基于解集模型的水電站超短期負荷預測研究

寇立夯?陳在妮?朱陽

摘 要：結合瀑布溝電站實際負荷資料，提出基于解集模型與標幺值原理的負荷預測模型，并進行超短期負荷預測實例驗證，預測結果與電網下達的計劃出力對比分析結果表明，模型預測結果與實際負荷的偏差明顯小于計劃出力與實際負荷的偏差。本文所建負荷預測模型可用于指導水電站的生產運行管理，特別是指導發電企業參與現貨市場交易決策。

關鍵詞：典型解集模型;相關解集模型;標幺值;超短期負荷預測;瀑布溝電站

中圖法分類號：TM73? ? ? ? ? ? ? ? ? 文獻標志碼：A? ? ? ? ? ? ? ?DOI：10.19679/j.cnki.cjjsjj.2021.0212

隨著電力市場化改革不斷深化，作為第一批電力現貨市場試點省份，四川省已經進入現貨市場模擬運行階段。超短期負荷不僅對于發電企業制定發電計劃、避免重大事故、保障生產和生活用電有著重要作用，隨著電力現貨市場的展開，對企業制定現貨市場競價策略也有著重要指導意義。負荷預測可分為傳統方法和人工智能兩大類。傳統方法中的時間序列預測一般以建立符合假設條件的統計模型來實現，基于線性關系確立序列中數據點間的依存方式，其優點是方法計算簡單，屬于模型驅動的預測方法[1-3]，包括移動平均法、指數平滑法、自回歸方法等。人工智能方法中的人工神經網絡是由大量信息處理單元通過廣泛互連的方式構成的一種數學模型，是一種基于數據驅動的預測方法[4-6]，相關研究已取得了積極的成果[7-10]。

瀑布溝水電站是大渡河流域下游控制性水庫工程，作為四川省電網的主力調峰調頻電站，對四川電網全穩定運行以及下游梯級水電站群發電運行等均具有重要的影響。目前關于電站短期負荷預測的研究較少，為此，本文基于解集模型與標幺值原理，提出兩種瀑布溝電站96點負荷耦合預測模型，通過與電網下達計劃負荷對比分析表明，本文模型的預測效果優于電網計劃出力曲線，能夠較明顯的提高瀑布溝電站的負荷預測精度。

1? 預測模型基本原理

解集模型是一類用途廣泛的模型，其實質是基于某種關系將總量隨機分解成各分量，其顯著特點是能夠保持變量平衡和連續分解。當前應用的解集模型主要有典型解集模型

1.1? 典型解集原理

典型解集模型的思路是，先預測總量，再按照某種原則從實測資料中選擇一種分配系數對預測總量進行分配，得到預測分量序列。使用典型解集模型進行96點負荷預測主要有以下三個步驟：預測日電量序列;生成分配系數序列;結合上述兩個步驟確定96點預測序列。

1.2? 相關解集原理

相關解集模型的分量序列能全面反映總量和各分量之間的統計關系。在負荷預測應用時，相關解集模型的優點在于其能夠體現各時刻負荷不僅和當天總電量有關，還受到相鄰其它時刻的負荷影響，步驟如下。

數據去中心化處理，即

xt =- x′（1）

yt，m = - ym′（2）

其中、分別為日電量和96點負荷;、分別為日電量、96點負荷的均值;xt、yt，m分別是中心化的日電量和96點負荷。

建立相關解集模型，即

Y= A·X + B·ε? （3）

其中，Y為中心化后的96點負荷，X為中心化的日電量，對瀑布溝電站只有一個元素，ε為96點標準化的獨立隨機變量矩陣，A，B為特征參數。

2? 負荷預測模型構建

2.1? 典型解集預測模型

通過比選多種負荷分配系數和總量以及多種標幺值和基準值的模型組合后，本文選取以日最大點負荷為基準的標幺值方法。其中標么值指的是某一物理量的實際值與某一選定同單位的對照值之間的比值，該模型的建模過程如下。

求得T-1日（待預測日T的前一日）的96點負荷的最大值F_maxT-1。

將T-1日的96個點負荷分別除以該日最大點負荷F_maxT-1，得到T-1日的96個標幺值，顯然，標幺值在該日的最大點負荷處可以取得最大值1，最大點負荷可能不止1個，所以相應的標幺值為1的點可能超過1個。

T日96點負荷最大值的預測值F_maxT直接取為T日96點計劃負荷的最大值P_maxT。

將（2）求得的96個標幺值分別乘以（3）步得到的P_maxT，則得到T日的96點負荷預測值，順序從時刻0：00到時刻23：45。

2.2? 相關解集預測模型

在相關解集模型中，使用了不同長度的相關區間（可以理解為相關解集模型的訓練區間，即每個待預測日的分配系數由之前一定天數的分配系數根據相關解集的方法確定），分別為前2天和前3天，預測負荷值用來相關分析的天數也分別為2天和3天，即公式（3）中A、B和ε的值分別根據前2天、前3天的X、y序列數據計算確定。其中，相關解集（前2天）模型使用XT-1，XT-2和yT-1，1～ yT-1，96、yT-2，1～ yT-2，96來計算A、B和ε;相關解集（前3天）模型使用XT-1，XT-2，XT-3和yT-1，1～ yT-1，96、yT-2，1～ yT-2，96、yT-3，1～ yT-3，96來計算A、B和ε的值。

根據典型解集的預測規律，本文在建模時也采用標幺值的預測方法，即相關解集模型的分析和預測數據均為各日的標幺值（基準值為每日最大點負荷），在求得待預測日的96點標幺值后，點乘待預測日的96點計劃最大點負荷，得到該日的96點預測負荷過程。

3? 實例分析

為對全年內不同時間段進行預測，驗證模型的適用性，結合瀑布溝電站負荷整體趨勢，本文將其劃分為8個區間，具體劃分見表1。

按照上述典型解集模型的構建步驟，結合瀑布溝電站實際負荷數據，對瀑布溝電站2017年和2018年年內各區間的負荷進行預測，并將其與電網發電計劃的偏差情況進行對比，結果如表2所示。

由表2可知，典型解集模型的整體預測效果較好，相比平均計劃偏差，這種模型在2018年部分區間（區間1、2、3、7、8）的平均預測誤差可以減少20個百分點以上，在區間8預測誤差減少81.1個百分點。

按照上述相關解集模型的構建步驟，結合瀑布溝電站實際負荷數據，分別以待預測日前2天和前3天的數據為相關區間，對瀑布溝電站2017年和2018年年內各區間的負荷進行預測，并將其與電網發電計劃的偏差情況進行對比，結果如表3所示。

由表3可知，在區間1和區間7，以前2天為相關區間的相關解集模型比以前3天為相關區間的相關解集模型平均預測誤差更小。在區間2、區間3、區間4和區間8，以前3天為相關區間的相關解集模型比以前2天為相關區間的相關解集模型平均預測誤差更小。

結合表2和表3可知，典型解集模型和相關解集模型的預測結果均能較好的減少發電計劃的偏差，提高發電負荷的預測效果。其中，除區間1、區間3和區間6之外，兩種相關解集模型方法均比典型解集模型方法的預測效果更好，平均預測誤差更小。

4? 結語

在電力市場化改革不斷深入的背景下，水電站負荷預測的重要性日益凸顯。為此，本文結合瀑布溝電站實際情況，構建適用于水電超短期負荷預測的典型解集模型和相關解集模型，并通過實例驗證表明，本文所建負荷預測模型均能夠較好地提升水電站超短期負荷預測的準確性，與電站計劃負荷曲線相比，均能夠明顯減少瀑布溝電站負荷曲線的偏差，對于指導瀑布溝電站發電計劃制定以及參與即將開展的現貨市場競價決策均具有重要的理論和現實意義。

參考文獻：

[1] Williams J K，Neilley P P，Koval J P，et al. Adaptable regression method for ensemble consensus forecasting[C]//Thirtieth AAAI Conference on Artificial Intelligence. 2016.

[2] Liu C，Hoi S C H，Zhao P，et al. Online arima algorithms for time series prediction[C]//Thirtieth AAAI conference on artificial intelligence. 2016.

[3] Anava O，Hazan E，Zeevi A. Online time series prediction with missing data[C]//International Conference on Machine Learning. 2015：2191-2199.

[4] Sheng C，Zhao J，Wang W，et al. Prediction intervals for a noisy nonlinear time series based on a bootstrapping reservoir computing network ensemble[J]. IEEE Transactions on neural networks and learning systems，2013，24（7）：1036-1048.

[5] Abdollahzade M，Miranian A，Hassani H，et al. A new hybrid enhanced local linear neuro-fuzzy model based on the optimized singular spectrum analysis and its application for nonlinear and chaotic time series forecasting[J]. Information Sciences，2015，295：107-125.

[6] Gupta P，Batra S S. Sparse short-term time series forecasting models via minimum model complexity[J]. Neurocomputing，2017，243：1-11.

[7] Bianchi F M，Scardapane S，Uncini A，et al. Prediction of telephone calls load using echo state network with exogenous variables[J]. Neural Networks，2015，71：204-213.

[8] Ren Y，Suganthan P N，Srikanth N，et al. Random vector functional link network for short-term electricity load demand forecasting[J]. Information Sciences，2016，367：1078-1093.

[9] Zjavka L. Numerical weather prediction revisions using the locally trained differential polynomial network[J]. Expert Systems with Applications，2016，44：265-274.

[10] Dasgupta S，Osogami T. Nonlinear dynamic Boltzmann machines for time-series prediction[C]//Thirty-First AAAI Conference on Artificial Intelligence. 2017.

Research on Ultra-short-term Load Forecasting of Hydropower Station Based on Disaggregation Model

Kou Libang1? Chen Zaini2? Zhu Yang2

（1. National Energy Investment Group Co.， Ltd.，Beijing 100038，China; 2. National Energy Dadu River Basin Production Command Center， Chengdu 610041， China）

Abstract：With the deepening of electricity market reform，Sichuan Province，as the first batch of power spot market pilot province，has entered the spot market simulation operation stage，so accurate prediction of ultra-short-term load is particularly important for power generation enterprises.Combined with actual load data of Pubugou hydropower station，this paper proposed a load forecasting model based on disaggregation model and per-unit system，and examined the model by short-time load forecasting practical example.The analysis results show that the error of? the load forecasting model is obviously less than the deviation of plan and actual load.The model proposed by this paper can be used to guide production management of hydropower station，especially making policy for spot market transaction.

Keywords：typical disaggregation model，correlational disaggregation model， per-unit，ultra-short term load forecasting，Pubugou Hydropower Station