基于體感溫度的電力系統負荷分類及負荷預測

謝家安

（廣東電網公司佛山供電局，廣東佛山 528000）

基于體感溫度的電力系統負荷分類及負荷預測

謝家安

（廣東電網公司佛山供電局，廣東佛山 528000）

電力系統短期負荷預測是電力部門一項重要工作，是調度部門制定系統運行方式、設備停電檢修計劃、功率調配及調峰調頻所依賴的重要參考依據之一。由于影響負荷預測因素眾多，且其變化趨勢與各因素之間呈現非線性關系，很難用固定的數學模型來加以描述，長期以來為提高負荷預測精度，學者們也提出了多種不同短期負荷預測方法[1-3]，這些方法各有優點，也都存在一定的局限性。

時間序列法、回歸分析法計算量小、速度快，但其線性化處理過程無法反映負荷與各影響因素的非線性關系，對復雜電力系統負荷預測效果不佳；專家系統法憑借其強大的數據庫能避開復雜的數值計算，但通用性較差，缺乏學習能力，難以適應負荷隨機性變化的要求[3]；而支持向量機中雖然考慮了非負荷因素對負荷的影響，但這種考慮是“黑箱”的，對非負荷因素對負荷影響如何并不清楚，也就談不上在氣象預測有誤差時如何根據分析結果對負荷預測結果來進行有效的修正[4]。

近年來，體感溫度對負荷的影響研究得到極大重視，獲得了一定研究成果。將氣象因數中溫度、濕度及風速綜合考慮而提出的體感溫度引入到電力系統負荷預測中，為提高預測精度打下良好的基礎。但目前體感溫度對負荷影響的研究還普遍停留在線性化補償階段，無法真實的反映它們之間非線性關系。

據此，本文提出將體感溫度差與具有強魯棒性、非線性映射能力、強大記憶力和自學能力、收斂速度快且可收斂到全局最小的徑向基神經網絡相結合的方法引入到短期負荷預測中來，是一種綜合考慮負荷本身特性及其與氣象因素非線性關系特征的預測方法，預測結果表明，該方法能有效提高短期負荷預測精度，是一種有效的負荷預測方法。

1 體感溫度計算及其對負荷影響

1.1 體感溫度計算方法

僅考慮氣象條件影響時，體感溫度計算公式可表示為

式中，Tg為體感溫度；Ts為氣溫；T（u）為空氣相對濕度修正項；T（v）為風速修正項；T（r）為太陽輻射修正項[5-7]。

T（r）修正項對個體而言，不同的輻射條件下夏天中午前后偏差可達8℃，冬至前后中午也可達4℃左右。由于本文考慮的是地區整體平均體感溫度對負荷的影響，而作為室外輻射條件下的溫度修正項，對用電負荷的影響幾乎可以忽略不計，因此，本文中的體感溫度計算略去了輻射修正項的作用，其具體的計算公式如下

式中，ui為靜風、非太陽直射條件下體感溫度等于氣溫時的相對濕度，也稱為臨界相對濕度，具體表達式為

式（3）表明，在溫度為25℃、靜風和非太陽直射條件下，人體感覺最舒適，不需要借助任何外在設施來保持舒適度。

圖1所示為2009年11月7日某市體感溫度曲線，從圖1中可以看出，在濕度、風速影響之下，體感溫度較實際溫度產生了較大偏差，特別是在高溫和低溫天氣時，體感溫度受到濕度和溫度影響將更為明顯。圖1中體感溫度曲線更能表征人體對溫度實際感受，從而更精確表征氣象因數對負荷變化所產生的影響[8-10]。

1.2 體感溫度對負荷的影響

為了驗證體感溫度對負荷變化的影響，通過計算可得出每天不同時刻經修正后的體感溫度曲線，進而計算出體感溫度與負荷變化量之間的關系。通過分析大量負荷數據與體感溫度之間的關系，并參考氣象學研究成果得出了某市的負荷與體感溫度關系曲線，如圖2所示。

圖1 體感溫度曲線圖Fig.1 The curve of apparent temperature

圖2 負荷-體感溫度曲線圖Fig.2 The curve of load-apparent temperature

從圖2中可以看出，當體感溫度小于29℃或者大于36℃時，體感溫度對負荷的影響將變得非常小，說明這2個區域的體感溫度對負荷影響非常不敏感，而當體感溫度處于兩者之間時，負荷的變化受體感溫度影響將非常的明顯，且表現出非線性關系。負荷與體感溫度之間的特性曲線為對負荷進行分類預測打下了良好的理論基礎。

2 預測方法分類及其樣本選取方法

2.1 預測方法分類

通過對體感溫度與負荷關系曲線并結合實際數據分析可知，當日早上10點至下午17點之間平均體感溫度處在負荷對體感溫度敏感區時，負荷預測時必須考慮體感溫度對負荷的影響，將該類負荷定義為類型一；而當日平均體感溫度處在負荷對體感溫度敏感區之外時，則負荷預測時不必考慮體感溫度對負荷影響，將該類負荷定義為類型二。

2.2 訓練樣本選取及處理方法

如果氣象部門預測某天負荷為類型一，則該負荷預測的訓練樣本應包括同類型的最近某2天負荷數據和體感溫度，以及待預測當天體感溫度數據。

具體樣本處理方法是首先從樣本庫里找出最近2天同類型負荷數據和體感溫度數據，將第一天負荷數據和2天的體感溫度差分別進行歸一化處理后作為訓練樣本輸入，第二天負荷數據作為目標輸出對徑向基神經網絡進行訓練，在完成網絡訓練后，同理將第二天的負荷數據和待預測天與第二天的體感溫度差做歸一化處理后作為輸入樣本，實現類型一負荷預測。

如果判斷出要預測負荷為類型二，則直接從樣本庫里搜索出離預測天最近的同類型4天負荷數據，將前3天負荷數據進行處理后作為樣本輸入。

具體樣本處理方法是將前3天的樣本總共288個數據按前后順序排成一列，運用小波包函數對該列負荷數據進行分解，具體分解層數依不同情況而定，本文對負荷數據6層分解后得到一個64行288列小波系數矩陣，然后求取每行小波系數能量，并形成64行1列的小波能量矩陣，最后對該小波能量矩陣進行歸一化處理。將歸一化處理后小波能量矩陣作為訓練輸入樣本，以第4天負荷數據作為目標輸出對徑向基神經網絡進行訓練。在完成網絡訓練后，同理將后3天負荷數據做與之前相同處理過程后，將形成的歸一化能量矩陣作為輸入樣本，從而實現類型二負荷的預測目的。

通過前節分析可知，本文提出的2種負荷預測方法均是以徑向基神經網絡為基礎和載體的，因此，有必要對徑向基神經網絡原理做簡要概述。

3 徑向基神經網絡原理

徑向基（R B F）神經網絡是一種性能良好的前向神經網絡模型，它具有全局逼近的性質，并且不存在局部最小問題[11-13]。R B F網絡是一個包括輸入層、隱含層和輸入層的多輸入單輸出系統，其隱含層執行的是一種用于特征提取的非線性變換，在輸出層則可實現輸出權值的線性組合，其結構如圖3所示。

設R B F神經網絡的輸入為n維，學習樣本為（X，Y），其中 X=（x1，x2，…，xn）為輸入變量，Xi=（xi1，xi2，…，xin）T，1≤i≤Ni；Y=（y1，y2，…，yn）為期望輸出變量；N為訓練樣本數。當神經網絡輸入Xi為時，隱含層第j個節點的輸出為

式中，Gi=（ci1，ci2，…，cin）T，為第 j個隱含層高斯函數的中心；σi為第j個隱含層高斯函數的寬度。

對全體輸入學習樣本，網絡期望輸出為

式中，wi為第j個隱層節點與輸出層之間的網絡連接權；M為隱含層節點數；e為擬合誤差。

圖3 徑向基神經網絡示意圖Fig.3 Schematic diagram of RBF neural network

對于隱含層高斯函數中心的選取參考文獻[13]，并對網絡輸出權值進行最小二乘法擬合，使輸出總誤差達到最小，即

4 負荷預測方法步驟

本文提出的負荷預測方法，先對待預測天負荷類型進行分類處理，通過對2種不同類型待預測負荷的輸入樣本選取和處理，結合徑向基神經網絡便形成2種不同預測方法，具體實現步驟如下：

1）聯合氣象部門對待預測天體感溫度進行預測，根據預測的體感溫度對待預測天負荷進行分類。

2）對不同類型負荷預測進行數據庫樣本的選取，并對樣本進行不同方法的處理。

3）依據不同類型負荷預測要求，將處理后的數據樣本輸入神經網絡進行訓練后，實現對待預測天的負荷預測目的。

具體負荷預測流程如流程圖3所示。

5 實際負荷預測

圖4所示為按上節方法進行天氣分類后，預測的某市2009年9月29日全區總負荷與實際負荷曲線，誤差率為1.09%。從圖4中可以看出，最大預測誤差出現在夜間12點至早上7點左右，這是由于這之間負荷受到前1d負荷積累效應的影響，使負荷與體感溫度的相關性下降所導致的。

圖4 負荷預測流程圖Fig.4 Logical procedure diagram of load forecasting

圖5所示為按上節方法進行天氣分類后，預測的某市2009年11月9日全區總負荷與實際負荷曲線，誤差率為1.13%。由于進行天氣分類后，最近幾天都屬于對體感溫度不敏感平行區，負荷預測選擇的是依據經驗數據預測方法，因此負荷預測精度較考慮體感溫度影響的曲線區要差一些，但總體來說達到了預期的效果。

圖5 類型一短期負荷預測曲線Fig.5 Short-term load forecasting curve of type 1

表1所示為本文預測方法與神經網絡預測方法的誤差比較，從表中可知本文方法對類型一、類型二負荷預測精度較傳統的神經網絡法都有明顯提高，類型一預測精度提高了1.88%，類型二預測精度提高了0.52%。

圖6 類型二負荷預測曲線Fig.6 Short-term load forecasting curve of type 2

表1 負荷預測誤差比較表Tab.1 Comparison table of the error for short-term load forecasting

分析可知，本文方法對類型一負荷的預測精度提高較對類型二負荷預測精度更明顯，這是因為類型一負荷對體感溫度非常敏感，當考慮體感溫度對負荷的影響后進行負荷預測顯然要較只考慮溫度或根本不考慮氣象因數時的精確要高的多。

6 結語

本文通過對大量負荷數據與體感溫度之間關系分析，給出了體感溫與負荷的分段函數曲線?；诖?，本文將負荷分為對體感溫度敏感和不敏感2種類別，并提出了2種負荷預測方法，2種負荷預測方法均以徑向基神經網絡為基礎，針對不同類型待預測負荷采取差異化樣本的選取和處理方法，有效提了高該負荷預測模型的適用性和負荷預測的精度實際預測效果表明本方法具有一定的實用性。

同時也存在一些不足，本文只是對正常工作日的負荷預測進行了研究，對休息日或節假日的適用性還需進一步研究驗證。

[1]栗然，曹磊，李莉，等.影響電力系統短期負荷預測因素的權重分析方法[J].華北電力大學學報，2007，34（5）：32-37.

LI Ran，CAO Lei，LI Li，et al.Analysis for weights allocation with influence factors in power system shortterm load forecasting[J].Journal of North China Electric Power University，2007，34（5）：32-37（in Chinese）.

[2]李兀誠，方廷健，于爾鏗.短期負荷預測的支持向量機方法研究[J].中國電機工程學，2003，23（6）:55-59.

LI Yuan-cheng，FANG Ting-jian，YU Er-keng.Study of support vector machines filr short-terml load forecasting[J].ProceedingsoftheCSEE，2003，23（6）：55-59（inChinese）.

[3]于希寧，牛成林，李建強.基于決策樹和專家系統的短期電力負荷預測系統[J].華北電力大學學報，2005，32（5）:57-61.

YU Xi-ning，NIU Cheng-lin，LI Jian-qiang.Electric load forecast based on decision tree and expert system[J].Journal of North China Electric Power University，2005，32（5）:57-61（inChinese）.

[4]雷紹蘭，孫才新.一種多變量時間序列的短期負荷預測方法研究[J].電工技術學報，2005，20（4）:62-67.

LEI Shao-lan，SUN Cai-xin.Method of multivarivate time series of short-term load forecasting[J].Transactions of China Electrotechnical Society，2005，20（4）:62-67（in Chinese）.

[5]阮仁俊，劉天琪，吳安平.基于SCGM（1，1）的三種負荷預測模型及其組合[J].南方電網技術，2009，3（3）：54-58.

RUAN Ren-jun，LIU Tian-qi，WU An-ping.SCGM（1，1） based on Three Load Forecast Models and Their Combination[J].Journal of North China Electric Power University，2009，3（3）：54-58（in Chinese）.

[6]張建華，邱威，劉念，等.正交設計灰度模型在年電力負荷預測中的應用[J].電網與清潔能源，2010，6（2）:28-32.

ZHANG Jian-hua，QIU Wei，LIU Nian.Grey model based on orthogonal design and its application in annual load forecasting[J].Power System and Clean Energy，2010，6（2）:28-32（in Chinese）.

[7]VANAJA LYER，CHUN CHEFUNG，TAMAS GEDEON.A fuzzy-neural approach to electricity load and spotprice forecasting in a deregulated electricity market[C].IEEE Region l 0Conference on Convergent Technologies for the Asia-Pacific，Indian，2003，4：l479-l482.

[8]姚建剛，龍立波，錢衛華，等.基于NET的負荷分析與預測系統的研究與實現[J].湖南大學學報，2007，34（9）：44-48.

YAO Jian-gang，LONG Li-bo，QIAN Wei-hua，et al.Research and Development of the Load Analysis and Forecasting System Based on.NET[J].Journal of Hunan University，2007，34（9）：44-48（in Chinese）.

[9]李邦云，丁曉群，程莉.基于數據挖掘的負荷預測[J].電力自動化設備，2003，23（8）：52-55.

LI Bang-yun，DING Xiao-quan，CHENG Li.Load forecast based on data mining[J].Electric Automation Equipment，2003，23（8）：52-55（in Chinese）.

[10]康重慶，周安石，王鵬，等.短期負荷預測中實時氣象因素的影響分析及其處理策略[J].電網技術，2006，30（7）:5-10.

KANG Chong-qing，ZHOU An-shi，WANG Peng，et al.Impact analysis of hourly weather factors in short-term load forecasting and its processing strategy[J].Power System Technology，2006，30（7）:5-10（in Chinese）.

[11]雷紹蘭，孫才新，周淙，等.基于徑向基神經網絡和自適應神經模糊系統的電力短期負荷預測方法[J].中國電機工程學報，2005，25（22）：78-82.

LEI Shao-lan，SUN Cai-xin，ZHOU Cong，et al.Shortterm load forcasting method based on RBF neural network and ANFIS system[J].Proceedings of the CSEE，2005，25（22）：78-82（in Chinese）.

[12]龍洪玉，江樂寧，陳耀武.基于組合式神經網絡的短期電力負荷預測模型[J].中國電機工程學報，2001，21（4）：79-82.

LONG Hong-yu，JIANG Le-ning，CHEN Yao-wu.Shortterm load forecasting with modular neural networks[J].Proceedings of the CSEE，2001，21（4）：79-82（in Chinese）.

[13]趙劍劍，張步涵，樣時杰，等.一種基于經向基蛹數的短期負荷預測方法[J].電網技術，2003，27（6）：22-25.

ZHAO Jian-jian，ZHANG Bu-han，YANG Shi-jie，et al.A deterministic annealing clustering shortterm load forecasting rnethod with radial basis function network[J].PowerSystemTechnology，2003，27（61）：22-25（inChinese）.

Load Classification and Load Forecasting of Power System Based on Apparent Temperature

XIE Jia-an
（Foshan Power Supply Bureau，Guangdong Power Grid Corporation，Foshan 528000，Guangdong，China）

In-depth research on the relationships between the load and the apparent temperature suggests that，in different ranges，the apparent temperature responds to the regional load in totally different ways.Two kinds of loads are classified accordingly asinto apparent temperature-sensitive one and the apparent temperature non-sensitive one,based on which two load forecasting methods are proposed in this paper.Both of the two methods are based on Radial Basis Function（RBF）Neural Network with the differentiated sample selection and handling applied to improve the applicability of the load forecasting model effectively.The method recommended in this paper is applied in the load forecasting of a certain city,and the results show that it the method,with its high precision and good practicability，is an effective one forin short-term load forecasting.

short-term load forecasting；apparent temperature；radial basis function（RBF）neural network

針對體感溫度與負荷之間的變化關系進行了深入研究，研究表明體感溫度在不同范圍內變化時將對地區負荷影響表現出截然不同特征。將負荷分為對體感溫度敏感和不敏感2種類別，并提出2種負荷預測方法。2種負荷預測方法均以徑向基神經網絡為基礎，并針對不同類型待預測負荷采取差異化樣本選取和處理方法，有效提高了該負荷預測模型適用性和負荷預測精度。將該方法運用到某市總負荷預測中，預測結果表明該方法具有較高精度和較好實用性，是一種有效的短期負荷預測新方法。

短期負荷預測；體感溫度；徑向基神經網絡

1674-3814（2012）08-0024-05

TM 714

A

2012-01-05。

謝家安（1980—），男，碩士，從事電力系統穩定、繼電保護及高壓直流輸電方面的研究。

（編輯 董小兵）