电力调度交换机短期负荷智能预测方法研究

电力调度机短期负荷智能预测按照时间可划分为长期、中期和短期，其中短期负荷智能预测对于电力调度交换机来说有着重要地位[1-3]。随着电力行业快速发展，电力调度交换机短期负荷智能预测精准度就显得尤为重要，因此，负荷预测成为电网运行重要研究领域[4]。

短期负荷智能预测主要用来预测未来一阵时间的负荷，其是电力运转的基础，最常用负荷预测方法包括灰色系统预测、回归分析预测和专家系统预测方法[5]。其中灰色系统预测方法利用众多影响因子来分析电力数据，通过预测降低误差，但仍有些负荷数据与电力数据之间关系并不明显；专家系统预测方法依据往年电力负荷数据建立专家分析库，根据目前电力调度交换机进行预测，虽然该方法具备良好预测效果，但受到外界因素影响，预测精准度变差；灰色系统预测方法属于经典预测方法，但影响电力负荷因素众多，使用简单分析方法无法对电力调度交换机短期负荷数据进行预测[6-8]。因此，提出了电力调度交换机短期负荷智能预测方法研究。

1 基于神经网络短期负荷智能预测

1.1 训练样本选取

由于电力调度交换机短期负荷数据受到多方面因素影响，导致数据选取不精准[9]，为了解决该问题，需选择对其影响较大的负荷数据，时间和气温对电力负荷数据影响最大。

结合神经网络短期负荷智能预测，需综合时间和气温数据，通过网络预测某一段时间的电力负荷数据[10]。神经网络具备输入层、隐含层和输出层的三层前馈网络，在该网络结构下，训练样本选取流程如图1所示。

图1 训练样本选取流程

由图1可知：初始权值，依次将当前N各学习样本输入到网络中，计算各层输入与输出值，并求各层反传误差，并及时记录已经训练过的样本个数M。如果M小于N，则需重新将学习样本输入到网络中，计算各层输入与输出；如果M等于N，则需按照权值来修正各层权值，并调整隐含层连接权值。按照新的权值，重新计算各层误差，如果误差小于设定期望值，则说明训练达到最大次数，样本选取终止，否则返回到样本输入步骤[8]。

1.2 网络输入与输出

根据上述训练样本选取流程，并确定网络输入与输出情况[11]。短期负荷智能预测结果是否精准与该层神经元数目有关，由于该层神经元数目较少，网络不能从样本中收集足够多的信息，反而将不需要的干扰信息吸收过来。结合Kolmogorov定理[12]，通过对不同神经元进行训练，形成一定结构神经网络，具体计算如下所示：

公式（1）中：k为隐含层节点数目；a为输入层节点数目；b为输出层节点数目；z常数。根据该公式确定10-6-1的神经网络结构[13]。

充分考虑天气情况，按照实际需求给天气数据进行编码[14]。将所有数据进行标准化处理，可将数据统一到0-1之间。

通过上述分析，设计了基于神经网络短期负荷智能预测流程，预测24个整点时刻的负荷值，需建立24个神经网络，每个网络都具备10个输入节点，1个输出节点和6个隐含节点。在对负荷预测前，需从中提取部分数据，并对其进行预处理，及时修补缺失数据，完成归一化处理，由此建立初始权值阈值，经过不断优化，直到达到预定精度为止，利用训练好的神经网络进行负荷预测。

1.3 预测方案的实现

将天气情况作为影响预测的主要因素，选取短期负荷作为训练样本，进行短期负荷智能预测[15]。负荷数据大部分都来自于实时数据库，一方面可能是受到机械原因影响，在数据传输过程中丢失；还有可能受到人为因素影响，数据出现异常，这些情况是造成出现伪数据的主要原因[16]。因此，在对负荷进行预测之前，需先对历史数据进行预处理，可有效提高短期负荷预测精准度。

根据电力短期负荷周期性原则，在同一时刻，其负荷值相差较小，而对于异常数据，需要采取适当方法对这些数据进行修正。设短期负荷序列为a(x ,t)，通过如下计算公式可获取一天某刻负荷均值和方差：

公式（1）、（2）中：时间t可取值0，1，...，23中任何一个整数点；a 可取值1，2，...，n，表示在第n天内的负荷数据。

设ϖ为实际电力调度交换机允许的负荷偏离率，则第m天t时短期负荷偏离率为 p(m ,t)，那么可得出：

如果p(m,t)≥ϖ，则说明该点为异常点，即为伪数据；反之，p(m,t)＜ϖ ，则说明该点为正常点，即为修正数据。

对天气数据进行编码，分别对晴天、阴天、下雨和下雪进行编码，依次为0.2、0.4、0.6、0.8，将所有数据进行标准化处理，可将其统一到0～1之间。

根据上述内容，设计短期负荷智能预测步骤，如图4所示。

图2 短期负荷智能预测步骤

通过图2可获取短期负荷智能预测数据，由此完成电力调度交换机短期负荷智能预测方法研究。

2 实验

短期负荷预测利用以往记录的数据作为实验样本，预测出未来1周内指定时间的负荷点，每10 min统计一次负荷点，以此验证基于神经网络电力调度交换机短期负荷智能预测方法的有效性。

2.1 实验数据收集

1）时间因素

短期负荷受到季节因素和节假日影响，导致预测效果较低，因此，为了收集时间因素影响下的负荷数据，需从某省M市用电负荷数据库中抽取部分数据进行分析整理，由此获取不同季节下的短期负荷变化曲线，如图3所示。

由图3可知：该市用电量在冬季和夏季的短期负荷量较高，而在春季和秋季负荷量较低。当时间为17点时，冬季日负荷达到最高，为610 kW；当时间为23点时，秋季日负荷达到最低，为275 kW。

由于人们生活习惯决定了负荷变化规律，因此，在日常工作中，人们生活用电量比较大，尤其在休息日时，大部分生产活动都停止，因此分析一周内负荷变化规律，如图4所示。

图3 不同季节下短期负荷变化曲线

图4 一周负荷变化规律

由图4可知：周末用电负荷比日常工作负荷量要低，在不同时段上，只有对影响负荷量主要因素进行分析，才能保证负荷预测结果精准。

2）天气因素

天气因素突然变化，会引起负荷量急剧变化，对于短期负荷预测造成严重影响。分析不同地区短期负荷变化曲线，如图5所示。

图5 不同地区短期负荷变化曲线

由图5可知：在北方，由于冬天使用地暖，因此，北方所消耗的负荷比南方要多。当时间为17点时，北方负荷达到最高，为630 kW；当时间为23点时，南方负荷达到最低，为285 kW。

2.2 实验结果与分析

根据上述收集在时间和天气因素影响下的负荷数据，将灰色系统预测、回归分析预测、专家系统预测和基于神经网络短期负荷智能预测方法进行对比分析，结果如下所示：

1）时间因素影响

在时间因素影响下，对冬、秋两个季节的灰色系统预测、回归分析预测、专家系统预测和基于神经网络预测方法的预测效率进行对比分析，结果如表3所示。

表3 时间因素影响下四种方法预测效率对比分析

由表3可知：灰色系统预测方法最高预测效率可达到67%，最低预测效率可达到41%；回归分析预测方法最高预测效率可达到57%，最低预测效率可达到38%；专家系统预测方法最高预测效率可达到65%，最低预测效率可达到22%；基于神经网络预测方法最高预测效率可达到97%，最低预测效率可达到91%。因此，采用神经网络预测方法预测效率较高。

2）天气因素影响

在天气因素影响下，由于南方负荷变化量不会随着温度变化而发生较大改变，而在北方负荷量随着冬天的到来而发生较大改变，因此，分析冬天环境下的灰色系统预测、回归分析预测、专家系统预测和基于神经网络预测方法的预测效率进行对比分析，结果如表4所示。

表4 天气因素影响下4种方法预测效率对比分析

由表4可知：灰色系统预测方法在时间为16 h时，预测效率达到最高，为55%；回归分析预测方法在时间为16 h时，预测效率达到最高，为57%；专家系统预测方法在时间为8 h时，预测效率达到最高，为62%；基于神经网络预测方法在时间为16 h时，预测效率达到最高，为98%。因此，采用神经网络预测方法预测效率较高。

2.3 实验结论

①在时间因素影响下，4种方法预测效率最低可达到22%，最高可达到97%；

②在天气因素影响下，4种方法预测效率最低可达到25%，最高可达到98%；

综上所述：无论是在时间因素影响下，还是天气因素影响下，采用神经网络预测方法预测效率并无明显变化，最高预测效率都在95%以上，由此说明，基于神经网络电力调度交换机短期负荷智能预测方法是具有有效性的。

3 结束语

短期负荷智能预测关系着电力计划与调度计划，而预测精准度又影响着电力调度机的稳定运行。根据负荷智能预测流程，将负荷预测做了一个综合分析，并对短期负荷智能预测未来研究提出展望，由实验结果可知，该方法最高预测精准度可达到90%，为今后短期智能预测提供借鉴。通过研究具有周期性特征的电力数据预测，能够更加精准把握未来一段时间的电力调度机负荷数据，并对短期内合理电力调度提供基础，具有现实意义。