CN102930356B - 基于气象因素敏感度的短期负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于气象因素敏感度的短期负荷预测方法，包括：获取待预测日的预报气温和若干个历史日的实际气温；对待预测日的预报气温和若干个历史日的实际气温进行修正；获取若干个历史日的电力负荷；对经过修正后的若干个历史日的实际气温与电力负荷进行拟合，得到实际气温与电力负荷之间的关系模型；对待预测日的电力负荷进行预测。本发明在电力短期负荷预测中考虑了气象预报误差与气温累积效应的影响，先对待预测日的预报气温和历史日的实际气温进行修正，然后再进行预测。提高了电力短期负荷的预测精度，为电网调度控制提供依据，保障电网安全的运行。

Description

基于气象因素敏感度的短期负荷预测方法

技术领域

本发明涉及电力预测技术领域，尤其涉及一种基于气象因素敏感度的短期负荷预测方法。

背景技术

随着社会经济的发展，大功率、高耗能电器的利用率不断提高，降温取暖负荷在总用电负荷中所占的比例越来越大，气象因素对电力负荷的影响愈加显著。在夏季，气温每变化1℃都会对电力负荷产生巨大影响。气温的累积现象在空调比重较大的地区的影响越来越明显，在电力负荷（也可称为日最大负荷）预测中体现气温的累积效应已经成为不可回避的问题。对电力短期负荷预测而言，及时、准确和全面地获取待预测日的气象数据很有必要。但由于客观条件的限制，目前气象预报信息中存在较大的不确定因素，还无法获得理想中充分和准确的气象数据。因此，如果完全信任气象预报数据，将会给电力短期负荷预测的准确性带来严重的影响。

发明内容

基于此，本发明提供了一种基于气象因素敏感度的短期负荷预测方法。

一种基于气象因素敏感度的短期负荷预测方法，包括以下步骤：

获取待预测日的预报气温和若干个历史日的实际气温；

按照预设的气温累积效应修正公式，对所述待预测日的预报气温和所述若干个历史日的实际气温进行修正；

获取所述若干个历史日的电力负荷；

对经过修正后的所述若干个历史日的实际气温与所述电力负荷进行拟合，得到实际气温与电力负荷之间的关系模型；

根据经过修正后的所述待预测日的预报气温和所述关系模型，对所述待预测日的电力负荷进行预测。

与一般技术相比，本发明基于气象因素敏感度的短期负荷预测方法在电力负荷预测中考虑了气象预报误差与气温累积效应的影响，先对待预测日的预报气温和历史日的实际气温进行修正，然后再进行预测。提高了电力短期负荷的预测精度，为电网调度控制提供依据，保障电网安全的运行。

附图说明

图1是本发明基于气象因素敏感度的短期负荷预测方法的流程示意图。

具体实施方式

为更进一步阐述本发明所采取的技术手段及取得的效果，下面结合附图及较佳实施例，对本发明的技术方案，进行清楚和完整的描述。

请参阅图1，为本发明基于气象因素敏感度的短期负荷预测方法的流程示意图。本发明基于气象因素敏感度的短期负荷预测方法，包括以下步骤：

S101获取待预测日的预报气温和若干个历史日的实际气温；

首先，获取待预测日的预报气温和若干个历史日的实际气温。

S102按照预设的气温累积效应修正公式，对所述待预测日的预报气温和所述若干个历史日的实际气温进行修正；

作为其中一个实施例，在对所述待预测日的预报气温和所述若干个历史日的实际气温进行修正之前，根据获取的所述待预测日的预报气温和所述若干个历史日的实际气温建立灰色模型；通过所述灰色模型对所述待预测日的预报气温进行修正。

对历史日温度数据与待预测日气温进行灰色生成：

记x(0)为原始数列：

x⁽⁰⁾＝[x⁽⁰⁾(k)|k＝1,2,…n]

记生成数列为x(1)：

x⁽¹⁾＝[x⁽¹⁾(k)|k＝1,2,…,n]

其中，这里取n=7,其中k=1,2,…,6时，x⁽⁰⁾(k)为待预测日前6日的真实温度，k=7时，为待预测日的温度预报值。

计算数据矩阵B和数据向量Y_n：

$B=\left[\begin{array}{cc}-\frac{1}{2}[x^{\left(1\right)}\left(1\right)+x^{\left(1\right)}\left(2\right)]& 1\\ -\frac{1}{2}[x^{\left(1\right)}\left(2\right)+x^{\left(1\right)}\left(3\right)]& 1\\ .& .\\ .& .\\ .& .\\ -\frac{1}{2}[x^{\left(1\right)}(n-1)+x^{\left(1\right)}\left(n\right)]& 1\end{array}\right]$

$Y_n=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ .\\ .\\ .\\ x^{\left(0\right)}\left(n\right)\end{array}\right]$

计算灰色模型参数和

$\hat{A}=\left[\begin{array}{c}\hat{a}\\ \hat{u}\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^T{Y}_n$

建立灰色预测模型：

${\hat{x}}^{\left(1\right)}(k+1)=[x^{\left(0\right)}\left(1\right)-\frac{\hat{u}}{\hat{a}}]e^{-\hat{a}k}+\frac{\hat{u}}{\hat{a}}$

累减还原：

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right)$

当k=n-1时，由上式计算得到的为待预测日的修正预报温度。

作为其中一个实施例，所述预设的气温累积效应修正公式如下：

$t_0^{\′}=(1+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(t_i/t_0-1)c^i)t_0$

其中，t′₀为修正后的气温，t₀为待修正的气温，t_i为i天前的气温，n为考虑气温累积效应的天数，c为反映气温累积效应强弱的时间系数，c=(0,1]。

进一步的，时间系数c的确定方法为：c取初值代入考虑气温累积效应的温度修正公式，对历史样本进行虚拟预测得到负荷值，如果达到要求的预测精度，则该值为c的取值，否则对c进行调整，再次进行虚拟预测，直到达到要求的预测精度。

S103获取所述若干个历史日的电力负荷；

要进行电力负荷预测，还要获取所述若干个历史日的电力负荷（也可称为日最大负荷）

S104对经过修正后的所述若干个历史日的实际气温与所述电力负荷进行拟合，得到实际气温与电力负荷之间的关系模型；

作为其中一个实施例，采用一次回归方程或者多次回归方程对经过修正后的所述若干个历史日的实际气温与所述电力负荷进行拟合，得到实际气温与电力负荷之间的关系模型。

作为其中一个实施例，选取如下二次回归方程进行拟合：

L=at²+bt+c

其中，L为电力负荷，t为实际气温，a、b和c为待定系数。

S105根据经过修正后的所述待预测日的预报气温和所述关系模型，对所述待预测日的电力负荷进行预测。

作为其中一个实施例，根据所述关系模型得出在各个气温区间内电力负荷相对于气温变化量的灵敏度；

选取参照日，并获取所述参照日的电力负荷；

根据所述待预测日相对于所述参照日的气温变化量以及所述灵敏度，得出所述待预测日相对于所述参照日的电力负荷变化量；

将所述参照日的电力负荷和所述电力负荷变化量求和，得到所述待预测日的电力负荷预测值。

选取参照日，以参照日负荷为基准值，求出待预测日负荷的修正量，从而得到待预测日负荷的预测值，其公式为：

L＝L′+ΔL

其中，L为待预测日的负荷，L′为参照日的日负荷，ΔL为因气温变化引起的负荷变化量。

进一步，因气温变化引起的负荷变化量ΔL的求解公式为：

当待预测日气温与参照日气温位于同一个敏感度区间时：

ΔL＝S_t(t-t′)

当待预测日气温与参照日气温位于两个不同敏感度区间时，以处于两个相邻区间为例，

$\mathrm{\ΔL}=S_{t^{\′}}(\hat{t}-t^{\′})+S_t(t-\hat{t})$

其中，t、t′分别表示待预测日气温和参照日气温；S_t、S_t′分别表示待预测日气温和参照日气温各自所在区间的敏感度；表示两个区间共同的端点气温；以上气温均为修正后气温。

作为其中一个实施例，如果待预测日为双休日，则将根据求和得到的所述电力负荷预测值乘以预设的折算系数，作为所述待预测日的电力负荷预测值。

作为一个优选的实施例，待预测日的负荷的预测可通过SCADA（SupervisortControlAndDataAcquisition）系统进行，即通过数据采集与监视控制系统进行的。包括下列步骤：

读取历史气温数据、待预测日的气温预报值、待预测日前N天的负荷（也即日最大负荷）Load，N取365；

利用待预测日前6天以及该日的气温预报值建立灰色模型，求取待预测日修正预报温度；

求取时间系数，对N个历史日以及待预测日修正预报温度进行考虑气温累积效应修正；

对待预测日前N日的负荷与修正后的最高气温序列进行拟合，得到电力负荷与最高气温的关系模型；

利用拟合方程中负荷对气温求导，求出不同气温区间下负荷对气温变化的敏感度；

选取参照日，选取规则为：如本周一的参照日为上周五，本周二的参照日为本周一，以此类推；

以参照日负荷为基准值，根据待预测日与参照日的温差进行修正，预测待预测日的负荷；若待预测日为双休日，该日的负荷为预测值乘以折算系数。

采取分段线性化求取不同温度区间下负荷对气温变化的敏感度：

$S_{\mathrm{ij}}=\frac{f\left(t_i\right)-f\left(t_j\right)}{t_i-t_j}$

其中，f(t)为负荷与气温系列的回归方程，S_ij为温度区间[t_j，t_i]的负荷敏感度。

若待预测日为双休日，折算系数为上一个双休日负荷与工作日负荷的比值。

与一般技术相比，本发明基于气象因素敏感度的短期负荷预测方法在电力短期负荷预测中考虑了气象预报误差与气温累积效应的影响，先对待预测日的预报气温和历史日的实际气温进行修正，然后再进行预测。提高了电力短期负荷的预测精度，为电网调度控制提供依据，保障电网安全的运行。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于气象因素敏感度的短期负荷预测方法，其特征在于，包括以下步骤：

获取待预测日的预报气温和若干个历史日的实际气温；

按照预设的气温累积效应修正公式，对所述待预测日的预报气温和所述若干个历史日的实际气温进行修正；

获取所述若干个历史日的电力负荷；

对经过修正后的所述若干个历史日的实际气温与所述电力负荷进行拟合，得到实际气温与电力负荷之间的关系模型；

根据经过修正后的所述待预测日的预报气温和所述关系模型，对所述待预测日的电力负荷进行预测；

其中，所述预设的气温累积效应修正公式如下：

其中，t₀′为修正后的气温，t₀为待修正的气温，t_i为i天前的气温，n为考虑气温累积效应的天数，c为反映气温累积效应强弱的时间系数，c＝(0,1]。

2.根据权利要求1所述的基于气象因素敏感度的短期负荷预测方法，其特征在于，在所述对所述待预测日的预报气温和所述若干个历史日的实际气温进行修正的步骤之前，包括以下步骤：

根据获取的所述待预测日的预报气温和所述若干个历史日的实际气温建立灰色模型；

通过所述灰色模型对所述待预测日的预报气温进行修正。

3.根据权利要求1所述的基于气象因素敏感度的短期负荷预测方法，其特征在于，所述对所述待预测日的电力负荷进行预测的步骤，包括以下步骤：

根据所述关系模型得出在各个气温区间内电力负荷相对于气温变化量的灵敏度；

选取参照日，并获取所述参照日的电力负荷；

根据所述待预测日相对于所述参照日的气温变化量以及所述灵敏度，得出所述待预测日相对于所述参照日的电力负荷变化量；

将所述参照日的电力负荷和所述电力负荷变化量求和，得到所述待预测日的电力负荷预测值。

4.根据权利要求3所述的基于气象因素敏感度的短期负荷预测方法，其特征在于，如果待预测日为双休日，则将根据求和得到的所述电力负荷预测值乘以预设的折算系数，作为所述待预测日的电力负荷预测值。

5.根据权利要求1所述的基于气象因素敏感度的短期负荷预测方法，其特征在于，采用一次回归方程或者多次回归方程对经过修正后的所述若干个历史日的实际气温与所述电力负荷进行拟合，得到实际气温与电力负荷之间的关系模型。

6.根据权利要求5所述的基于气象因素敏感度的短期负荷预测方法，其特征在于，选取如下二次回归方程进行拟合：

L＝at²+bt+c

其中，L为电力负荷，t为实际气温，a、b和c为待定系数。