短期電量預測的應用實例

1引言

電力負荷預測是根據電力負荷、經濟、社會、氣象等的歷史數據，當前及未來天氣信息，預測未來電力負荷的過程。

負荷預測是電力系統運行管理的關鍵組成部分。工業、民用、公用事業用電負荷特性迥異，電力負荷及用電量因天氣、社會活動的變化，具有很大的波動性和季節性;對電力負荷作出正確的預測，是電力系統制訂擴容、運行、檢修等計劃的基礎。為了電力系統運行的有效性和運行效率，我們需要正確地預測系統負荷;如果系統負荷預測過高，系統發電容量偏大導致運行成本過高;相反，如果系統負荷預測偏低，將會影響到系統的可靠性和安全性。

2負荷預測的主要分類：

2.1按照預測指標分類:

電力負荷預測可分為電量預測和電力預測。電量預測包括社會用電量、網供電量、行業電量、區域電量等，電力預測包括最大負荷、最小負荷、負荷率、負荷曲線等。

2.2 按照預測時間的長短分類，負荷預測可分為以下三類：

2.2.1長期負荷預測：3～5年甚至更長時間段內的負荷預測，用于電力公司規劃管理，進行未來擴建、電網改造、設備采購、人員招聘等預測;

2.2.2中期負荷預測：月至年的負荷預測，用于燃料供應和機組維護的計劃，功率共享協調;

2.2.3短期負荷預測：指日負荷預測和周負荷預測，用于經濟運行計劃，機組發電系統管理，安全分析，短期維護等。

2.2.4超短期負荷預測：是指未來1h以內的負荷預測，用于預防性控制和緊急處理。

3短期負荷預測的常用方法：

隨著科學創新產生的新方法、計算機技術發展營造的實時環境和電力營銷機制的發展，二十世紀九十年代中期以來，短期負荷預測在電力文獻中是很常見的研究課題。盡管許多方法經過了測試并證明其實用性，目前還沒有一種強大的通用方法，主要是因為特定情況下的環境和需求對適用模型的選擇有著重大影響。

3.1時間序列分析法：

時間序列分析模型由美國學者George Box和英國統計學家Gwilym Jenkins在1968年提出，被認為是最經典、最系統的預測方法，是短期負荷預測的常用方法。

3.1.1自回歸——移動平均模型(ARMA，AutoRegressive Moving Average)：

自回歸模型(AR，AutoRegressive)負荷的現在值由過去值的加權值的有限線性組合及一個干擾量來表示;移動平均模型假設干擾的影響只表現在有限的幾個連續時間間隔內，自回歸——移動平均模型既包含自回歸部分又包含移動平均部分。

3.1.2累積式自回歸——移動平均模型(ARIMA，AutoRegressive Integrated Moving Average)：

電力系統負荷受季節、天氣、社會活動、設備狀況等因素影響，負荷時間序列的變化會出現非平穩的隨機過程。通過差分將負荷時間序列進行平穩處理，然后按照3.1.1和3.1.2的平穩時間序列模型進行建模;這就是累積式自回歸——移動平均模型。

3.1.3季節性綜合自回歸移動平均模型(Seasonal ARIMA)：

每日負荷與前一天和上一周相同日具有相似性，不同季節之間的負荷具有明顯的區別;累積式自回歸——移動平均模型加上季節性因素以后，形成季節性綜合自回歸移動平均模型。

3.2基于人工智能網絡技術(ANN，Atificial Neural Network)的預測方法：

研究人員常常使用基于人工智能網絡技術的方法進行負荷預測并取得很好的效果，這些方法的亮點在于假設人工智能網絡對負荷特性有學習能力。

3.2.1什么是人工智能網絡(ANN)?

人工智能網絡始于人們認識到人的大腦以完全不同常規的數字計算機。人腦是一個高度復雜的、非線性的、并行的信息處理系統，組織神經元以超過當今最快的計算機數倍的速度進行運算;例如，在陌生的環境中辨別一張熟悉的人臉，大約只需要100~200毫秒，而常規計算機執行一項相對簡單的任務還需耗費數天之久。

人工智能網絡將人腦處理特定任務的方式進行模型處理，由電子元件或計算機軟件模擬過程執行，是由通過學習過程具有存儲經驗知識并使用的許多單一處理單元組成的大型并行處理機器。

3.2.2人工智能網絡的優勢：

經過培訓的人工智能網絡可以作為某個信息類別的“專家”，為新情況指明方向或回答判斷路徑問題等。

人工智能網絡是功能極其強大的、高效的并行處理機器，具有學習和歸納能力，對錯誤和噪音具有特別的適應性。

3.2.3人工智能網絡的結構：

單層前饋網絡：

4研究對象和模型選擇：

4.1研究對象：

本文選擇供電區域內的一個典型的500kVA變壓器作為負荷預測分析的對象，負荷以居民用戶為主、兼有商業和非工業單位用戶。

本文嘗試對單個變壓器的每日用電量進行預測分析。單個變壓器的負荷波動性較大，特別在周末和節假日，游客數量多少對該變壓器用電量影響較大，因此預測的難度相對加大。

4.2方法和模型選擇：

本文選擇時序系列分析法為基本研究方法，考慮天氣、季節等因素，對負荷時間序列進行平穩處理;以EXCEL表格為基本分析工具，采用人工智能網絡技術對天氣、季節各變量分配相應的權重，同時對誤差進行及時修正。

4.3數據時間范圍：

由于今年3月份開始收集負荷數據，因此負荷數據的時間長度只有三個月，暫時沒有定義出各季度變量的權重系數，有待下一步在積累更多數據后進行分析。

5電量預測及結果分析：

5.1輸入：

5.1.1天氣信息：

每日最高溫度、最低溫度、濕度、平均風力、晴雨、臺風等。