论文部分内容阅读
【摘 要】随着社会的快速发展，人们对电力能源的需求不断增多，电网运行质量的要求也在提高。传统电网输电具有诸多局限性，很难满足人们的现代化需求。智能电网在提高供电能力方面具有明显优势。本文主要对智能电网负荷预测算法进行分析，以期提高电网供电的稳定性和安全性。
【关键词】智能电网;负荷;预测算法
引言
智能电网是由先进的信息通信技术、传感技术、分析技术、决策技术和自动控制技术组成的新型现代电网。目前，智能电网已经得到大力发展，并且已经在应用实践中取得良好效益。电力供应管理是保证智能电网稳定供电的关键因素。电力预测是智能电网电力管理的基础，预测的准确性直接影响智能电网的有效性，降低电力成本，保证正常生产，有效提高经济效益。电力负荷的传统预测方法有趋势预测法、回归分析预测、人工神经网络预测、灰色理论预测、时间序列预测以及小波分析预测等。近年来，对电力负荷预测的研究成果层出不穷，为提高智能电网的预测精度做出了巨大的贡献。然而，由于用电负荷的复杂随机性，实时负荷监测和预测在智能电网中仍然是一个具有挑战性的任务。
1国内外负荷预测现状方法
1.1电力消费弹性系数法
针对电力系统负荷变化具有明显的分形自相似性的特点，利用弹性系数对工作口和体息口分开进行预测，通过对预测结果的各种指标的分析，表明此方法具有较高的预测精度，尤其是提高了双体口的预测精度，从而为特殊假口的负荷预测提供了新思路。
1.2负荷密度法
利用负荷密度法进行空间电力负荷预测的原理和优点，将预测步骤分为分片区及片区内不同性质地块数据统计、规划用电指标、片区负荷计算、利用负荷曲线相加等4个步骤，并通过实例证明该方法的实用意义。
1.3回归预测法
运用一元线型回归模型的原理，通过分析历史数据，建立数学模型，对地区电网年度最大负荷进行预测，证明该模型具有良好应用前景。通过建立线性或非线性回归模型，直接由观察数据进行中长期电力负荷的预测，并结合实际算例证明该方法的有效性。采用盲数形式来表达中长期负荷线性回归预测模型的相关变量，找到负荷可能出现的多个区间以及各个区间的可信度。结合算例，证明通过盲数理论改进线性回归模型可以使预测结果更加准确，具有较高的可信度。
1.4时间序列预测法
根据单变量时间序列的延时重构对多变量时间序列进行相空间重构，采用互信息法计算了各子序列的延迟时间，并运用平均一步绝对误差和最小一步绝对误差进行各子序列的嵌入维数选取，利用RBF神经网络对短期电力负荷进行建模与预测，获得较高的预测精度。还有一种时间序列算法和模糊逻辑技术相结合的电力系统短期负荷预测方法。它包括一个具有非线性特性的传递函数模型，可以考虑气温等外界因素对负荷的非线性影响，适用于由于天气等因素变化引起负荷突变的预测场景。
2负荷预测算法
2.1预测算法的流程
本文提出一种差分预测算法来提高负荷预测的准确性。算法流程主要包括八个步骤：第一步，检查原始功耗数据是否遵循马尔可夫随机性质并进行空间映射。第二步，对负荷数据进行离散化处理并将负荷数据序列映射到不同的区间。第三步，计算每个区间的负荷数据定位的概率，并建立一个矩阵。第四步，计算任意两个区间之间的转移概率，并建立转移矩阵。第五步，计算预测负荷的区间值Q1。第六步，为每个区间内的负荷数据的随机变动性构建灰色预测模型。第七步，计算预测的负荷波动值Q2。第八步，基于步骤5和步骤7获得最优预测值。在步骤3中，使用一个差值的方法来计算每个区间中的用电负荷的原始概率。假设我们得到一系列的负荷数据A1、A2、…、Aa，并将它们分成N个区间。记录每个区间K1、K2、…、KN中的采集的负荷数据数量，然后除以总个数A，计算出每个时间间隔P1、P2、…、PN中负荷数据的原始概率。在步骤4中，将马尔科夫预测方法应用于（A1、A2、…、Aa），得到由（A1、A2、…、Aa）产生的转移矩阵P。P的元素Pab是a转移至b的转移概率。然后，我们可以计算预测负荷值的区间值。在步骤5中，首先分析Aa属于那个区间，然后用P和Aa来确定预测负荷的区间，最后我们把预测区间的中位数作为预测负荷值Q1。在步驟6中，计算得出一系列新的负荷变动数据J1、J2、…、JL-1，其中每个元素由Ja=Aa-Aa-1计算。那么，我们可以得到转移概率矩阵（P'1、P'2、…、P'N）。在步骤7中，构造了负荷数据的灰色预测模型，并获得预测波动值Q2。在步骤8中，基于上面的步骤得到（P1、P2、…、PN）、（P'1、P'2、…、P'N）、Aa和JL-1等参数，并计算得到两个负荷预测值Q1和Q2。综合考虑这两个预测值，得到最终的预测值Q=Q1+Q2。
2.2负荷数据的离散化处理
预测精度是由负荷区间的分割粒度决定的。因此，划分负荷数据序列成为首先需要解决的问题。本文采用将收集的负荷数据分成相等的部分的分割模式。为了分析优化的分割模式，我们定义了两个变量的精度。一个是区间精度M1，另一个是波动精度M2。如果离散化区间太大，则在这个区间内的预测值的区间精度M1较高，而波动精度M2较低。反之亦然。为此，我们将最高值和最低值之间的范围作为分割区域。假设负荷数据划分的区间数量是N。随着N增加，区间范围将变小，M1将变小，M2将变得更大。如果N足够小，M1将占据主导地位，并且总体精度M将会接近0。如果N足够大，M2将占据主导地位，总体准确度M也将接近于0。因此，必须有一个最优的N来使得负荷预测结果更准确。基于穷举算法对N的最优值（NPRO）进行计算。算法原理是让N从1增加到一个较大的数值，随着N的增加，M随着N的增加而增加;当N大于一定数量时，M随着N的增加而减小;与M的最大值对应的N值就是NPRO。
结语
负荷预测是智能电网中提高供电效率的关键问题。该算法对采集的用电负荷数据进行空间映射处理，使其负荷指数分布规律。该算法具有准确、稳定的负荷预测性能。
参考文献：
[1]王建军，智能电网环境下的自适应动智能负荷预测研究[J].陕西电力，2018（5）：11-15.
[2]张文亮，刘壮志，王明俊.智能电网的研究进展及发展趋势[J].电网技术，2019（13）：1-11.
[3]王海云，田莎莎，张再驰，等.基于负荷预测与关联规则修正的不良数据辨识方法[J].电力系统保护与控制，2017，45（23）：24-33
（作者单位：国网太原供电公司山西）
【关键词】智能电网;负荷;预测算法
引言
智能电网是由先进的信息通信技术、传感技术、分析技术、决策技术和自动控制技术组成的新型现代电网。目前，智能电网已经得到大力发展，并且已经在应用实践中取得良好效益。电力供应管理是保证智能电网稳定供电的关键因素。电力预测是智能电网电力管理的基础，预测的准确性直接影响智能电网的有效性，降低电力成本，保证正常生产，有效提高经济效益。电力负荷的传统预测方法有趋势预测法、回归分析预测、人工神经网络预测、灰色理论预测、时间序列预测以及小波分析预测等。近年来，对电力负荷预测的研究成果层出不穷，为提高智能电网的预测精度做出了巨大的贡献。然而，由于用电负荷的复杂随机性，实时负荷监测和预测在智能电网中仍然是一个具有挑战性的任务。
1国内外负荷预测现状方法
1.1电力消费弹性系数法
针对电力系统负荷变化具有明显的分形自相似性的特点，利用弹性系数对工作口和体息口分开进行预测，通过对预测结果的各种指标的分析，表明此方法具有较高的预测精度，尤其是提高了双体口的预测精度，从而为特殊假口的负荷预测提供了新思路。
1.2负荷密度法
利用负荷密度法进行空间电力负荷预测的原理和优点，将预测步骤分为分片区及片区内不同性质地块数据统计、规划用电指标、片区负荷计算、利用负荷曲线相加等4个步骤，并通过实例证明该方法的实用意义。
1.3回归预测法
运用一元线型回归模型的原理，通过分析历史数据，建立数学模型，对地区电网年度最大负荷进行预测，证明该模型具有良好应用前景。通过建立线性或非线性回归模型，直接由观察数据进行中长期电力负荷的预测，并结合实际算例证明该方法的有效性。采用盲数形式来表达中长期负荷线性回归预测模型的相关变量，找到负荷可能出现的多个区间以及各个区间的可信度。结合算例，证明通过盲数理论改进线性回归模型可以使预测结果更加准确，具有较高的可信度。
1.4时间序列预测法
根据单变量时间序列的延时重构对多变量时间序列进行相空间重构，采用互信息法计算了各子序列的延迟时间，并运用平均一步绝对误差和最小一步绝对误差进行各子序列的嵌入维数选取，利用RBF神经网络对短期电力负荷进行建模与预测，获得较高的预测精度。还有一种时间序列算法和模糊逻辑技术相结合的电力系统短期负荷预测方法。它包括一个具有非线性特性的传递函数模型，可以考虑气温等外界因素对负荷的非线性影响，适用于由于天气等因素变化引起负荷突变的预测场景。
2负荷预测算法
2.1预测算法的流程
本文提出一种差分预测算法来提高负荷预测的准确性。算法流程主要包括八个步骤：第一步，检查原始功耗数据是否遵循马尔可夫随机性质并进行空间映射。第二步，对负荷数据进行离散化处理并将负荷数据序列映射到不同的区间。第三步，计算每个区间的负荷数据定位的概率，并建立一个矩阵。第四步，计算任意两个区间之间的转移概率，并建立转移矩阵。第五步，计算预测负荷的区间值Q1。第六步，为每个区间内的负荷数据的随机变动性构建灰色预测模型。第七步，计算预测的负荷波动值Q2。第八步，基于步骤5和步骤7获得最优预测值。在步骤3中，使用一个差值的方法来计算每个区间中的用电负荷的原始概率。假设我们得到一系列的负荷数据A1、A2、…、Aa，并将它们分成N个区间。记录每个区间K1、K2、…、KN中的采集的负荷数据数量，然后除以总个数A，计算出每个时间间隔P1、P2、…、PN中负荷数据的原始概率。在步骤4中，将马尔科夫预测方法应用于（A1、A2、…、Aa），得到由（A1、A2、…、Aa）产生的转移矩阵P。P的元素Pab是a转移至b的转移概率。然后，我们可以计算预测负荷值的区间值。在步骤5中，首先分析Aa属于那个区间，然后用P和Aa来确定预测负荷的区间，最后我们把预测区间的中位数作为预测负荷值Q1。在步驟6中，计算得出一系列新的负荷变动数据J1、J2、…、JL-1，其中每个元素由Ja=Aa-Aa-1计算。那么，我们可以得到转移概率矩阵（P'1、P'2、…、P'N）。在步骤7中，构造了负荷数据的灰色预测模型，并获得预测波动值Q2。在步骤8中，基于上面的步骤得到（P1、P2、…、PN）、（P'1、P'2、…、P'N）、Aa和JL-1等参数，并计算得到两个负荷预测值Q1和Q2。综合考虑这两个预测值，得到最终的预测值Q=Q1+Q2。
2.2负荷数据的离散化处理
预测精度是由负荷区间的分割粒度决定的。因此，划分负荷数据序列成为首先需要解决的问题。本文采用将收集的负荷数据分成相等的部分的分割模式。为了分析优化的分割模式，我们定义了两个变量的精度。一个是区间精度M1，另一个是波动精度M2。如果离散化区间太大，则在这个区间内的预测值的区间精度M1较高，而波动精度M2较低。反之亦然。为此，我们将最高值和最低值之间的范围作为分割区域。假设负荷数据划分的区间数量是N。随着N增加，区间范围将变小，M1将变小，M2将变得更大。如果N足够小，M1将占据主导地位，并且总体精度M将会接近0。如果N足够大，M2将占据主导地位，总体准确度M也将接近于0。因此，必须有一个最优的N来使得负荷预测结果更准确。基于穷举算法对N的最优值（NPRO）进行计算。算法原理是让N从1增加到一个较大的数值，随着N的增加，M随着N的增加而增加;当N大于一定数量时，M随着N的增加而减小;与M的最大值对应的N值就是NPRO。
结语
负荷预测是智能电网中提高供电效率的关键问题。该算法对采集的用电负荷数据进行空间映射处理，使其负荷指数分布规律。该算法具有准确、稳定的负荷预测性能。
参考文献：
[1]王建军，智能电网环境下的自适应动智能负荷预测研究[J].陕西电力，2018（5）：11-15.
[2]张文亮，刘壮志，王明俊.智能电网的研究进展及发展趋势[J].电网技术，2019（13）：1-11.
[3]王海云，田莎莎，张再驰，等.基于负荷预测与关联规则修正的不良数据辨识方法[J].电力系统保护与控制，2017，45（23）：24-33
（作者单位：国网太原供电公司山西）