CN103268526A - 基于区间泰勒模型的电力系统短期负荷预测系统及方法 - Google Patents

Abstract

本发明公开了一种基于区间泰勒模型的电力系统短期负荷预测系统及方法，能够分析基础数据不确定性对预测结果的影响，并大大节省了计算时间。它包括：数据采集模块，用于将数据导入数据库模块；数据预处理模块，用于采用区间算法描述基础数据的不确定性，从而将所有基础数据“区间化”，并将结果传入数据库模块；负荷预测分析模块，用于采用区间泰勒模型短期负荷预测公式进行短期负荷预测；结果管理模块，用于对结果进行转换和导出，并将分析结果传入数据库模块；数据库模块，用于存储数据采集模块产生数据，并存储数据预处理模块、负荷预测分析模块、结果管理模块产生的数据；同时提供数据调用服务。

Description

基于区间泰勒模型的电力系统短期负荷预测系统及方法

技术领域

本发明涉及一种电力系统短期负荷预测系统，具体涉及一种基于区间泰勒模型的电力系统短期负荷预测系统及方法。属于电力系统短期负荷预测技术领域。

背景技术

短期负荷预测通常指预测某个电力系统未来几个小时、一天到几天的负荷变化，时间间隔为15分钟、30分钟或1小时，用于火电发电出力分配、水火电协调、机组经济组合、交换功率计划等。准确的短期负荷预测对于确定购售电计划、减少备用、降低辅助服务费用、提高系统安全性等具有重要意义。

但是，短期负荷的变化受系统运行特性、自然条件与社会影响等较多因素的制约，因此负荷预测需要大量基础数据，而这些数据很难保证完全准确可靠；即使数据是准确的，但也存在不确定性和不可控性，例如，天气的变化可能引起负荷的异常波动；“峰谷分时”电价政策的实施可以减缓最大负荷的发展。因此，短期负荷预测从本质上来说都存在不确定性。

而且，传统的负荷预测方法只是将预测模型作为主要考虑对象，而未能考虑不确定因素对预测结果的影响。

目前公开的研究方法主要有以下方面：

基于各种非负荷因素（如气象因素、节假日因素等）对负荷的影响方面的考虑，利用历史数据进行推测；

预测时采用的历史数据均为确定值，但是历史数据的形成是有一定偶然因素的，忽视了历史数据的不确定性；

基于历史样本进行测算对负荷因素的影响，过于依赖历史样本，但是历史样本的有效性对计算结果有着重要影响，这直接导致了计算结果的准确度。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种基于区间泰勒模型的电力系统短期负荷预测系统及方法，能够分析基础数据不确定性对预测结果的影响，并大大节省了计算时间。

为实现上述目的，本发明采用下述技术方案：

一种基于区间泰勒模型的电力系统短期负荷预测系统，它包括：

数据采集模块，用于将电力调控中心电网能量管理系统（EMS）中的历史负荷数据、历史气象数据及天气预报数据导入数据库模块；

数据预处理模块，用于基于数据库模块，修正数据库模块中的异常数据及“垃圾数据”，并为每一基础数据设置一个区间参数，即采用区间算法描述基础数据的不确定性，从而将所有基础数据“区间化”，并将结果传入数据库模块；

负荷预测分析模块，用于采用区间泰勒模型短期负荷预测公式进行短期负荷预测；

结果管理模块，用于通过访问数据库模块实现负荷预测结果的查询和显示，对结果进行转换和导出，对历史负荷预测数据和实际负荷数据进行画图比较，对历史负荷预测数据进行误差分析，并将分析结果传入数据库模块；

数据库模块，用于存储数据采集模块产生的历史负荷数据、历史气象数据、天气预报数据，并存储数据预处理模块、负荷预测分析模块、结果管理模块产生的数据；同时为数据预处理模块、负荷预测分析模块、结果管理模块提供数据调用服务。

一种基于区间泰勒模型的电力系统短期负荷预测方法，具体步骤如下：

1）将电力调控中心电网能量管理系统（EMS）中的历史负荷数据、历史气象数据及天气预报数据导入数据库，进入步骤2）；

2）基于数据库数据，采用线性化方法修正数据库中的异常数据及“垃圾数据”，并为每一基础数据设置一个区间参数，即采用区间算法描述基础数据的不确定性，从而将所有基础数据“区间化”，并以结果更新数据库，进入步骤3）；

3）采用区间泰勒模型短期负荷预测公式进行短期负荷预测，进入步骤4）；

4）访问数据库实现负荷预测结果的查询和显示，对结果进行转换和导出，对历史负荷预测数据和实际负荷数据进行画图比较，对历史负荷预测数据进行误差分析，并以分析结果更新数据库，返回步骤1）。

所述步骤2）中，垃圾数据指由于软件升级、数据迁移、数据初始化、日常操作错误这些原因引入的无意义或逻辑上矛盾的数据。

所述步骤2）中，线性化的具体过程为：

假定系统中前N天中负荷整点记录为：

FH_1,1，FH_1,2，FH_1,3，……，FH_1,24

FH_2,1，FH_2,2，FH_2,3，……，FH_2,24

……，……，……，……，……

FH_N,1，FH_N,2，FH_N,3，……，FH_N,24

则N天中每一天的日平均负荷为：

$X_i=\frac{1}{24}\underset{j=1}{\overset{24}{\mathrm{\Σ}}}{\mathrm{FH}}_{i,j}$    （i=1,2,……,N）

则采用最小二乘法将X_i拟合成一条直线，X_i=a+bi，式中参数a，b的确定用下式确定：

设函数

x_i为第i天的负荷实测平均值，

为将函数

对a求偏微分，

为将函数对b求偏微分。

所述步骤2）中，“区间化”的具体过程为：

采用区间算法描述基础数据的不确定性的具体方法是：假定数据库中某负荷值为x：根据此负荷值出现时的天气信息和运行经验，评估其变动范围：下限为原值的a倍，上限为原值的b倍，则此负荷值用区间数[x*a，x*b]表示，从而完成此数据的“区间化”过程。

所述步骤3）中，采用区间泰勒模型短期负荷预测公式，进而利用数据库模块中已经“区间化”的基础数据进行短期负荷预测，最后以预测结果更新数据库；如果不对普通指数平滑公式进行变形，可能会因区间算法的“过估计”特性而导致预测结果失去实用价值。

所述步骤3）中，区间泰勒模型为：

${\hat{x}}_{t+1}=[{\hat{a}}_t+{\hat{b}}_t]c$

其中，t为预测时间，为大于等于1的自然数；

为负荷预测值；

为负荷预测截距分项，

为负荷预测斜率分项，c为天气因子，利用天气预报信息、节假日信息对负荷结果进行校正；

${\hat{a}}_t=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(2-\mathrm{i\α}){(1-\mathrm{\α})}^{i-1}\mathrm{\α}{x}_{t+1-i}+(2-\mathrm{t\α}){(1-\mathrm{\α})}^t{x}_0-{(1-\mathrm{\α})}^t{x}_0$

${\hat{b}}_t=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\α}}^2{(1-\mathrm{\α})}^{(t-i-1)}[1-(t-i+1)\mathrm{\α}]x_i+\mathrm{\α}(1-\mathrm{t\α}){(1-\mathrm{\α})}^{t-1}{x}_0-\mathrm{\α}{(1-\mathrm{\α})}^{t-1}{x}_0$

其中，α为平滑系数，0<α<1；i为预测次序号；x为负荷实测值，x₀为负荷实测初始值，x_i为第i次负荷实测值。

区间泰勒模型算法是将符号学引入区间算法的一种改进，一个区间泰勒模型T＝(P,I)包含两部分内容：泰勒多项式P和有界区间余项(interval remainder bounds)I。在一个包含区间泰勒模型T的计算过程中，涉及n阶多项式部分P的计算按照多项式计算的方法进行，这样受相关性问题和包裹效应的影响较小；而涉及有界区间余项I_α,f和阶数高于n的多项式部分的计算则要按照区间算法的运算法则进行；计算过程中所有的截断误差和舍入误差都被包含进最终结果的有界区间余项。

区间泰勒模型算法的原理是利用泰勒定理，使用多项式近似表示函数，定量估算误差的大小。

泰勒定理：设函数式中R为实数域，R^v为v维实数域，

为v维实数域中数值，分别为函数f定义域的下界和上界，该函数在

的邻域内有直到(n+1)阶的连续偏导数，假定

则对每一个

有

$f\left(\stackrel{\&RightArrow;}{x}\right)=\underset{v=0}{\overset{n}{\mathrm{\&Sigma;}}}\frac{1}{v!}{((\stackrel{\&RightArrow;}{x}-{\stackrel{\&RightArrow;}{x}}_0)\&CenterDot;\stackrel{\&RightArrow;}{\&dtri;})}^v\&CenterDot;f\left({\stackrel{\&RightArrow;}{x}}_0\right)+\frac{1}{(n+1)!}{((\stackrel{\&RightArrow;}{x}-{\stackrel{\&RightArrow;}{x}}_0)\&CenterDot;\stackrel{\&RightArrow;}{\&dtri;})}^{n+1}\&CenterDot;f({\stackrel{\&RightArrow;}{x}}_0+(\stackrel{\&RightArrow;}{x}-{\stackrel{\&RightArrow;}{x}}_0)\mathrm{\&theta;})$     (0<θ<1)

其中，

为函数f的自变量，

为泰勒展开式的参考点，v为求偏导次数，θ为泰勒余项参量，

为偏微分算子。

所述步骤4）中，对预测结果的转换和导出方式包括以下几种方式：

A）将数据库中预测结果转换为excel格式数据；

B）将数据库中预测结果转换为html格式数据；

C）将数据库中预测结果转换为txt格式数据。

所述步骤4）中，误差分析包括以下几种分析：

假定x为负荷实测值，

负荷预测值，则

41）

为绝对误差；

42）为相对误差；

43）

为均方根误差（式中，n为历史负荷数据个数）。

本发明的有益效果：

区间算法是处理不确定性问题的有效方法，可以估计任何形式不确定性的影响，但是由于相关性问题(dependency problem)和包裹效应(wrapping effect)的影响，在进行大量计算后，有时会得到非常保守的计算结果。短期负荷预测比中长期负荷预测的计算要求要高，要考虑天气、节假日等各种因素，计算数据多，直接采用区间算法有时会得到非常保守的计算结果。本发明利用实时天气预报信息对负荷预测进行校正，区间算法是可靠计算的重要工具，是处理不确定性问题的有效方法，能够确保计算结果包含了在给定参数变动范围内的系统方程的所有解，可以有效处理参数不确定性带来的计算结果不可靠性。本发明优点如下：

1、可实现对具有不确定性的短期负荷预测基础数据的处理。

2、只需进行一次负荷预测计算，就可以严格分析数据不确定性对预测结果的影响，具有节省计算时间的优点。

3、采用区间泰勒模型短期负荷预测公式，避免了因区间算法的“过估计”特性而导致预测结果失去实用价值的问题。

附图说明

图1是本发明的系统结构示意图；

图2是本发明的方法流程图；

其中1.数据库模块，2.数据采集模块，3.数据预处理模块，4.负荷预测分析模块，5.结果管理模块。

具体实施方式

下面结合附图和实施例对本发明进行进一步的阐述，应该说明的是，下述说明仅是为了解释本发明，并不对其内容进行限定。

如图1所示，本发明包括：

数据采集模块2，用于将电力调控中心电网能量管理系统（EMS）中的历史负荷数据、历史气象数据及天气预报数据导入数据库模块1；

数据预处理模块3，用于基于数据库模块1，修正数据库模块1中的异常数据及“垃圾数据”，并为每一基础数据设置一个区间参数，即采用区间算法描述基础数据的不确定性，从而将所有基础数据“区间化”，并将结果传入数据库模块1；

负荷预测分析模块4，用于采用区间泰勒模型短期负荷预测公式进行短期负荷预测；

结果管理模块5，用于通过访问数据库模块1实现负荷预测结果的查询和显示，对结果进行转换和导出，对历史负荷预测数据和实际负荷数据进行画图比较，对历史负荷预测数据进行误差分析，并将分析结果传入数据库模块1；

数据库模块1，用于存储数据采集模块产生的历史负荷数据、历史气象数据、天气预报数据，并存储数据预处理模块3、负荷预测分析模块4、结果管理模块5产生的数据；同时为数据预处理模块3、负荷预测分析模块4、结果管理模块5提供数据调用服务。

图2是本发明的电力系统短期负荷预测方法的流程图，具体步骤如下：

1）将电力调控中心电网能量管理系统（EMS）中的历史负荷数据、历史气象数据及天气预报数据导入数据库，进入步骤2）；

2）基于数据库数据，采用线性化方法修正数据库中的异常数据及“垃圾数据”，并为每一基础数据设置一个区间参数，即采用区间算法描述基础数据的不确定性，从而将所有基础数据“区间化”，并以结果更新数据库，进入步骤3）；

3）采用区间泰勒模型短期负荷预测公式进行短期负荷预测，进入步骤4）；

4）访问数据库实现负荷预测结果的查询和显示，对结果进行转换和导出，对历史负荷预测数据和实际负荷数据进行画图比较，对历史负荷预测数据进行误差分析，并以分析结果更新数据库，返回步骤1）。

步骤2）中，垃圾数据指由于软件升级、数据迁移、数据初始化、日常操作错误这些原因引入的无意义或逻辑上矛盾的数据。

步骤2）中，线性化的具体过程为：

假定系统中前N天中负荷整点记录为：

FH_1,1，FH_1,2，FH_1,3，……，FH_1,24

FH_2,1，FH_2,2，FH_2,3，……，FH_2,24

……，……，……，……，……

FH_N,1，FH_N,2，FH_N,3，……，FH_N,24

则N天中每一天的日平均负荷为：

$X_i=\frac{1}{24}\underset{j=1}{\overset{24}{\mathrm{\&Sigma;}}}{\mathrm{FH}}_{i,j}$    （i=1,2,……,N）

则采用最小二乘法将X_i拟合成一条直线，X_i=a+bi，式中参数a，b的确定用下式确定：

设函数

x_i为第i天的负荷实测平均值，

为将函数

对a求偏微分，

为将函数

对b求偏微分。

步骤2）中，“区间化”的具体过程为：

采用区间算法描述基础数据的不确定性的具体方法是：假定数据库中某负荷值为x：根据此负荷值出现时的天气信息和运行经验，评估其变动范围：下限为原值的a倍，上限为原值的b倍，则此负荷值用区间数[x*a，x*b]表示，从而完成此数据的“区间化”过程。

步骤3）中，采用区间泰勒模型短期负荷预测公式，进而利用数据库模块中已经“区间化”的基础数据进行短期负荷预测，最后以预测结果更新数据库；如果不对普通指数平滑公式进行变形，可能会因区间算法的“过估计”特性而导致预测结果失去实用价值。

步骤3）中，区间泰勒模型为：

${\hat{x}}_{t+1}=[{\hat{a}}_t+{\hat{b}}_t]c$

其中，t为预测时间，为大于等于1的自然数；

为负荷预测值；

为负荷预测截距分项，

为负荷预测斜率分项，c为天气因子，利用天气预报信息、节假日信息对负荷结果进行校正；

${\hat{a}}_t=\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}(2-\mathrm{i\&alpha;}){(1-\mathrm{\&alpha;})}^{i-1}\mathrm{\&alpha;}{x}_{t+1-i}+(2-\mathrm{t\&alpha;}){(1-\mathrm{\&alpha;})}^t{x}_0-{(1-\mathrm{\&alpha;})}^t{x}_0$

${\hat{b}}_t=\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}^2{(1-\mathrm{\&alpha;})}^{(t-i-1)}[1-(t-i+1)\mathrm{\&alpha;}]x_i+\mathrm{\&alpha;}(1-\mathrm{t\&alpha;}){(1-\mathrm{\&alpha;})}^{t-1}{x}_0-\mathrm{\&alpha;}{(1-\mathrm{\&alpha;})}^{t-1}{x}_0$

其中，α为平滑系数，0<α<1；i为预测次序号；x为负荷实测值，x₀为负荷实测初始值，x_i为第i次负荷实测值。

区间泰勒模型算法是将符号学引入区间算法的一种改进，一个区间泰勒模型T＝(P,I)包含两部分内容：泰勒多项式P和有界区间余项(interval remainder bounds)I。在一个包含区间泰勒模型T的计算过程中，涉及n阶多项式部分P的计算按照多项式计算的方法进行，这样受相关性问题和包裹效应的影响较小；而涉及有界区间余项I_α,f和阶数高于n的多项式部分的计算则要按照区间算法的运算法则进行；计算过程中所有的截断误差和舍入误差都被包含进最终结果的有界区间余项。

区间泰勒模型算法的原理是利用泰勒定理，使用多项式近似表示函数，定量估算误差的大小。

泰勒定理：设函数

式中R为实数域，R^v为v维实数域， 为v维实数域中数值，分别为函数f定义域的下界和上界，该函数在

的邻域内有直到(n+1)阶的连续偏导数，假定

则对每一个有

$f\left(\stackrel{\&RightArrow;}{x}\right)=\underset{v=0}{\overset{n}{\mathrm{\&Sigma;}}}\frac{1}{v!}{((\stackrel{\&RightArrow;}{x}-{\stackrel{\&RightArrow;}{x}}_0)\&CenterDot;\stackrel{\&RightArrow;}{\&dtri;})}^v\&CenterDot;f\left({\stackrel{\&RightArrow;}{x}}_0\right)+\frac{1}{(n+1)!}{((\stackrel{\&RightArrow;}{x}-{\stackrel{\&RightArrow;}{x}}_0)\&CenterDot;\stackrel{\&RightArrow;}{\&dtri;})}^{n+1}\&CenterDot;f({\stackrel{\&RightArrow;}{x}}_0+(\stackrel{\&RightArrow;}{x}-{\stackrel{\&RightArrow;}{x}}_0)\mathrm{\&theta;})$     (0<θ<1)

其中，

为函数f的自变量，

为泰勒展开式的参考点，v为求偏导次数，θ为泰勒余项参量，为偏微分算子。

步骤4）中，对预测结果的转换和导出方式包括以下几种方式：

A）将数据库中预测结果转换为excel格式数据；

B）将数据库中预测结果转换为html格式数据；

C）将数据库中预测结果转换为txt格式数据。

所述步骤4）中，误差分析包括以下几种分析：

假定x为负荷实测值，

负荷预测值，则

41）为绝对误差；

42）

为相对误差；

43）

为均方根误差（式中，n为历史负荷数据个数）。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种基于区间泰勒模型的电力系统短期负荷预测系统，其特征在于，它包括：

数据采集模块，用于将电力调控中心电网能量管理系统中的历史负荷数据、历史气象数据及天气预报数据导入数据库模块；

数据预处理模块，用于基于数据库模块，修正数据库模块中的异常数据及“垃圾数据”，并为每一基础数据设置一个区间参数，即采用区间算法描述基础数据的不确定性，从而将所有基础数据“区间化”，并将结果传入数据库模块；

负荷预测分析模块，用于采用区间泰勒模型短期负荷预测公式进行短期负荷预测；

结果管理模块，用于通过访问数据库模块实现负荷预测结果的查询和显示，对结果进行转换和导出，对历史负荷预测数据和实际负荷数据进行画图比较，对历史负荷预测数据进行误差分析，并将分析结果传入数据库模块；

数据库模块，用于存储数据采集模块产生的历史负荷数据、历史气象数据、天气预报数据，并存储数据预处理模块、负荷预测分析模块、结果管理模块产生的数据；同时为数据预处理模块、负荷预测分析模块、结果管理模块提供数据调用服务。

2.一种基于区间泰勒模型的电力系统短期负荷预测方法，其特征在于，具体步骤如下：

1）将电力调控中心电网能量管理系统中的历史负荷数据、历史气象数据及天气预报数据导入数据库，进入步骤2）；

2）基于数据库数据，采用线性化方法修正数据库中的异常数据及“垃圾数据”，并为每一基础数据设置一个区间参数，即采用区间算法描述基础数据的不确定性，从而将所有基础数据“区间化”，并以结果更新数据库，进入步骤3）；

3）采用区间泰勒模型短期负荷预测公式进行短期负荷预测，进入步骤4）；

4）访问数据库实现负荷预测结果的查询和显示，对结果进行转换和导出，对历史负荷预测数据和实际负荷数据进行画图比较，对历史负荷预测数据进行误差分析，并以分析结果更新数据库，返回步骤1）。

3.根据权利要求2所述的电力系统短期负荷预测方法，其特征在于，所述步骤2）中，垃圾数据指由于软件升级、数据迁移、数据初始化、日常操作错误这些原因引入的无意义或逻辑上矛盾的数据。

4.根据权利要求2所述的电力系统短期负荷预测方法，其特征在于，所述步骤2）中，线性化的具体过程为：

假定系统中前N天中负荷整点记录为：

FH_1,1，FH_1,2，FH_1,3，……，FH_1,24

FH_2,1，FH_2,2，FH_2,3，……，FH_2,24

……，……，……，……，……

FH_N,1，FH_N,2，FH_N,3，……，FH_N,24

则N天中每一天的日平均负荷为：

$X_i=\frac{1}{24}\underset{j=1}{\overset{24}{\mathrm{\&Sigma;}}}{\mathrm{FH}}_{i,j}$ （i=1,2,……,N）

则采用最小二乘法将X_i拟合成一条直线，X_i=a+bi，式中参数a，b的确定用下式确定：

设函数

x_i为第i天的负荷实测平均值，

为将函数

对a求偏微分，为将函数

对b求偏微分。

5.根据权利要求2所述的电力系统短期负荷预测方法，其特征在于，所述步骤2）中，“区间化”的具体过程为：

采用区间算法描述基础数据的不确定性的具体方法是：假定数据库中某负荷值为x：根据此负荷值出现时的天气信息和运行经验，评估其变动范围：下限为原值的a倍，上限为原值的b倍，则此负荷值用区间数[x*a，x*b]表示，从而完成此数据的“区间化”过程。

6.根据权利要求2所述的电力系统短期负荷预测方法，其特征在于，所述步骤3）中，采用区间泰勒模型短期负荷预测公式，进而利用数据库模块中已经“区间化”的基础数据进行短期负荷预测，最后以预测结果更新数据库。

7.根据权利要求2所述的电力系统短期负荷预测方法，其特征在于，所述步骤3）中，区间泰勒模型为：

${\hat{x}}_{t+1}=[{\hat{a}}_t+{\hat{b}}_t]c$

其中，t为预测时间，为大于等于1的自然数；

为负荷预测值；为负荷预测截距分项，

为负荷预测斜率分项，c为天气因子，利用天气预报信息、节假日信息对负荷结果进行校正；

${\hat{a}}_t=\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}(2-\mathrm{i\&alpha;}){(1-\mathrm{\&alpha;})}^{i-1}\mathrm{\&alpha;}{x}_{t+1-i}+(2-\mathrm{t\&alpha;}){(1-\mathrm{\&alpha;})}^t{x}_0-{(1-\mathrm{\&alpha;})}^t{x}_0$

${\hat{b}}_t=\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}^2{(1-\mathrm{\&alpha;})}^{(t-i-1)}[1-(t-i+1)\mathrm{\&alpha;}]x_i+\mathrm{\&alpha;}(1-\mathrm{t\&alpha;}){(1-\mathrm{\&alpha;})}^{t-1}{x}_0-\mathrm{\&alpha;}{(1-\mathrm{\&alpha;})}^{t-1}{x}_0$

其中，α为平滑系数，0<α<1；i为预测次序号；x为负荷实测值，x₀为负荷实测初始值，x_i为第i次负荷实测值。

Images