CN103295075A - 一种超短期电力负荷预测与预警方法 - Google Patents

Abstract

本发明公开一种基于卡尔曼滤波和小波回声状态网络的超短期电力负荷预测及预警的方法，针对电力负荷数据中含有噪声等问题，采用卡尔曼滤波方法，对“采集数据”进行实时估计，借助遗忘因子，弱化陈旧数据的权值，提高预测精度。在进行超短期负荷预测前，首先利用主成分分析确定出影响电力负荷变化的主要工序，作为电力负荷量预测模型的输入，随后采用小波对电力负荷不同频谱特性（高频，随动，较稳定）负荷进行分解，分别建立回声状态网络单支电力负荷进行预测建模，对各预测分量整合得到总负荷变化趋势，最后对用户指定的预测模型进行预警测试。

Description

一种超短期电力负荷预测与预警方法

技术领域:

本发明涉及一种电力负荷预测与预警方法，尤其是一种基于卡尔曼滤波和小波回声状态网络的超短期电力负荷预测与预警方法，属于信息技术领域。 

背景技术:

大型工业企业是电力负荷消耗大户，生产过程由许多相互关联的生产环节组成，各环节的电能消耗是由其用电特征和生产运行状况决定。电网的总负荷与企业的生产运行状况紧密相关，生产的特殊性致使部分工序电力负荷震荡频率高、幅度大，显示出与通常地区电网显著不同的特征。虽然企业自备电厂具有充足的发电能力，但无法独立满足这种负荷变化的要求，使得企业在付出了高额用电成本的同时，还对地区电网造成了严重的用电污染。超短期负荷预测提供未来一段时间电力负荷的变化趋势，是保证电网安全，实现企业电力系统智能控制、运行和计划实时经济调度、自动发电控制(AGC)的前提。 

目前，针对大型工业企业的超短期用电预测的研究报道很少，没有可供直接应用的预测方法。另一方面，大型工业企业负荷具有大幅度的冲击性、随机性，并且无明显周期性等特点。这类负荷的预测与传统的大电网、大地区的负荷预测相比难度更大，具有相当 大的挑战性。对于大型工业企业来说，负荷预测工作是随着电力市场的发展而开始进行的工作，必要的数据积累还不够充分，而且数据质量存在较大问题。并且因为要利用生产计划进行预测建模，所以会受到现场因素的影响，预测所需要的信息可能存在不稳定的问题。除此之外，预测建模需要考虑很多企业的内部生产环节，所用的预测信息众多，出现数据缺失的情况难以避免，给负荷预测带来较大的困难。 

现有技术中，采用了一种通用的预测方法对电力负荷进行预测，预测原理上以时序方法为主，这种方案具有以下问题：工业企业电力负荷的影响因素复杂，工序段用电特性各异，负荷波动较大，通用的建模方法对于数据依赖很大，数据波动对精度的影响较大。 

经检索，申请号为200810053027.1的中国专利，该专利提供一种“基于概率逆换算法的中长期电力负荷预测方法”，首先利用行业数据库制定负荷分析方案，然后借助专家系统进行“虚拟专家”进行概率分析；最终将专家经验转换到数据空间。该发明能够将专家系统的思想引入负荷预测，调节“经验参数”来逼近目标参数，为现场或能源中心调度人员提供在线决策支持。上述发明专利可实现负荷预测的定性分析，对调度运作有一定参考价值，但是因为其只是借助以往调度专家经验，未对数据特性，尤其是工序因素特点做深入分析，其对突变信号或大波动信号的预测效果相对局限。 

申请号为200710163567.0的中国专利，该专利提供一种：“中长期电力负荷预测及预警系统”，通过利用历史负荷数据，迭代预测 后面的负荷，确定模型参数，建立时序预测模型，预测未来时间的电力负荷趋势，上述发明专利采用传统的回归建模方法建立中长期负荷预测模型，对相对平稳的工序信号可实现准确预测，减少负荷波动的目的。但是该发明将企业电力系统中各用户的总负荷当做预测输入，无形中忽略了工艺背景，生产调度等方面的因素；另外模型依赖回归参数，建立的负荷预测模型准确度不够理想。 

中国发明专利申请公开号CN1815497A（公开日：2006年8月9日），该专利提供了一种“钢铁企业日用电量预测方法”，借助NNLS（非负最小二乘）对企业的检修类型和产量的用电量之间关系进行分析，通过对各工序，检修方案，用电量构建测试特征子集，采用多模型融合建模的方法来提高预测精度，实现了有效预测各用户用电负荷，降低了单个工序波动对总负荷的影响，为调度中心提供负荷变化趋势的目的，对一般的工业企业也具有应用价值。但是该发明将企业电力系统中各用户的所有检修，用电量，生产计划都当做训练特征输入，增加了模型复杂度，并且该方法只能借助大量历史调度数据对较长时间用电量如数天，几周，数月的用电量进行预测，对于动态的超短时波动变化不能预测，如未来15分钟-半个小时的预测，此方案就难以实现。 

发明内容：

针对上述现有技术的不足，本发明要解决的技术问题是提供一种基于工序因素分析的超短期电力负荷预测方法，能够较准确地预测大型工业企业未来半个小时的电力负荷趋势，为现场调度人员完 成电力的平衡调度提供合理指导。 

为实现上述目的，本发明采用的技术方案是：一种超短期电力负荷预测与预警方法，首先采用卡尔曼（EKM）对负荷数据进行滤波处理，利用主成分分析确定影响电力负荷变化的主要因素，大大降低了预测模型的复杂度。在建立工业企业超短期电力负荷预测模型前，首先确定出影响负荷总量最大的主成分工序因素作为电力负荷短期模型的输入，然后采用小波回声状态网络建立总负荷预测模型，降低了模型的复杂度，提高了模型的预测精度。 

一种超短期电力负荷预测与预警方法，具体步骤为： 

步骤一、调用企业生产，检修，调度数据记录，根据工业企业的工艺背景,生产状况，对采集到的大量负荷数据进行预处理，确定影响电力总体负荷变化的主要用户； 

步骤二、为了更好地解决生产作业产生的冲击负荷，伪周期性和震荡生产等工艺预测问题,本发明引入小波分解作为预处理手段，考虑对实际生产工况的变化进行小波分解。 

步骤三、针对各工艺段不同频谱规律，匹配不同的回声状态网络参数，并应用最小二乘方法引入权值系数整合预测分量，以提高各尺度及整体预测精度，建立小波分解回声状态组合预测模型，基于因素预测思想，建立影响电力负荷动态更新的超短期预测模型； 

步骤四、将超短期电力负荷预测结果存入动态数据库中； 

步骤五、建立超短期电力负荷因素预测更新预警机制，依据预测效果误差分析，修正步骤三中的小波参数。 

步骤六、迭代寻优超短期电力负荷预测算法。 

采用本发明的方法能够较准确的预测未来半个小时的电力负荷变化趋势，使调度人员可以参考变化趋势，结合已有的调度经验，对生产，检修方案进行合理调度；实现错峰用电，减少用电成本，提高电力利用率。 

本发明有效减少了调度人员的调度工作量，并且预测结果比人工估计的结果更及时、更准确。通过本项目的研究，大型工业企业在超短期预测结果的基础上可以充分发挥自备电厂发电机组的负荷跟踪能力，减少关口流量，平抑负荷波动，达到降低用电成本和减少用电污染的目标，具有重要的经济和社会意义。 

附图说明

图1是本发明实施例1的超短期负荷预测子系统的用例图； 

图2是本发明实施例1的超短期负荷预测子系统处理流程； 

图3是本发明实施例1模型训练用例的顺序图 

图4是本发明实施例1的超短期负荷预测训练流程图； 

图5是本发明实施例1的超短期电力负荷预测用例的顺序图 

图6是本发明实施例1的超短期电力负荷预测流程图； 

图7是本发明实施例1的模型预警用例的顺序图 

图8是本发明实施例1的超短期电力负荷模型预警流程图 

图9是本发明实施例1的超短期电力负荷预测类图 

图10是本发明实施例1的超短期电力负荷预测效果图。 

图11为预测未来半个小时的局部放大效果图。 

图12为本发明的预测误差效果图。 

具体实施方式

以下结合附图和实施例对本发明的技术方案作进一步的解释。 

一种超短期电力负荷预测与预警方法，具体步骤为： 

步骤一、调用企业生产，检修，调度数据记录，根据工业企业的工艺背景,生产状况，对采集到的大量负荷数据进行预处理，确定影响电力总体负荷变化的主要用户； 

步骤二、为了更好地解决生产作业产生的冲击负荷，伪周期性和震荡生产等工艺预测问题,本发明引入小波分解作为预处理手段，考虑对实际生产工况的变化进行小波分解。 

步骤三、针对各工艺段不同频谱规律，匹配不同的回声状态网络参数,并应用最小二乘方法引入权值系数整合预测分量,以提高各尺度及整体预测精度,建立小波分解回声状态组合预测模型。基于因素预测思想，建立影响电力负荷动态更新的超短期预测模型； 

步骤四、将超短期电力负荷预测结果存入动态数据库中； 

步骤五、建立超短期电力负荷因素预测更新预警机制，依据预测效果误差分析，修正步骤三中的小波参数。 

步骤六、迭代寻优超短期电力负荷预测算法。 

实施例1：某工业企业电力负荷的超短期负荷预测； 

参见图1所示，在本发明的实施例1中所述大型工业企业电力负荷预测方法是按照如下步骤实现的： 

步骤一，读取和处理电力负荷相关数据：通过现场能源系统中的实时数据库读取预测电力负荷数据，并对数据进行量纲统一化、归一化及降噪处理。超短期电力负荷预测系统核心部分包括负荷预 测、模型训练、模型预警三个模块。按需求分析的要求及各项功能的实现，超短期负荷预测子系统的用例图如图1所示。 

具体实现的方法是： 

（1）、选取一定时间区间[t_a,t_b](t_b＞t_a≥0)内的影响因素数据列x_i(t_k)和t_k+Δ_i时刻的电力负荷受入流量数据列X₀(t_k+Δ_i)；（其中，i为用户编号，Δ_i为延迟时间） 

（2）、归一化处理影响因素数据列x_i(t)， 

$x_i\left(t\right)=\frac{x_i\left(t\right)-\min x_i\left(t\right)}{\max x_i\left(t\right)-\min x_i\left(t\right)};$

（其中，max x_i(t)为影响因素数据列的最大值、min x_i(t)为影响因素数据列的最小值） 

（3）、依据卡尔曼滤波方法对负荷数据进行处理，得到计算精度较高的负荷数据。G(n)表征增益：G(n)＝F(n+1,n)k(n,n-1)C^H(n)R^-1(n) 

其中，观测矩阵C^H(n)表征一确定阵R^-1(n)表征电力负荷处理过程的相关矩阵的逆矩阵，可由预测状态误差的相关矩阵K(n,n-1)确定。滤波协方差阵P(n)： 

P(n)＝K(n,n-1)-F^-1(n+1,n)G(n)C(n)K(n,n-1) 

步骤二的具体实现方法是： 

（1），利用主成分分析确定超短期电力负荷预测的影响因素：根据不同时段内电力负荷相关消耗数据列与电网输入数据列之间的发展态势的相异或相似程度，利用各自数据列变量变化率和变量变化率比中潜在的信息，来计算各影响因素与电力总负荷的潜在关联程度，从而选择关联度大的电力工序用户作为超短期电力负荷预测 的主要影响用户。 

（2）、对于ω_i和ω_j两类训练样本，假设其均值向量为m_i和m_j，其k维方向的分量为m_ik和m_jk，方差为

和

定义可分性准则函数： 

$G_k=\frac{{(m_{\mathrm{ik}}-m_{\mathrm{jk}})}^2}{{\mathrm{\σ}}_{\mathrm{ik}}^2+{\mathrm{\σ}}_{\mathrm{jk}}^2},k=\mathrm{1,2},...,n$

则G_K为正值。G_K值越大，表示测度值的第k个分量对分离ω_i和ω_j两类越有效。将{G_K,k=1,2,…,n}按大小排队，选出最大的m个对应的测度值作为主成分特征，即达到特征选择主要影响因素的目的 

所述步骤二，具体为： 

（1），利用主成分分析得到的影响工序，构造训练样本集S； 

$S=\{(X_j^{t-1},H_j^{t-1}),H_j^t),j=1\·\·\·N\}$

其中，和

组成模型输入样本，

为模型输出样本， 

表示P个影响因素前一时刻负荷，

表示前一时刻的额定功耗，

表示当前时刻的工序额定负荷，建立主成分拟合负荷曲线； 

（2）、将主成分拟合负荷曲线负荷数据经中间层网络传递函数 

的映射，得到一组小波基函数

......， 

表达的神经元变换，再经过与变换系数W_T（相当于隐层与输出层的联结权重）的相乘运算，可将负荷数据分解到不同尺度，不同频段中； 

（3）、采用小波分解建模方法建立体现总负荷中低频负荷分量， 稳定负荷分量和震荡负荷的关系的小波分解模型——超短期电力负荷预测多尺度分解模型。 

所述步骤三，具体为： 

（1）、对主要工序的负荷数据进行中值滤波和归一化处理； 

（2）、负荷变化特性确定小波分解各主要工序回声状态网络参数； 

本发明使用的网络更新公式为： 

x(k+1)＝tan sig(Wⁱⁿu(k+1)+Wx(k)) 

y(k+1)＝W^out(u(k+1),x(k+1))) 

（3）、图3为模型训练用例的顺序图，模型训练具体训练步骤如下 

a、建立训练任务，初始化训练参数； 

b、启动训练程序； 

c、根据输入参数调用模型； 

d、读取模型定义； 

e、读取样本数据； 

f、调用模型中的预测算法进行训练，并将训练参数存入文件中； 

g、计算模型的训练误差。随后可画出模型的训练流程图如图4所示。 

（4）、图5为超短期电力负荷预测用例的顺序图，超短期电力负荷预测具体步骤如下： 

a、建立预测任务，初始化预测参数； 

b、启动预测程序； 

c、根据输入参数调用模型； 

d、读取模型定义； 

e、读取样本数据；、 

f、调用模型中的预测算法进行预测； 

g、计算模型的预测误差； 

h、对不满足精度的预测效果，返回第三步，重新设置小波回升状态网络参数； 

i、对各方案结果进行分析，计算误差，得到最终预测值。对应的超短期电力负荷预测流程图如图6所示 

（5）、图7为模型预警用例的顺序图，模型预警具体步骤如下： 

a、建立预警任务，初始化参数； 

b、启动预警程序； 

c、根据输入参数调用模型； 

d、读取模型定义； 

e、读取历史样本数据； 

f、调用模型中的预测算法进行预测； 

g、通过计算模型的预测误差来对模型进行评价； 

h、将模型预警误差信息写入数据库。对应的程序流程图如图8所示 

模型预警子程序应用原始的模型参数对用户指定的预测模型进行预警测试。测试的方法为对已经过去的指定一段时间内应用原始模型参数进行30点负荷预测，然后和数据库中采到的实际负荷作比较得到误差信息，然后根据误差变化趋势和平均误差大小来确定是否需要更新该模型参数。 

模型预警子程序的输入项目包括：预警起始时刻、预警结束时刻、预警模型ID集。模型预警子程序的输出项为：每个预警测试模型的误差信息以及确定需要更新的模型。 

超短期电力负荷预测系统的类图如图9所示。其中，SysMain类是主控类，调用模型更新类（UpdateMain类）、负荷预测类（ForecastMain类）、模型预警类（De遗传算法radeMain类）来实现模型更新、超短期负荷预测、模型预警功能。训练模型类（UpdateModel）、预测模型类（FcastModel）、预警模型类（DegradeModel）是实现更新、预测、预警的基本单位，其中预警模型类（DegradeModel）继承预测模型类（FcastModel）。 

所述步骤五，具体为：利用各小波尺度的负荷特性分别做单尺度影响因素的回声状态电力负荷预测，得到不同尺度负荷对应的电力负荷变化预测趋势，进而确定复合预测结果，对比实际负荷数据，采用预测误差绝对平均值进行分析。 

在本发明例1的实施例中电力负荷变化及其预测结果比较如图10所示；获取时间为2012年3月12日8:00-2012年3月15日8:00企业负荷用电情况，预测时间范围为2012年3月15日8:31～9:00， 对应数据见表1；如图10所示，横轴为时间，纵轴为电力负荷值，随着时间的变化，电力负荷呈现大波动,无规律变化，对用电设备，电网冲击剧烈，为便于分析，图11给出预测未来半个小时的局部放大效果图，由图11可以看出采用本发明的方法预测得到的电力负荷变化趋势能够有效逼近用电企业电力负荷的实际变化。图12给出了本发明的预测误差效果图，预测量跟实际量相比，预测误差控制在(-10%-+10%)之间点达到95%以上，可以满足大型工业企业电力调度的实际需求。 

表1电力负荷受入流量预测结果比较表 

本发明的预测方法建立在现有各大型工业企业的能源管理系统基础之上，以各大型工业企业的能源管理系统作为载体。对于现场调度人员来说容易掌握，能够减轻调度人员的预测工作，使调度人员将主要精力放在合理调度策略的制定上。 

本发明能够充分利用大型工业企业已有的大量历史样本数据，分析出影响电力负荷变化的主要影响因素，并建立有效的电力负荷预测模型来预测未来一段时间内的电力负荷变化，从而指导现场调度人员科学合理安排生产作业任务；能有效克服现有大型工业企业人工预测电力负荷工作量大，精度较低的问题。 

以上通过具体实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。 

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。 

Claims (6)

1.一种超短期电力负荷预测与预警方法，具体步骤为： 

步骤一、调用企业生产，检修，调度数据记录，根据工业企业的工艺背景,生产状况，对采集到的大量负荷数据进行预处理，确定影响电力总体负荷变化的主要用户； 

步骤二、引入小波分解作为预处理手段，考虑对实际生产工况的变化进行小波分解。 

步骤三、针对各工艺段不同频谱规律，匹配不同的回声状态网络参数，并应用最小二乘方法引入权值系数整合预测分量，以提高各尺度及整体预测精度，建立小波分解回声状态组合预测模型，基于因素预测思想，建立影响电力负荷动态更新的超短期预测模型； 

步骤四、将超短期电力负荷预测结果存入动态数据库中； 

步骤五、建立超短期电力负荷因素预测更新预警机制，依据预测效果误差分析，修正步骤三中的小波参数； 

步骤六、迭代寻优超短期电力负荷预测算法。 

2.如权利要求1所述的一种超短期电力负荷预测与预警方法，其特征在于：所述步骤一，具体为： 

（1）、读取和处理企业超短期负荷预测数据：通过现场能源系统中的实时数据库读取预测电力总负荷所需的影响因素数据，并对各工序采集数据进行量纲稀疏化、归一化及降噪处理； 

（2）、选取时间区间[t_a,t_b](t_b＞t_a≥0)内的影响因素数据列x_i(t_k)和 t_k+Δ_i时刻的电力负荷数据列X₀(t_k+Δ_i)；其中，i为用户编号，Δ_i为延迟时间； 

（3）、归一化处理影响因素数据列x_i(t)， 

其中，max x_i(t)为影响因素数据列的最大值、min x_i(t)为影响因素数据列的最小值； 

（4）、依据卡尔曼滤波方法对负荷数据进行处理，得到计算精度较高的负荷数据。G(n)表征增益：G(n)＝F(n+1,n)k(n,n-1)C^H(n)R^-1(n) 

其中，观测矩阵C^H(n)表征一确定阵R^-1(n)表征电力负荷处理过程的相关矩阵的逆矩阵，可由预测状态误差的相关矩阵K(n,n-1)确定，滤波协方差阵P(n)： 

P(n)＝K(n,n-1)-F^-1(n+1,n)G(n)C(n)K(n,n-1)。 

3.如权利要求1所述的一种超短期电力负荷预测与预警方法，其特征在于：所述步骤二，具体实现的方法是： 

（1），利用主成分分析确定超短期电力负荷预测的影响工序：根据不同时段内电力负荷相关数据列与电网输入数据列之间的发展态势的相异或相似程度，利用各自数据列变量变化率和变量变化率比中潜在的信息，来计算各影响因素与电力总负荷的潜在关联程度，从而选择关联度大的电力工序用户作为超短期电力负荷预测的主要影响用户； 

（2）、对于ω_i和ω_j两类训练样本，假设其均值向量为m_i和m_j， 其k维方向的分量为m_ik和m_jk，方差为

和定义可分性准则函数： 

则G_K为正值，G_K值越大，表示测度值的第k个分量对分离ω_i和ω_j两类越有效，将{G_K,k=1,2,…,n}按大小排队，选出最大的m个对应的测度值作为主成分特征，即达到特征选择主要影响因素的目的。 

4.如权利要求3所述的一种超短期电力负荷预测与预警方法，其特征在于：所述主成分分析，具体为： 

（1）、利用主成分分析得到的影响工序，构造训练样本集S； 

其中，

和

组成模型输入样本，

为模型输出样本， 

表示P个影响因素前一时刻负荷，

表示前一时刻的额定功耗，

表示当前时刻的工序额定负荷，建立主成分分析； 

（2）、将主成分分析后负荷数据经中间层网络传递函数 的映射，得到一组小波基函数

......， 表达的神经元变换，再经过与变换系数W_T（相当于隐层与输出层的联结权重）的相乘运算，可将负荷数据分解到不同尺度，不同频段中； 

（3）、采用小波分解建模方法建立体现总负荷中低频负荷分量，稳定负荷分量和震荡负荷的关系的小波分解模型——超短期电力负 荷预测多尺度分解模型。 

5.如权利要求1所述的基于因素分析超短期电力负荷预测方法，其特征在于：所述步骤三，具体为： 

a、对主要工序的负荷数据进行中值滤波和归一化处理； 

b、负荷变化特性确定小波分解各主要工序回声状态网络参数； 

本方法使用的网络更新公式为： 

x(k+1)＝tansig(Wⁱⁿu(k+1)+Wx(k)) 

y(k+1)＝W^out(u(k+1),x(k+1))) 。

6.如权利要求1所述的基于因素分析的超短期电力负荷预测方法，其特征在于：所述步骤五，具体为：利用各小波尺度的负荷特性分别做单尺度影响因素的回声状态电力负荷预测，得到不同尺度负荷对应的电力负荷变化预测趋势，进而确定复合预测结果，对比实际负荷数据，采用预测误差绝对平均值进行分析。 

Images