基于有效度和虛擬預測的負荷組合預測

王智翔,殷 豪,盧海明

(廣東工業大學 自動化學院,廣州 510006)

基于有效度和虛擬預測的負荷組合預測

王智翔,殷 豪,盧海明

(廣東工業大學 自動化學院,廣州 510006)

為提高電力系統負荷預測精度,應對大量隨機沖擊負荷接入電網帶來的預測精度下降,提出一種基于有效度遴選和虛擬預測的負荷組合預測方法。首先通過預測有效度對單項預測模型進行選擇,確定最終組合預測模型,然后運用組合預測方法進行提前24 h預測,得出實際預測結果,其中各單項預測模型的權系數通過虛擬預測法來確定。實例分析表明,該方法有效解決了選擇單項模型的隨機性和權重難以確定的問題,且預測效果明顯優于單一預測方法。

有效度;虛擬預測;組合預測;沖擊負荷;負荷預測

電力系統負荷預測是電力系統規劃的重要組成部分,而短期電力負荷預測則是現代電力系統控制與運行分析的一項重要研究內容[1]。

目前國內外專家學者對負荷預測方法的研究大體上可以分為兩類:第一類是經典預測方法,主要有回歸分析法、時間序列法[2]、趨勢外推法等,經典方法缺點是面對比較復雜問題時建模難度大,需要較高的技巧和豐富的經驗;第二類是人工智能算法,主要有模糊預測法[3]、專家系統法[4]和人工神經網絡法[5]等。由于電力系統負荷具有很多不確定因素,單項預測模型不能完全反映出電力負荷的變化規律和信息,因此組合預測模型成為當今研究新的發展方向。在以往的組合預測研究及應用中,參與組合預測的單項預測模型往往沒有經過篩選,而是人為主觀決定后直接進行組合,文獻[6]觀點表明最優模型組包含的單項預測模型并非越多越好。在組合模型的權值研究中，要根據各單一模型在歷史數據中的表現確定其組合權值,如方差倒數法;利用優化算法求取組合預測模型的最優權系數,如粒子群優化組合預測[7]等。

本文針對負荷變化的特點和已有方法的不足,提出了一種基于有效度遴選和虛擬預測的負荷組合預測方法,有效提高包含大量沖擊負荷地區的預測精度。

1 單項預測模型遴選

當參加組合的預測方法由n種增加到n+1時,并不能保證一定會降低非負權重最優組合預測誤差平方和。本文參考排除冗余數據的方法[8],從預測有效度的角度考慮,確定最優模型組包含的單項預測模型。

假設εij=(xj-xij)/xj為第i種預測方法在第j個時刻的相對誤差,令

則稱aij為第i種方法在第j個時刻的預測精度,i=1,2,…,m;j=1,2,…,t;稱M(zi)=E(Ai)(1-σ(Ai))為第i種預測方法的預測有效度,其中數學期望E(Ai)和標準差σ(Ai)計算公式為

根據有效度選擇單選預測模型的過程為:

1) 按照有效度公式對各個單項預測模型進行評價,并按有效度大小進行排序,例如,假設M(z1)≥M(z2)≥…≥M(zm)。

2) 挑選有效度最高的兩個預測模型z1和z2,以誤差平方和最小準則建立組合預測模型z12并計算其有效度M(z12)。如果M(z12)≤M(z1),表明單項模型z2的加入并沒有使預測有效度提高,說明z2為有效度冗余模型,把它從單項模型中剔除;如果M(z12)≥M(z1),表明z2的加入使得預測有效度提高,保留該組合預測模型。

3) 將步驟2)中得到的組合預測模型作為最好的預測模型,繼續加入余下的單項模型,并進行有效度判斷,直到所有的單項模型判定完為止。最后所得組合預測模型即為最終預測模型。

根據上述步驟,在模糊預測法、誤差反饋加權時間序列法、回歸分析法、BP神經網絡法和最小二乘支持向量機法中,最終選取BP神經網絡、灰色模型法和誤差反饋加權時間序列法組成組合預測模型。

2 基于虛擬預測的負荷組合預測方法

虛擬預測是指對歷史時間點的數據進行假定的預測,其預測的結果認為是歷史時間點的擬合結果,從而可以按擬合的效果做出各個單一方法權重的判斷[9]。將預測日之前的歷史數據進行整理分析,可分為歷史時段和虛擬預測時段。本文構建的組合預測模型借助了虛擬預測思想,其應用在電力系統負荷預測上的基本思想如圖1所示。

圖1 虛擬預測

組合預測模型通過利用各單項模型進行虛擬預測得到各單項模型的預測結果,利用評價指標形成組合預測模型中單項模型的權系數。方差倒數法是一種常用的權系數生成方法,通過使用預測誤差平方和反應預測模型預測精度,通過對預測時段前的歷史若干次等時長虛擬預測,在同一時刻t預測誤差平方和較小則認為單項模型在t時刻預測效果較好。此單項預測模型在t時刻被賦以較高權重,即

t=1,2,…,n;i=1,2,…,m

根據有效度遴選,選取BP神經網絡、灰色模型法和誤差反饋加權時間序列法組成組合預測模型,可以得到虛擬預測模型的完整框架,如圖2所示。

圖2 基于虛擬預測的負荷組合預測實例

Fig.2 A practical structure of load combination forecasting method

3 仿真分析

3.1 負荷準確率評價指標

在組合預測模型中,BP神經網絡的輸入除了負荷樣本還考慮了最高溫度、最低溫度、降雨量和日期類型,補充了時間序列模型和灰色理論模型的不足。

根據南方電網調度負荷預測管理與考核辦法,并結合地區電網的實際需求,分別取用日最大負荷準確率、日最小負荷準確率、日24點準確率作為不同預測模型的評價指標,其指標計算表達式為

3.2 實例分析

所使用的歷史負荷數據由廣東河源地區電網提供。歷史數據(2010年—2012年)為數據采集與監控(SCADA)系統獲取的實測負荷量,所有數據的時間分辨率均為5 min,即一天擁有288個數據樣本。該地區用電基數比較小,處于300～1000 MW的規模,同時存在著較多的鋼鐵用戶,其主要用電設備屬于沖擊性負荷,與其他負荷的隨機波動疊加在一起,將會使電網負荷發生較大波動。選取了2012年7月1日至7月7日一周的歷史負荷作為評價樣本,第1天預測結果如圖3所示,連續7 d各方法預測結果誤差如表1所示。

由圖3可知,該地區負荷曲線呈現“三峰兩谷”的變化趨勢。由于電網對工業用電實行峰谷電價,鼓勵多用低谷電,因此煉鋼廠、軋鋼廠生產主要集

中在00∶00-08∶00,負荷曲線的每個拐點均為高頻分量幅值較大的時刻。由此可見,本文所述的組合預測方法能準確地捕捉沖擊毛刺的變化規律,預測曲線比各單項預測更接近實際值。

圖3 第1天預測效果圖

由表1可知,對最重要的24點準確率采用本文所述的組合預測模型比各個單項預測模型表現的更好,而且預測結果穩定,日最大、最小負荷準確率均比其他兩種模型有明顯提高。這對于基礎負荷相對較小、沖擊負荷所占總負荷較大的地區已是不小的提升。從綜合結果來看,本文方法對于含沖擊負荷地區負荷預測有更大的優越性。虛擬組合預測相對百分比誤差如圖4所示。

由圖4可知,在連續7 d共168個預測點中,誤差在10%以上共有3個預測點,占總數的1.79%;154個點預測誤差在5%以內,占總數的91.67%;其余11個預測點誤差為5%～10%,占總數的6.55%。由此表明,本文提出的預測方法能有效提高負荷預測精度,且每個考核點預測結果穩定,更接近于實際的負荷曲線,而單一方法的預測結果則會出現較大的偏離。

表 1各模型準確率評價指標對比

圖4 組合預測方法7天預測百分比誤差分布圖

Fig.4 Percentage error of combination forecasting method in 7 days

4 結 論

1) 與單項預測模型對比,本文所述組合方法能有效克服單一模型的缺點,解決選擇單項模型的隨機性和權重難以確定的問題。

2) 新方法具有更高的預測精度和更好的穩定性。

[1] 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, 2011, 39(1): 147-152. LIAO Nihuan, HU Zhihong, MA Yingying, et al. Review of the short-term load forecasting methods of electric power system [J]. Power System Protection and Control, 2011,39(1): 147-152.

[2] 蘭華,朱鋒. 基于EMD與粗糙集及神經網絡相結合的短期負荷預測[J]. 黑龍江電力, 2012, 34(4): 241-245. LAN Hua, ZHU Feng. Short-term load forecasting based on EMD and the combination of rough set and neural network [J]. Heilongjiang Electric Power, 2012, 34(4): 241-245.

[3] 姜妍,蘭森,孫艷學. 基于最小二乘支持向量機的短期負荷預測[J]. 黑龍江電力, 2012, 35(5): 349-352. JIANG Yan, LAN Sen, SUN Yanxue. Short-term load forecasting based on least square support vector machine [J]. Heilongjiang Electric Power, 2012, 35(5): 349-352.

[4] KANDIL M S, EL-DEBEIKY S M, HASANIEN N E. Long-term load forecasting for fast-developing utility using a knowledgebased expert system [J]. IEEE Power Engineering Review, 2002, 17(4): 78.

[5] 李程,譚陽紅. 電力負荷的RBF神經網絡預測[J]. 黑龍江電力, 2010, 32(4): 252-254. LI Cheng, TAN Yanghong. RBF Prediction of electric power load [J]. Heilongjiang Electric Power, 2010, 32(4): 252-254.

[6] 金鑫,羅滇生,孫廣強,等. 中長期電力負荷預測模型篩選與組合方法[J]. 電力系統及其自動化學報, 2012, 24(4): 150-156. JIN Xin, LUO Diansheng, SUN Guangqiang, et al. Sifting and combination method of medium-and long-term load forecasting model [J]. Proceedings of the Chinese Society of Universities, 2012, 24(4): 150-156.

[7] 高丙坤,李陽,許明子. 優化粒子群算法在組合供熱負荷預測中的應用[J]. 信息與電子工程, 2011, 09(5): 655-659. GAO Bingkun, LI Yang, XU Mingzi. Application of particle swarm optimization algorithm in the heating load combination forecasting [J]. Information and Electronic Engineering, 2011, 09(5): 655-659.

[8] 王豐效. 基于有效度的組合預測單項模型的逐步遴選方法[J]. 統計與決策, 2014(12): 69-71. WANG Fengxiao.Stepwise selection method based on combination forecast of the validity of single model[J].Statistics and Decision Making，2014(12)：69-71.

[9] 孟安波,陳育成. 基于虛擬預測與小波包變換的風電功率組合預測[J]. 電力系統保護與控制, 2014，43(3): 71-76. MENG Anbo, CHEN Yucheng. Wind power combination forecasting based on wavelet packet transform and virtual forecasting meth-od [J]. Power System Protection and Control, 2014，43(3): 71-76.

(責任編輯 侯世春)

Load combination forecasting based on effective measure and virtual forecasting method

WANG Zhixiang, YIN Hao, LU Haiming

(College of Automation, Guangdong University of Technology, Guangzhou 510006, China)

To improve the accuracy of load forecasting and to cope with the challenge from a large number of grid-connected random impact loads, this paper proposes the load combination forecasting based on effective measure and virtual forecasting. Firstly, forecast effectiveness of the individual prediction model selection, to determine the final combination forecasting model. Then use the combination forecasting method to predict 24h before to work out the actual prediction. Finally, the weight coefficients of each method are identified by using variance reciprocal method through a virtual forecasting method. The example analysis shows that the method is effective to solve the randomness and the difficulty in determining the weight of individual models with a great forecasting effect apparently superior to single forecasting method.

forecasting effective measure; virtual forecasting; combination forecasting; impact load; load forecasting

2015-03-06。

王智翔(1988—),男,碩士研究生,主要研究方向為智能算法在電力系統中的應用。

TM714

A

2095-6843(2015)04-0309-04