.96 -57.3 -2.314 -0.0469 -0.0018
7:00 1184.99 1186.28 1185.37 1.29 0.3854 0.001 0.0003
8:00 1123.43 1115.45 1121.95 -7.98 -1.4789 -0.0071 -0.0013
9:00 1114.87 1105.31 1120.54 -9.56 5.6741 -0.0085 0.005
10:00 1122.69 1138.01 1125.34 15.32 2.6514 0.01364 0.0023
11:00 1154.56 1162.45 1151.45 7.89 -3.1012 0.0068 -0.0026
12:00 1101.66 1105.64 1109.64 3.98 7.9841 0.0036 0.0072
13:00 1121.68 1145.28 1116.69 23.6 -4.9871 0.021 -0.0044
14:00 1145.2 1120.22 1145.84 -24.98 0.6471 -0.0218 0.0005
15:00 1155.34 1114.14 1156.32 -41.2 0.9874 -0.0356 0.0008
16:00 1162.82 1122.08 1161.34 -40.74 -1.4744 -0.035 -0.0012
17:00 1150.39 1156.93 1143.81 6.54 -6.5741 0.0056 -0.0057
18:00 1108.64 1103.32 1098.22 -5.32 -10.4144 -0.0047 -0.0093
19:00 1115.16 1077.56 1107.94 -37.6 -7.2131 -0.0337 -0.0064
20:00 1155.22 1068.72 1154.19 -86.5 -1.0231 -0.0748 -0.0009
21:00 1203.12 1146.82 1206.68 -56.3 3.5674 -0.0467 0.0029
22:00 1252.54 1136.94 1224.32 -115.6 -28.2189 -0.0922 -0.0225
23:00 1243 1192.68 1241.52 -50.32 -1.4714 -0.0404 -0.0011
由仿真结果可明显看出:相对于BP-NN负荷预测方法,PSO-BPNN负荷预测出的结果 与10月8日当天负荷实际值之间的误差显著减小,而且误差曲线波动没有BP-NN负荷 预测模型那么剧烈。由表5.2可得采用BP-NN负荷预测方法的预测结果中,有8处相对 误差波动大于3%的预测失真点,多达14处的相对误差超过1%,使10月8日当天的实 际负荷曲线与BP-NN负荷预测曲线拟合程度不高。而采用PSO-BPNN负荷预测方法的相 对误差变化范围在0-3%范围内,仅有2处对误差波动大于2%的点,平均相对误差为0.6%, 显著高于未进行优化的BP-NN负荷预测方法,改善效果非常明显。
5. 3. 3基于改进BP神经网络的辽阳地区典型日3短期负荷预测
根据第四章选取的辽宁省辽阳市2020年12月13日-12月21日的历史负荷数据、
61
天气及温度数据作为输入样本,对 PSO-BPNN 模型进行训练,预测 2020 年 12 月 22 日的 24h 对应时刻的负荷情况,通过对照分析验证优化后算法的预测精准度。在 MATLAB 仿真 后在图 5.10 显示(负荷值单位:兆瓦)。
 
Figure 5.10 PSO-BPNN forecast load curve
PSO-BPNN负荷预测曲线、BP-NN负荷预测曲线与实际负荷曲线对照比较,如图5. 11 负荷值单位:兆瓦)。
 
 
2算法网络测试集预测比较
 
图 5.11 两种预测负荷曲线与实际负荷曲线比对
Figure 5.11 Comparison ofthe two predicted load curves with the load curves generated in reality
 
62
 
2算法网络测试集预测误差比较
 
样本编号
图5.12两种预测负荷值与实际负荷值绝对误差曲线比对
Figure 5.12 Comparison of absolute error curves between two predicted loads and actual loads 经仿真后绝对误差曲线在图5.12显示,2020年12月22日各小时负荷的预测结果 及误差对比如表 5.3 所示
表5.3 2020年1 2月22日各小时负荷的预测结果及误差对比
Form 5.3 Comparison of forecast results and errors of hourly load on December 22, 2020
预测时间
单位:时 12 月 22 日 实际负荷值 单位:兆瓦 12 月 22 日
BP 预测负 荷值 单位:兆瓦 12月 22 日 PSO+BP 预测 负荷值 单位:兆瓦 BP 预测绝对 误差 单位:兆瓦 PSO+BP 预测 绝对误差 单位:兆瓦 BP 预测相 对误差 PSO+BP 预测 相对误差
0:00 1270.02 1284.95 1293.83 14.93 23.81 0.012 0.01875
1:00 1258.26 1270.75 1268.69 12.49 10.43 0.010 0.00829
2:00 1262.03 1270.66 1260.13 8.63 -1.89 0.007 -0.00150
3:00 1251.43 1265.65 1249.70 14.22 -1.72 0.011 -0.00138
4:00 1209.08 1224.77 1233.33 15.69 24.25 0.013 0.02006
5:00 1211.83 1261.61 1244.75 49.78 32.92 0.041 0.02716
6:00 1232.54 1226.73 1236.42 -5.80 3.89 -0.005 0.00315
7:00 1235.33 1263.84 1262.98 28.51 27.65 0.023 0.02238
8:00 1171.83 1174.20 1175.81 2.37 3.98 0.002 0.00339
9:00 1225.09 1240.69 1232.20 15.60 7.11 0.013 0.00580
10:00 1284.23 1234.18 1243.38 -50.04 -40.85 -0.039 -0.03180
11:00 1285.07 1260.95 1251.37 -24.11 -33.69 -0.019 -0.02622
12:00 1223.36 1214.70 1218.93 -8.65 -4.42 -0.007 -0.00361
13:00 1261.37 1272.55 1246.07 11.18 -15.30 0.009 -0.01212
 
63
14:00 1307.18 1277.56 1298.15 -29.61 -9.02 -0.023 -0.00690
15:00 1275.14 1281.18 1290.98 6.04 15.84 0.005 0.01242
16:00 1290.26 1285.57 1283.25 -4.69 -7.01 -0.004 -0.00543
17:00 1273.15 1261.80 1264.46 -11.34 -8.68 -0.009 -0.00682
18:00 1210.39 1250.11 1252.51 39.72 42.12 0.033 0.03480
19:00 1247.24 1247.22 1239.93 -0.01 -7.31 0.000 -0.00586
20:00 1312.3 1330.52 1313.71 18.22 1.41 0.014 0.00107
21:00 1375.33 1377.12 1364.39 1.79 -10.93 0.001 -0.00795
22:00 1406.31 1390.01 1390.79 -16.30 -15.51 -0.012 -0.01103
23:00 1326.21 1329.27 1333.64 3.06 7.43 0.002 0.00561
由仿真结果可明显看出:相对于BP-NN负荷预测方法,PSO-BPNN负荷预测出的结果 与 12 月 22 日当天负荷实际值之间的误差显著减小,而且误差曲线波动没有 BP-NN 负荷 预测模型那么剧烈。由于 BP-NN 算法中系统的阈值和权值的修正是依靠梯度下降法来实 现的,BP-NN算法只是利用目标函数一阶导数数据,因此预测的精准度以及网络的收敛 速率均不太理想;PSO-BPN N算法中系统的阈值和权值的修正是依靠Gauss-New ton法与 梯度下降法结合而实现的,PSO-BPNN算法不仅利用目标函数一阶导数数据,还可利用目 标函数二阶导数数据,伴随着 PSO-BPNN 算法在运算过程中需要更大的内存,也确实具 备更好的收敛性。
由表 5.3 可得采用 BP-NN 负荷预测方法的预测结果中,有 3 处相对误差波动大于 3% 的预测失真点,多达13处的相对误差超过1%,使12月22日当天的实际负荷曲线与 BP-NN 负荷预测曲线拟合程度不高。而采用 PSO-BPNN 负荷预测方法的相对误差变化范围在 0-3%范围内,仅有 2 处对误差波动大于 3%的点,平均相对误差为 1.1%,显著高于未进 行优化的 BP-NN 负荷预测方法,改善效果非常明显。
由第二章可得辽阳区域电力系统短期负荷预测多是依靠负荷预测人员长期积累的 经验,由第 N-6 天及第 N-1 天的负荷数据结合比如气候、日期类型、市场、经济、政治、 所在地区的地理位置等多种因素的影响预测出第 N+1 天的负荷数据,当出现特殊因素影 响时会存在着较大误差,误差超过 10%的情况较多。结合 2019 年夏季、秋季及 2020 年 冬季预测日实际情况,由 BP-NN 及 PSO-BPNN 模型分别进行 24 小时短期负荷预测实例分 析所得出的结果,本章研究的基于改进神经网络方法的短期负荷预测确实再次提高了负 荷预测的精准度,证明了 PSO-BPNN 模型对电力系统内短期的负荷预测对于电力企业是 有实际意义和现实作用的。
5.4本章小结
介绍了粒子群模型算法、流程并引入粒子群算法优化 BP 神经网络的构架及对其流 程进行研究。应用 PSO-BPNN 算法在仿真软件中建模,结合历史负荷数据及影响因素对 辽阳区域 2019 年夏季、秋季及 2020 年冬季预测日进行短期负荷预测。并与应用 BP-NN
64
模型的短期负荷预测进行比对及分析,预测结果证明PSO-BPNN模型不仅提升了学习精 度,也提高了学习的速率,预测相对误差在3%范围内,其精确度在完全可以满足电力企 业中调度部门的预测需要,为电力系统实时调控提供有力参考。
65
第六章 结论与展望
现如今电力企业持续深化改革已迈入新的台阶,在电力系统智能化管理的必然趋势 中,科学、准确的短期负荷预测显得尤为重要。为了使短期负荷预测精度得到进一步提 高,本文提出了基于BP神经网络和粒子群算法的短期负荷预测方法,对辽阳地区电力 负荷进行短期预测,研究表明经粒子群优化后的神经网络模型预测出的结果精度更高。
6.1结论
本文研究了辽阳市电力企业短期负荷预测方法,在历史负荷数据采集、分析的基础 上,研究该地区负荷特点,综合考虑天气等因素,对初始输入数据进行量化及归一化处 理,在此基础上建立粒子群优化神经网络辽阳地区短期负荷预测模型,进行仿真预测实 验。对辽阳区域2019年夏季、秋季及2020年冬季预测日24h各整点时刻负荷值进行预 测,并与应用BP-NN模型的短期负荷预测及基于“基准日”供电企业负荷预测结果进行 比对及分析,结论如下:
(1) 基于“基准日”供电企业电力负荷预测:由第N-6天及第N-1天的负荷数据 结合多种因素的影响预测出第N+1天的负荷数据,多是依靠负荷预测人员长期积累的经 验,相对误差超过 10%的情况较多。
(2) 基于BP神经网络的短期负荷预测:相较于人工预测的结果,精准度已经有很 大提升,BP-NN负荷预测结果中的最大的相对误差为9.73%,平均的相对误差小于3%, 在短期负荷预测中达到精准度的要求。但是实际负荷曲线与应用BP-NN模型的负荷预测 曲线不属于很好的吻合,部分数据已属于预测失真点范围。
(3) 基于改进BP神经网络的短期负荷预测:采用PSO-BPNN负荷预测方法的相对 误差变化范围在0-3%范围内,平均相对误差为0. 6%,显著高于未进行优化的BP-NN负 荷预测方法,改善效果非常明显。
(4) 预测结果证明PSO-BPNN模型在电力系统短期负荷预测方面具有较好的非线性 映射能力,不仅提升了学习精度,也提高了学习的速率,预测相对误差均在3%范围内, 其精确度在完全可以满足电力企业负荷预测需要,为电力系统实时调控提供有力参考。
6.2展望
接下来应该在以下方面学习研究:
(1) 电力负荷受到的影响因素种类众多,未来的工作中可以进一步研究电价、人 口规模、经济状况、产业结构变化等因素对电力负荷数据的影响,将它们考虑进来会更 有利于预测。
(2) 虽然在本文中成功仿真比对,验证了 PSO-BPNN模型相对BP-NN模型,提高了
66
 
 
在短期负荷预测的精准度,但是应该可以将 PSO 算法与更多智能算法相互结合、取长补 短,不断提高负荷预测的精准度和适用性。
67
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
参考文献
1.魏亮亮等.2019.电力系统短期负荷预测方法研究[J].科技经济导刊,27 (8) : 89.
2.王康等.2020.基于PSO算法优化GRU神经网络的短期负荷预测[J].广东电力,4 (6): 147-14&
3.李国庆等.2020.基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测J].电网技 术,44(2):437-445.
4.赵迪等.2021.基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究J].电力大数据, 1(24):40-47.
5.张准英.2020.电力系统短期负荷预测方法综述J].中国战略新兴产业,48 (1) : 84-85.
6.彭显刚.2020.基于季节性负荷自适应划分及重要点分割的多分段短期负荷预测J].电网技 术,44(2):603-613.
7.罗宁等 .2020. 基 于 神 经 网 络 的 电 力 负 荷 预 测 方 法 研 究 [J]. 自 动化 与仪器仪表, 10(1):157-160.
&康义等.2021.基于WT-IPSO-BPN N的电力系统短期负荷预测J].电气技术,22(1): 23-28.
9.王成武等.2020.改进粒子群优化RBF神经网络在短期电力负荷预测上的研究J].理论算 法,3(1):45-46.
10.杨小明等 .2018. 基于粒子群优化支持向量机的 短期负 荷预测 [J]. 武汉大学学 报, 51(8):715-720.
11.梁智等.2018.基于VMD与PSO优化深度信念网络的短期负荷预测J].电网技术,42(7): 2240-2247.
12.蒋敏等.201 &基于在线序列极限支持向量回归的短期负荷预测模型J].电网技术,36 (9):
40-47.
13.王瑞等.2019.基于随机神经网络的短期负荷预测J].制造业自动化,41(7): 44-48.
14.马天男等.2019.计及需求响应和深度结构多任务学习的电力系统短期负荷预测J].电测与 仪表,56(16): 50-60.
15.苏学能等.2017.基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法J].中 国电机工程学报,37(17)4966-4973,5216.
16.吴云等.2018.基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测[J].电力系统自 动化, 42(20): 67-74.
17.王瑞等.2019.改进粒子群优化BP神经网络短期负荷预测研究J].制造业自动化, 41(6):39-42, 77.
1&李琦等.2016.基于改进神经网络的热网短期热负荷预测J].控制工程,21 (4) : 506-509.
19.王玉龙等.2015.基于小波分析改进的神经网络模型电力系统负荷预测J].电网与清洁能源, 31(2): 16-20, 27.
20.李龙等.2015.基于人工神经网络的负荷模型预测[J].电工技术学报,30(8): 225-230.
21.李若晨等.2018.结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测J].电力系统 保护与控制,46(17): 83-88.
22.王增平等.2019.基于GRU-NN模型的短期负荷预测方法[J].电力系统自动化,43(5):53-62.
23.李松等.2015.改进PSO优化BP神经网络的混沌时间序列预测J].计算机工程与应用,
68
49(6):237-240.
24.丁坚勇等.2018.改进F-score特征选择的MPSO-BP神经网络短期负荷预测[J].电测与 仪表,55(15): 36-41.
25.姜雲腾,李萍.2018.基于改进粒子群神经网络短期负荷预测[J].电气技术,19(2):87-91.
26.宋学伟.2019.基于改进鱼群算法与最小二乘支持向量机的短期负荷预测J].电气技 术,20(11): 20-26.
27.李琛等.2019 .基于BP神经网络的北京夏季日最大电力负荷预测方法J].气候与环境研 究,24(1):135-142.
28.魏宏阳.2016.基于人体舒适度日特征向量的PSO-NN短期负荷预测J].电网与清洁能 源,32(8): 135-140.
29.康重庆等.2017.电力系统负荷预测[M].北京:中国电力岀版社.
30.王冰山等.2015.基于量子行为粒子群优化算法-混沌神经网络的电力系统负荷预测J].电工 电能新技术,33(6):27-32.
31.李香龙等.2018.基于EEMD-BP神经网络的含电采暖的配电变压器短期负荷预测J].电测与仪 表,55(10):101-107.
32.陆继翔等.2019.基于CNN-LSTM混合神经网络模型的短期负荷预测方法J].电力系统自动 化,43(8): 131-137.
33.Khuwaileh Bassam A, Al-Shabi Mohammad, El Haj Assad Mamdouh 2021. Artificial Neural Network based Particle Swarm Optimization solution approach for the inverse depletion of used nuclear fuel. [J]. Annals of Nuclear Energy, 2021(157):5-7.
34.Hong-Tao Ye,Zhen-Qiang Li,2020.PID Neural Network Decoupling Control Based on Hybrid Particle Swarm Optimization and Differential Evolution. [J]. International Journal of Automation and Computing.17(6):7-10.
35.Song K B,Jang G.2017. Short-term load forecasting for the holidays using fuzzy linear regression method[C]. IEEE Power Engineering SocietyGeneral Meeting, 2(2): 1338.
36.Huang C M, Huang C J, Wang M L.2016.A particle swarm optimization to identifying the ARMAX model for short-term load forecasting[J]. IEEE Transon Power Systems, 20(2): 1126-1133.
37.Cao Jian.2015. A group evaluation method based on AHP and theory of triangular fuzzy number [C]. Proceedings of the Wond Congresson Piscata way, 8(12): 33-38.
38.Mori H, Kurata E.2019. Graphical modeling for selecting input variables of short-term load forecasting[C]. IEEE Lausanne Power Technology, 23(1): 33-35.
39.Nahi Kandil, Rene Wamkeue.2016.An efficient approach for Short term load forecasting using artificial neural networks[J].International Journal of Electrieal Power&Energy Systems, 28(8):525-530.
40.Li Qiang, Wu Jianxin, Sun Yan.2015.Dynamic Optimization Method on Electromechanical
69
Coupling System by Exponential Inertia Weight Particle Awarm Algorithm [J].Chinese Journal of Mechanical Engineering, 2009(4):602-607.
41.Ji Hongwei, Li Shuang, Xin Huizhen.2017.Simultaneous Determination of Calcium in Water Using Artificial Neural Network Spectro-Photometric Method[J].Journal of Ocean University of China , 5(3): 229-234.
42.Kouhi S, Keynia F.2018. A new cascade NN based method to short-term load forecast in deregulated electricity market.[J]. Energy Conversion & Management, 71(1):76-82.
43.J.Kennedy, C.Eberhart.2017.A Discrete Binary Version of the Particle Swarm Algorithm.[J]. IEEE Trans on Power Systems, 12(5):4104-4109.
44.W.Liu, K.Wang, M.Tang.2016.Study on Power System Load Forecasting Based on MPSO Arificial Neural Networks.[J]. IEEE Trans on Power Systems, 21(3):2728-2732.
45.Wang Haiyang, Zhou yihong, Li jiayin.2015.LNA Malfunctions UnderIntentional Electromagnetic Interference. [J]. High Power Laser and ParticleBeams, 23(11):1920-2002.
46.Ke H. 2016.Uncertain random time-cost trade-off problem.. [J]. Journal of Uncertainty Analysis & Applications, 2(1):16-20.
47.Lahouar A, Slama J B H.2015.Day-ahead load forecast using random forest and expert input selection.[J]. Energy Conversion & Management, 103(10):1040-1050.
48.Dinh Thanh Vie, Vo Van Phuong, Minh Quan Duong, Quoc Tuan Tran.2020.Models for Short-Term Wind Power Forecasting Based on Improved Artificial Neural Network Using Particle Swarm Optimization and Genetic Algorithms[J].EnergiesVolume, 13(11):5-10.
【本文地址:https://www.xueshulunwenwang.com//shuoshilunwenzhuanti/dianlixitongjiqizidonghua/5259.html

上一篇:基于不确定性分析的工业园区水能资源 优化配置模型研究

下一篇:没有了

相关标签: