基于虛擬預測的組合預測模型在電力負荷預測中的應用

陳 文

（廣東電網有限責任公司茂名供電局，廣東 茂名525000）

0 引言

負荷預測是電力系統規劃的重要組成部分，其準確與否直接關系到電力系統的安全運行和經濟調度，準確的負荷預測便于更合理地安排電網設備調度及檢修計劃，短期電力負荷預測更是在電力市場運營中占據著十分重要的地位［1－2］。

目前，國內外專家學者對負荷預測問題已經進行了廣泛而深入的研究，開發了各種各樣的負荷預測技術，但沒有任何一種方法能保證在任何情況下都獲得滿意的預測結果［3］。

當前使用組合預測難點主要在于單項預測模型的選擇和各單項模型之間權值的確定。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［3］結論表明最優模型組包含的單項預測模型并非越多越好。

綜上所述，針對負荷變化的特點和已有方法的不足，本文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。

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。文獻［4］采用排除冗余數據的方法，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－xxj）／xj為第i種預測方法在第j個時刻的相對誤差，令則稱a為第i種預測方法ij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

根據有效度選擇單項預測模型的過程如下：

步驟1：按照有效度公式對各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）。

步驟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。

步驟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最終預測模型。

本文根據上述步驟，在模糊預測法、灰色模型法、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，預測結果被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的權重的判斷。將預測日之前的歷史數據進行整理分析，其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應用在電力系統負荷預測上的基本思想。

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，使用預測誤差平方和反映預測模型預測精度。對預測時段前的歷史若干次等時長進行虛擬預測，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，如下式所示：；

式中 ＝1Ei，t為第i個單項預測模型進行的歷史預測在t時刻的誤差平方和；m為單項預測模型個數；n為預測時間長度。

根據前述有效度遴選，本文選取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。

3 仿真分析

3.1 負荷準確率評價指標

經過有效度遴選，確定由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。其中，BP神經網絡的輸入除負荷樣本外還考慮了最高溫度、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，分別取日最大負荷準確率、日最小負荷準確率、日24：00準確率作為不同預測模型的評價指標。

3.2 實例分析

本文所使用的歷史負荷數據（2010—2012年）由廣東某地區電網提供，是由數據采集與監控（SCADA）系統獲取的實測負荷量，所有數據的時間分辨率均為5min，即一天擁有288個數據樣本。該地區用電基數比較小，處于300～1 000MW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，會造成電網負荷發生較大波動。

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凌晨0：00—8：00，負荷曲線的每個拐點均為高頻分量幅值較大的時刻。由實驗結果可見，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1）。

圖1 預測效果圖

4 結語

電力系統短期負荷預測是電網正常運行的基礎，對電力部門提高經濟效益有著重要意義。針對該地區大量沖擊負荷接入系統，傳統預測方法的預測精度已很難滿足實際要求，本文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。實驗結果表明，與單項預測模型相比，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，新方法具有更高的預測精度和更好的穩定性，在相同負荷類型地區的負荷預測中值得推廣借鑒。

［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.

［2］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.

［3］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，2011，9（5）：655－659.

［4］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.