智能電網負荷預測算法的研究

鄭希如

【摘?要】隨著社會的快速發展，人們對電力能源的需求不斷增多，電網運行質量的要求也在提高。傳統電網輸電具有諸多局限性，很難滿足人們的現代化需求。智能電網在提高供電能力方面具有明顯優勢。本文主要對智能電網負荷預測算法進行分析，以期提高電網供電的穩定性和安全性。

【關鍵詞】智能電網;負荷;預測算法

引言

智能電網是由先進的信息通信技術、傳感技術、分析技術、決策技術和自動控制技術組成的新型現代電網。目前，智能電網已經得到大力發展，并且已經在應用實踐中取得良好效益。電力供應管理是保證智能電網穩定供電的關鍵因素。電力預測是智能電網電力管理的基礎，預測的準確性直接影響智能電網的有效性，降低電力成本，保證正常生產，有效提高經濟效益。電力負荷的傳統預測方法有趨勢預測法、回歸分析預測、人工神經網絡預測、灰色理論預測、時間序列預測以及小波分析預測等。近年來，對電力負荷預測的研究成果層出不窮，為提高智能電網的預測精度做出了巨大的貢獻。然而，由于用電負荷的復雜隨機性，實時負荷監測和預測在智能電網中仍然是一個具有挑戰性的任務。

1國內外負荷預測現狀方法

1.1電力消費彈性系數法

針對電力系統負荷變化具有明顯的分形自相似性的特點，利用彈性系數對工作口和體息口分開進行預測，通過對預測結果的各種指標的分析，表明此方法具有較高的預測精度，尤其是提高了雙體口的預測精度，從而為特殊假口的負荷預測提供了新思路。

1.2負荷密度法

利用負荷密度法進行空間電力負荷預測的原理和優點，將預測步驟分為分片區及片區內不同性質地塊數據統計、規劃用電指標、片區負荷計算、利用負荷曲線相加等4個步驟，并通過實例證明該方法的實用意義。

1.3回歸預測法

運用一元線型回歸模型的原理，通過分析歷史數據，建立數學模型，對地區電網年度最大負荷進行預測，證明該模型具有良好應用前景。通過建立線性或非線性回歸模型，直接由觀察數據進行中長期電力負荷的預測，并結合實際算例證明該方法的有效性。采用盲數形式來表達中長期負荷線性回歸預測模型的相關變量，找到負荷可能出現的多個區間以及各個區間的可信度。結合算例，證明通過盲數理論改進線性回歸模型可以使預測結果更加準確，具有較高的可信度。

1.4時間序列預測法

根據單變量時間序列的延時重構對多變量時間序列進行相空間重構，采用互信息法計算了各子序列的延遲時間，并運用平均一步絕對誤差和最小一步絕對誤差進行各子序列的嵌入維數選取，利用RBF神經網絡對短期電力負荷進行建模與預測，獲得較高的預測精度。還有一種時間序列算法和模糊邏輯技術相結合的電力系統短期負荷預測方法。它包括一個具有非線性特性的傳遞函數模型，可以考慮氣溫等外界因素對負荷的非線性影響，適用于由于天氣等因素變化引起負荷突變的預測場景。

2負荷預測算法

2.1預測算法的流程

本文提出一種差分預測算法來提高負荷預測的準確性。算法流程主要包括八個步驟：第一步，檢查原始功耗數據是否遵循馬爾可夫隨機性質并進行空間映射。第二步，對負荷數據進行離散化處理并將負荷數據序列映射到不同的區間。第三步，計算每個區間的負荷數據定位的概率，并建立一個矩陣。第四步，計算任意兩個區間之間的轉移概率，并建立轉移矩陣。第五步，計算預測負荷的區間值Q1。第六步，為每個區間內的負荷數據的隨機變動性構建灰色預測模型。第七步，計算預測的負荷波動值Q2。第八步，基于步驟5和步驟7獲得最優預測值。在步驟3中，使用一個差值的方法來計算每個區間中的用電負荷的原始概率。假設我們得到一系列的負荷數據A1、A2、…、Aa，并將它們分成N個區間。記錄每個區間K1、K2、…、KN中的采集的負荷數據數量，然后除以總個數A，計算出每個時間間隔P1、P2、…、PN中負荷數據的原始概率。在步驟4中，將馬爾科夫預測方法應用于（A1、A2、…、Aa），得到由（A1、A2、…、Aa）產生的轉移矩陣P。P的元素Pab是a轉移至b的轉移概率。然后，我們可以計算預測負荷值的區間值。在步驟5中，首先分析Aa屬于那個區間，然后用P和Aa來確定預測負荷的區間，最后我們把預測區間的中位數作為預測負荷值Q1。在步驟6中，計算得出一系列新的負荷變動數據J1、J2、…、JL-1，其中每個元素由Ja=Aa-Aa-1計算。那么，我們可以得到轉移概率矩陣（P'1、P'2、…、P'N）。在步驟7中，構造了負荷數據的灰色預測模型，并獲得預測波動值Q2。在步驟8中，基于上面的步驟得到（P1、P2、…、PN）、（P'1、P'2、…、P'N）、Aa和JL-1等參數，并計算得到兩個負荷預測值Q1和Q2。綜合考慮這兩個預測值，得到最終的預測值Q=Q1+Q2。

2.2負荷數據的離散化處理

預測精度是由負荷區間的分割粒度決定的。因此，劃分負荷數據序列成為首先需要解決的問題。本文采用將收集的負荷數據分成相等的部分的分割模式。為了分析優化的分割模式，我們定義了兩個變量的精度。一個是區間精度M1，另一個是波動精度M2。如果離散化區間太大，則在這個區間內的預測值的區間精度M1較高，而波動精度M2較低。反之亦然。為此，我們將最高值和最低值之間的范圍作為分割區域。假設負荷數據劃分的區間數量是N。隨著N增加，區間范圍將變小，M1將變小，M2將變得更大。如果N足夠小，M1將占據主導地位，并且總體精度M將會接近0。如果N足夠大，M2將占據主導地位，總體準確度M也將接近于0。因此，必須有一個最優的N來使得負荷預測結果更準確。基于窮舉算法對N的最優值（NPRO）進行計算。算法原理是讓N從1增加到一個較大的數值，隨著N的增加，M隨著N的增加而增加;當N大于一定數量時，M隨著N的增加而減小;與M的最大值對應的N值就是NPRO。

結語

負荷預測是智能電網中提高供電效率的關鍵問題。該算法對采集的用電負荷數據進行空間映射處理，使其負荷指數分布規律。該算法具有準確、穩定的負荷預測性能。

參考文獻：

[1]王建軍，智能電網環境下的自適應動智能負荷預測研究[J].陜西電力，2018（5）：11-15.

[2]張文亮，劉壯志，王明俊.智能電網的研究進展及發展趨勢[J].電網技術，2019（13）：1-11.

[3]王海云，田莎莎，張再馳，等.基于負荷預測與關聯規則修正的不良數據辨識方法[J].電力系統保護與控制，2017，45（23）：24-33

（作者單位：國網太原供電公司山西）