某市春節負荷特性分析及預測方法應用研究

蘇宜強

（連云港供電公司，江蘇 連云港 222004）

某市春節負荷特性分析及預測方法應用研究

蘇宜強

（連云港供電公司，江蘇 連云港 222004）

分析了江蘇連云港地區春節期間特別是除夕負荷曲線的形狀、走勢和特點，綜合考慮天氣、重大事件、歷史負荷等對春節期間負荷變化的影響，針對春節負荷應用一種自適應神經網絡負荷預測方法。該方法通過選取人體舒適度相似的節假日、歷年相似日、前一日的負荷數據預測當日負荷，以提高預測精度。算例表明，該方法有效地提高了春節負荷預測的精度，彌補了傳統算法除夕負荷預測誤差大的問題。

負荷特性；負荷預測；自適應神經網絡；節假日

春節期間負荷明顯低于平時負荷，負荷曲線的形狀也有所不同，研究春節期間的負荷特性，做好預測工作，對于提高電力企業的經濟效益具有重要意義［1］。目前，春節期間的負荷預測已經日漸成熟，但除夕的負荷預測精度不高。

短期負荷預測作用的大小主要取決于預測精度，提高預測精度是目前研究短期負荷預測理論和方法的重點。國內外許多專家和學者在預測理論和方法方面做了大量的研究工作，提出了很多預測模型［2］。但由于影響短期負荷的因素較多，很多預測方法的預測精度和使用范圍受到限制。隨著現代科學技術的發展，歷年的日負荷數據和氣象數據的獲取越來越及時和精確，人工神經網方法被認為是一種比較有效的短期負荷預測方法［3］，采用自適應神經網絡方法可以解決除夕負荷預測誤差大的難題。

本文通過分析江蘇連云港地區春節期間負荷曲線的形狀、走勢和特點，重點分析了除夕的負荷曲線，針對春節負荷提出了一種自適應神經網絡負荷預測方法。該方法通過選取人體舒適度相似的雙休日、歷年相似日、前一日負荷的負荷數據預測當日負荷，提高預測精度。

1 春節負荷特性分析

春節假期較長，許多工業負荷已經停運或降低，其日負荷曲線形狀與普通日相比差別較大。圖1給出了2010—2012年春節日負荷曲線和冬季普通日典型負荷曲線。

圖1 2010—2012年冬季普通日和春節負荷曲線

由圖1可知：

（1）各年冬季普通日負荷曲線比較相似，呈兩峰一谷一平，有2個高峰期，分別出現在11：00和18：00左右，早高峰與晚高峰相差不大，晚高峰略大于早高峰。各年春節的曲線形狀也很相似，其變化趨勢為：1：00～5：00負荷緩慢下降，之后負荷開始緩慢上升，中午11：00左右達到早高峰，之后負荷有所下降，15：00～19：00負荷曲線持續上升，比較平緩，19：00左右時出現了晚高峰，其后負荷開始下降，22：00后下降加快，至凌晨4：00左右達最低點。

（2）春節期間的典型日負荷曲線的形狀雖然與冬季普通日負荷一樣有2個高峰期，但是春節的負荷波動要平緩很多，負荷率比普通日要高2個百分點，春節峰谷差300 MW，比普通日峰谷差低300 MW左右，谷段不是很明顯，晚高峰比早高峰大，同時晚高峰比普通日推遲了1 h左右。這主要是因為春節期間負荷以連續性生產的廠礦企業和居民、商業用電為主，兩班制生產企業負荷基本停止，晚峰受居民用電影響較大。圖2給出了2010—2012年除夕及前一日的負荷曲線。由圖2可知，除夕的負荷曲線較春節其他日期的負荷曲線有明顯區別，用電高峰時段從18：00～22：00擴展到18：00～24：00，且高峰更加突出。主要原因是由于除夕作為重大的節日，由于習俗、春晚等因素，居民的用電習慣較其他期間有很大不同，這期間負荷變化的大小主要受氣溫影響。

圖2 2010—2012年除夕及前一日負荷曲線

2 春節負荷短期預測的總體思路

人工神經網絡的優點是能夠對大量非結構性、非精確性規律具有自適應能力，具有信息記憶、自主學習、知識推理和優化計算的特點，還有很強的計算能力、復雜映射能力、容錯能力及各種智能處理能力［4］。

應用自適應神經網絡預測方法，利用歷年春節對應日期的負荷數據、預測日前的節假日負荷數據、預測日前幾天的負荷數據、預測春節期間的負荷。針對除夕，需根據歷年除夕的負荷數據，對18：00～24：00時段預測數據微調以提高預測精度。

2.1 自適應神經網絡預測方法

目前，人工神經網絡法在短期負荷預測中已經日趨成熟，能夠對大量非結構性、非精確規律性的數據進行學習以及具有復雜的非線性函數擬合能力。

BP神經網絡是使用最為普遍的算法［5］，它是一種單向傳播的多層前向網絡，上下層之間全連接，而每層神經元之間無連接，其模型如圖3所示。

圖3 BP神經元模型

圖中：pi為第i個輸入量，輸入向量記為p；wi,j為第i個輸入量對第j個隱層節點的權重，輸入權重矩陣記為w；b為神經元的閾值；f為傳輸函數。則輸出函數為

對于2層的BP神經網絡，設k為迭代次數，每次的權值和閾值修正公式為

式中：n為訓練樣本數；t為目標值；y為預測值。逐次修正權值和閾值，使總誤差一直減小，直到滿足要求為止。

當學習系統所處環境平穩時，從理論上說通過學習可以學到環境的統計特征，這些統計特征可被神經網絡作為經驗記住。如果環境是非平穩的，通常的監督學習，如：BP算法，沒有能力跟蹤這種變化。為解決此問題，需要ANN有一定的自適應能力。

自適應預測方法根據預測的偏差不斷自動調整模型的結構與參數，這實際上構成了一個閉環反饋［7］，典型的自適應系統框圖如圖4所示。

t-1時刻系統的模型、實際值以及t時刻的參數，預測出t時刻的輸出值y（t），E（t）為y（t）與實際值x（t）差值，如果E（t）=0，則不修正模型參數，否則應修正模型參數以便跟蹤環境的變化。本文根據歷年除夕的負荷數據，對18：00～24：00時段預測數據微調的策略在這一環節實現。

自適應神經網絡可以選擇新的例子對神經網絡進行訓練，用觀察值對神經網絡進行訓練。自適應線性神經網絡的神經元結構如圖5所示。

圖5的網絡輸出為

自適應線性神經網絡采用均方誤差最小的學習規則，即WH（Windrow Hoff）算法，來調整網絡的權值和閾值。對于給定的N組訓練樣本：{p1,t1}、{p2,t2}…{pN,tN}，WH學習規則的基本實現是尋找最佳的w和b，使得各神經元輸出的均方誤差最小。神經元的均方誤差為

圖5 自適應神經網絡

式中：t為目標值；y為預測值。求均方誤差對w和b的偏導，可尋找到w和b的最優解。

2.2 氣象因子的處理

將氣象因素與神經網絡相結合的預測模式，即將各氣象因子（溫度、相對濕度、風速、氣壓、輻射）作為神經網絡輸入量的一部分，是神經網絡進行短期負荷預測比較成功的模式，多篇文獻表明利用人體舒適度指數處理氣象因素能夠提高預測精度［8—9］。

人體舒適度指數，是指在不特意采取任何防寒保暖或防暑降溫措施的前提下，人在自然環境中是否感到舒適及其達到怎樣一種程度的具體描述，是從氣象角度來評價在不同氣候條件下人的舒適度感覺，根據人類機體與大氣環境之間的熱交換而制定的生物氣象指標。具體計算公式為

式中：D為人體舒適度指數；T為日平均氣溫，℃；U為日平均相對濕度，%；V為日平均風速，m/s。

就連云港地區而言，具體表達式為

表1采用BP算法分別利用3種綜合氣象因子處理方法進行負荷預測的結果。每日96個時刻絕對誤差平均值為

式中：yi為負荷真實值；為預測值。

由表1可以看出，以人體舒適度作為氣象因子輸入的處理方法預測結果精度最高，本文采用人體舒適度指數作為輸入的氣象因子。另外，除夕一天的負荷預測數據誤差較大，通過分析96點日負荷預測數據可知，18：00～24：00時段的預測誤差較大，可通過在自適應算法中增加對18：00～24：00時段預測數據微調策略以解決此問題。

表1 3種綜合氣象因子處理方法預測結果 %

3 算例分析

通過選取2010、2011年春節數據，分別采用BP網絡算法和自適應神經網絡算法預測2011、2012年春節期間每日96點負荷數據。表2為計算實例。

由表2可以看出，采用自適應算法比傳統BP算法預測精度高，與此同時，自適應算法也彌補了除夕這一天負荷預測精度較低的問題。另外，2012年春節負荷預測數據較2011年的春節負荷預測數據的精度更高。隨著歷史負荷、氣象數據逐步地完善積累，2013年春節負荷預測的精度會更高。

表2 計算實例

4 結束語

研究連云港地區電網春節期間負荷特性，分析除夕負荷的特殊性，做好負荷預測工作，為地區電網的經營管理和計劃上報提供了必要的決策依據,對保證居民用電具有重要意義。本文提出了基于人體舒適度的自適應神經網絡負荷預測模型。在模型的學習過程中，采用了動態自適應的方法處理數據，選擇有效的負荷數據、氣象數據進行訓練學習，提高了學習效率；以人體舒適度指數作為神經網絡的訓練數據，可以得到氣象和氣象敏感負荷之間更精確的關系，進一步提高了短期負荷預測的精度，自適應地解決了除夕負荷預測誤差大的問題。

最后對連云港地區2011、2012年春節的負荷預測表明，本文提出的方法預測精度更好、適應性更強，具有比較好的實用價值。

：

［1］楊志榮，勞德容.需求方管理及其應用［M］.北京：中國電力出版社，1999.

［2］康重慶，夏清，張伯明.電力系統負荷預測研究綜述與發展方向的探討［J］.電力系統自動化，2004，28（17）：1-11.

［3］李曉波，羅枚，馮凱.短期負荷預測神經網絡方法比較［J］.繼電器，2007，35（6）：49-53.

［4］廖旎煥，胡智宏，馬瑩瑩，等.電力系統短期負荷預測方法綜述［J］.電力系統保護與控制，2007，39（1）：147-151

［5］姜勇.電力系統短期負荷預測的模糊神經網絡法［J］.繼電器，2002，30（7）：11-13.

［6］JIANG Yong.Fuzzy neural network for short?term load forecasting［J］.Relay,2002,30（7）：11-13.

［7］Sinha A K.Short term load forecasting using artificial neural network［J］.IEEE Trans on Power Systems,2000(1)：548-553.

［8］秦海超，王瑋，周暉，等.人體舒適度在短期電力負荷預測中的應用［J］.電力系統及其自動化學報，2006，18（2）：63-66.

［9］肖晶，基于人體舒適度指數負荷特性分析方法的研究［D］.南京：東南大學，2005.

Load characteristics analysis and load forecasting method at Spring Festival in some city

SU Yi?qiang
（Lianyungang Power Supply Company,Lianyungang 222004,China）

The shape of the load curve during Spring Festi?val，especially New Year's Eve in Lianyungang district,and its varying trend and characteristics are analyzed.An adaptive artifi?cial neural network model is proposed for Spring Festival，consider?ing the influence of whether,major event and historical load on the variation of load.This method forecasts the load by selecting week?end which is similar on human body amenity indicator,similar day over the past year,the day before.The results of calculation exam?ples show that this method is effective.

Load characteristics；Load forecasting；adaptive artificial neural network；Spring Festival；New Year s Eve

1009-1831（2014）01-0036-04

TM715.1；F407.61

C

2013-09-10

蘇宜強（1985），男，江蘇贛榆人，碩士研究生，工程師，主要從事電網調度工作。