基于IHMF算法的火電機組短期負荷預測研究

王力光，封亞釗，王濤，司風琪

(1.大唐環境產業集團股份有限公司特許經營分公司，南京 211100；2.東南大學能源熱轉換及其過程測控教育部重點實驗室，南京 210096)

隨著用電結構的升級以及新能源規?；⒕W所導致的電網隨性擾動增加，電網實施了更加精細化的調度，對火電機組等可調可控發電電源的統籌調度也逐漸加強。因此，在深度調峰運行背景下，火電機組負荷經常大幅度變化，而負荷預測將對機組優化運行產生重要影響。

劉衛亮等[1]基于支持向量機構建了鍋爐爐膛多層火焰圖像和機組負荷之間的關系模型，從而開展了負荷預測。馬良玉等[2]分析了影響機組負荷的多種因素，研究各種擾動下機組負荷的變化量，并對負荷進行了預測。劉輝等[3]分析了火電機組負荷控制的特點，提出了一種新的多變量模型預測控制算法。通過小波變換，將負荷序列分解到不同的尺度上分別得到高頻和低頻序列，對不同子負荷序列分別采用相匹配的模型進行預測，加權求和便可得到完整的負荷預測結果。張然然等[4]耦合自回歸積分滑動平均(ARIMA)和小波變換用來進行火電機組負荷的預測。研究結果發現耦合模型的負荷預測精度明顯高于ARIMA模型的負荷預測精度。丁偉等[5]提出了一種適用于火電機組負荷預測的歷史匹配預測算法(HMF)，該算法的預測精度高于ARMA算法，并且在變負荷過程中優勢也較為突出。

負荷預測可分為短期和長期負荷預測兩大類。短期負荷預測主要是能夠實現未來多個小時內機組發電負荷的預測[6]，目的是為電廠安排日、周調度計劃、組合最優機組、協調機組調度、負荷經濟分配以及機組優化運行等[7]。本文提出一種改進型的基于歷史數據相匹配的機組短期負荷預測方法(Improve History Matching and Forecasting algorithm，IHMF)，基于日負荷的相似性特征，通過加權歐氏距離法同時對負荷的差分序列和原始的負荷序列進行相似性匹配，以歸一化后和數值最小為原則，獲得最相似日的負荷序列，從而實現對機組短期負荷的預測。

1 基于IHMF的機組短期負荷預測

1.1 HMF機組短期負荷預測算法

基于歷史數據匹配的機組短期負荷預測方法(History Matching and Forecasting algorithm，HMF)基于日負荷的相似性特征，對負荷歷史數據時間序列進行相似性匹配，得到歷史最相似日的負荷變化趨勢，依據這些趨勢的細節信息實現對未來負荷的預測。將一組負荷數據按時間排序便可得到負荷時間序列，通過加權歐式距離法對不同負荷時間序列進行相似性度量，按式(1)進行計算。

(1)

式(1)中，D為歐式距離，是衡量兩負荷時間序列相似程度的一個重要指標；A、B均為負荷時間序列；T為負荷時間序列的長度；N0為常數系數；wi為加權系數，越靠近當前時刻，加權系數越大；λ為加權指數。

HMF算法通過當前時刻t0和歷史匹配時長T推算出歷史對應時段，并得到對應時段的歷史相匹配的負荷時間序列。對歷史匹配的負荷時間序列進行差分化處理得到負荷時序變化的一些特征和趨勢。進一步地由加權指數λ生成加權系數wi，并基于歐氏距離法進行相似性匹配計算輸出最相似日。計算最相似日的負荷變化率，并逐一與當前負荷相乘，最終獲得負荷的時序預測值。在訓練和測試基于HMF的機組短期負荷預測模型時，通過不斷調整歷史匹配時長T、加權指數λ，以獲得最小的平均負荷預測誤差。

以某660 MW燃煤發電機組為例，圖1為HMF模型在2020年2月5日17:00～20:00間的機組發電負荷預測結果。圖2為HMF模型利用2020年2月5日11:00～17:00的負荷差分數據與歷史日同時段的HMF算法匹配的最相似日的負荷曲線。對比圖1和圖2可以發現，HMF算法通過負荷差分序列進行相似性匹配，雖然可以獲得最為相似的負荷變化特征，但卻未考慮兩者實際負荷的一致性。圖1中的歷史匹配序列處于高負荷區間，而圖2所匹配到的最相似日負荷處于低負荷區間，從而導致負荷預測結果發生偏離。

圖1 機組發電負荷預測結果

1.2 IHMF機組短期負荷預測方法

由于HMF方法在匹配時間序列的相似性時，通過將歷史匹配時間序列進行差分處理，從而利用該差分序列與歷史數據中負荷的差分序列進行匹配。該方法只考慮了相鄰時刻間負荷的變化量來進行時間序列的相似性匹配，但缺乏對原始負荷序列之間相似性考慮。針對該問題，本文提出了一種改進型的HMF算法，利用歐氏距離法同時對負荷的差分序列和原始的負荷序列進行相似性匹配。隨后將兩者所得的歐氏距離進行歸一化處理后相加，以和最小為原則獲得最相似日的負荷序列。IHMF算法的具體計算流程如下：

圖2 HMF算法匹配的最相似日的負荷曲線

(2)

(3)

步驟5：通過式(4)迭代得到預測當天第n時刻的負荷預測值Pn，并獲得負荷預測序列。

Pn=Pn-1·ΔPn

(4)

1.3 IHMF模型實例分析以及對比驗證

首先從電廠SIS系統中采集該機組自2019年2月15日至2020年2月15日之間的負荷歷史數據，取樣間隔為1 min。其次利用基于IHMF的短期負荷預測方法進行預測，歷史匹配數據為2019年2月15日到2020年2月14日的歷史負荷數據，測試數據為2020年2月15日的負荷數據。通過文獻[5]確定模型的歷史匹配時長T為6 h，加權指數λ為0.15。測試案例中每半小時進行一次預測，合計共48組測試樣本，計算各組測試樣本的平均預測誤差，并且與上文提到的傳統HMF算法的預測結果進行對比分析。

某時刻IHMF模型預測曲線見圖3。與圖1中HMF算法預測精度相比，IHMF算法預測的負荷變化趨勢與實際負荷變化趨勢吻合更好，表明IHMF算法進行機組短期負荷預測時具有明顯的優勢。IHMF算法匹配的最相似日的負荷曲線見圖4。綜合圖3和圖4中的曲線及數據可知，匹配到的負荷與實際運行負荷所處的區間基本相同，都為高負荷區間，且兩者的變化趨勢基本一致，因而IHMF算法能夠更為較好地預測出未來3 h的負荷。

圖3 某時刻IHMF模型預測曲線

圖4 IHMF算法匹配的最相似日的負荷曲線

表1給出了IHMF算法與HMF算法的預測精度對比。從表1中可以看出，IHMF算法180 min內最大預測誤差為6.875%，而HMF算法180 min內最大預測誤差達到了12.704%。綜合來看，IHMF算法的負荷預測誤差時明顯小于HMF算法的。因此通過模型對比可知，本文提出的IHMF算法比HMF算法具有更好的負荷預測效果。

表1 IHMF算法與HMF算法的預測精度對比

除此之外，本文還對2020年2月15日到2020年2月18日連續三天的機組負荷進行了預測，依然按照原先的方案即每半小時預測一次，每次預測未來三小時的負荷。IHMF模型連續三天機組負荷預測結果見圖5，從圖5中可以看出，實際負荷曲線與IHMF模型給出的預測負荷曲線幾何重合，擬合優度R2達到了0.913 4，即表明IHMF模型在長時間的連續預測狀態下也能給出較好的預測結果。將負荷預測結果與實際負荷對比可知，IHMF模型的平均預測誤差僅為13.36 MW，體現了IHMF模型擁有很高的負荷預測精度，可有效應用于電站實際生產，方便運行人員依據負荷預測結果提前制定機組運行計劃與生產方案。

圖5 IHMF模型連續三天機組負荷預測結果

2 結語

本文提出了一種基于IHMF算法的機組短期負荷預測模型?；谌肇摵傻南嗨菩蕴卣?，通過加權歐氏距離法同時對負荷的差分序列和原始的負荷序列進行相似性匹配，基于歸一化后的和最小原則獲得最相似日的負荷序列。研究發現IHMF模型在較長時間的連續狀態下均能夠較好地預測出未來負荷的變化，并且相比傳統的HMF預測模型有著更高的預測精度。