CN103617564B - 基于区域负荷预测值综合评价的全网负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于区域负荷预测值综合评价的全网负荷预测方法，其特征是首先获取近期一个样本时段内历史数据作为历史数据样本空间，然后计算历史数据样本空间内每个区域在t时刻点平均比例系数，预测待预测日每个区域在相同t时刻点比例系数，构建t时刻点的多指标评价体系，根据多指标评价体系构建t时刻点综合评价指标，利用综合评价指标选择t时刻点优先级较高的q个区域，用所选择的q个区域分别预测t时刻点的全网系统负荷，然后对这q个不同的预测值建立t时刻点的最优综合模型，求解得到t时刻点全网系统负荷最终预测结果，对于待预测日全天T个时刻点，分别建立最优综合模型，得到全天负荷预测序列。本发明方法可提高电力系统短期负荷预测准确率。

Description

基于区域负荷预测值综合评价的全网负荷预测方法

技术领域

本发明涉及一种基于区域负荷预测值综合评价的大电网负荷预测方法，用于电力系统短期负荷预测，属于电力系统负荷预测技术领域。

背景技术

为保证电力系统发电功率和负荷功率的动态平衡，必须对电力系统负荷做出科学的预测。负荷预测是调度中心及电网发展策划部门的一项重要工作，负荷预测的结果对电网运行、控制、调度、规划、建设等方面具有重要的指导价值，它是电网科学发展和科学调度的基础。

提高负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有利于提高电力系统的经济效益和社会效益。因此，负荷预测已成为实现电力系统管理现代化的重要内容。

目前利用区域负荷预测全网系统负荷的方法为“子网累加法”，“子网累加法”的预测流程如图1所示。其预测基本可以分成以下三步：

1、在各个区域内充分考虑各种影响短期负荷预测的因素，选择合适的预测方法，然后根据各区域历史数据对各个区域进行短期负荷预测；得出各个子网的96点负荷预测结果。

2、汇总各区域负荷预测结果，把每个区域的96点预测数据进行累加得到各个时刻点的累加和。

3、计算待预测日的96点的厂用电和网损，并对累加和进行修正得出最终的安徽电网负荷预测结果。

由于该方法要对每个区域子网进行预测，而对于短期负荷预测来说，由于各个区域的负荷稳定度不同，预测难度迥异，与此同时，厂用电和网损数据也需要预测，因此，当利用全部区域的预测负荷进行子网累加时，全网系统负荷预测的准确性效果可能不够理想。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种基于区域负荷预测值综合评价的全网负荷预测方法，以提高电力系统短期负荷预测准确率。同时，本方法只选取部分区域负荷预测值来预测全网负荷，可避免有些区域负荷预测专责上报区域预测结果不及时而影响全网负荷预测。

本发明为解决技术问题采用如下技术方案

本发明基于区域负荷预测值综合评价的全网负荷预测方法的特点是按以下步骤进行：

(1)、获取近期一个样本时段内的历史数据作为历史数据样本空间，所述历史数据为全网及全网内N个区域的实际负荷和预测负荷；

(2)、计算所述历史数据样本空间内每个区域在t时刻点的平均比例系数用指数平滑法动态预测待预测日每个区域在相同t时刻点的比例系数，得到N个区域在t时刻点的比例系数矩阵C_t，则有：

$\stackrel{\‾}{C_t}=(\stackrel{\‾}{C_{1,t}},\stackrel{\‾}{C_{2,t}},\mathrm{...},\stackrel{\‾}{C_{N,t}})$

C_t＝(C_1,t,C_2,t,…,C_N,t)

其中，

为第1个区域的历史数据在t时刻点的平均比例系数；

为第2个区域的历史数据在t时刻点的平均比例系数；

为第N个区域的历史数据在t时刻点的平均比例系数；

C_1,t为第1个区域在待预测日t时刻点的比例系数；

C_2,t为第2个区域在待预测日t时刻点的比例系数；

C_N,t为第N个区域在待预测日t时刻点的比例系数；

(3)、构建t时刻点的多指标评价体系F_t：考虑三种单一评价指标，则每个区域的多指标评价体系F_t为：

F_t＝(F_1,t,F_2,t,F_3,t)^T

所述三种单一评价指标分别为：某区域负荷在t时刻点的综合稳定度评价指标F_1,t，某区域负荷在t时刻点的预测综合准确率评价指标F_2,t，某区域负荷比例系数在t时刻点的稳定度评价指标F_3,t；

(4)、构建t时刻点综合评价指标F_AL,t为；

F_AL,t＝ω×Y

其中：ω＝(ω₁,ω₂,ω₃)，ω为三个单一评价指标在t时刻点的权重矩阵；ω₁,ω₂,ω₃为多指标体系F_t中每个单一评价指标在t时刻点的权重系数；Y为根据多指标评价体系F_t形成的在t时刻点的决策矩阵；

(5)、选择区域并预测全网负荷：对于所有区域在t时刻点按各区域的综合评价指标F_AL,t从小到大的优先级排序，并以综合评价指标F_AL,t最小为优选级最高，选择t时刻点优先级较高的q个区域，用所选择的q个区域分别预测t时刻点的全网系统负荷，得到q个不同的预测结果，表示为：

$(L_{all,t}^1,L_{all,t}^2,\mathrm{...},L_{all,t}^q)$

其中，

为利用第1个区域预测出的t时刻点的全网系统负荷；

为利用第2个区域预测出的t时刻点的全网系统负荷；

为利用第q个区域预测出的t时刻点的全网系统负荷，且L_q,t为第q个区域在t时刻点的负荷预测值，C_q,t为第q个区域在t时刻点的比例系数预测值；

(6)、t时刻点的最优综合预测：对q个不同的预测结果建立t时刻点的最优综合模型，计算所选择的各区域的最优权重，得到t时刻点的全网系统负荷最终预测结果为L_all,t：

$\begin{array}{cc}{L}_{all,t}=\underset{k=1}{\overset{q}{\Σ}}{w}_t^k{L}_{all,t}^k& k=1,2,\mathrm{...},q\end{array}$

其中，为由区域k预测出的全网系统负荷在t时刻点的最优权重，为用第k个区域预测出来的t时刻点的全网系统负荷；

(7)、对于待预测日全天T个时刻点，分别建立最优综合模型，得到全天负荷预测序列(L_all,1,L_all,2,…,L_all,T)，以所述全天负荷预测序列(L_all,1,L_all,2,…,L_all,T)为全网负荷预测结果。

本发明基于区域负荷预测值综合评价的全网负荷预测方法的特点也在于：

在所述步骤(1)中，对于所述历史数据按如下方法进行预处理：

令：L(d,t)为第d天t时刻的负荷值，L(d,t₁)和L(d,t₂)为第d天与t时刻相邻的两个时刻t₁、t₂的负荷值，L(d₁,t)和L(d₂,t)为与d相邻的两天在t时刻点的负荷值；

a)对于缺失数据的处理

若第d天t时刻的负荷值L(d,t)缺失，则利用式(1)获得L(d,t)：

L(d,t)＝αL(d,t₁)+αL(d,t₂)+βL(d₁,t)+βL(d₂,t) (1)

式(1)中，α和β为系数，α＞β,α+β＝1；

b)对于坏点数据的处理

定义ε为负荷允许的偏离率，ρ(d,t)为第d天t时刻点实际偏离率，当ρ(d,t)≥ε时，判断L(d,t)为坏数据，对坏数据用进行代替：

$\stackrel{\‾}{L}(d,t)=\frac{L(d_1,t)+L(d_2,t)}{2}---\left(2\right)$

所述步骤(2)中的指数平滑法为：

建立指数平滑模型为：

$\begin{array}{cc}{C}_t^i=\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j{C}_{t,j}^i& i=1,2,\mathrm{...},N\\ \left\{\begin{array}{c}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j=1\\ 0\≤{\mathrm{\λ}}_j\≤1\end{array}\right.& j=1,2,\mathrm{...},n\end{array}---\left(3\right)$

式(3)中：表示区域i在时刻t占全网系统负荷比例的预测值，表示前j天的区域i在时刻t占全网系统负荷比例的实际值；n为样本时段的天数；λ_j表示权重系数，λ_j＝λ(1-λ)^j-1，λ为常数，且0＜λ＜1。

所述某区域负荷在t时刻点的综合稳定度评价指标F_1,t由式(4)获得：

$\begin{array}{cc}{F}_{1,t}=\frac{{\mathrm{RSFD}}_t}{\stackrel{\‾}{C_t}}& t=1,2,\mathrm{...},T\end{array}---\left(4\right)$

式(4)中：RSD_t为某个区域在时刻t的区域负荷相对标准偏差，为某个区域在时刻t时区域负荷占系统负荷的平均比例系数；

所述某区域负荷在t时刻点的预测综合准确率评价指标F_2,t按式(5)获得：

$\begin{array}{cc}{F}_{2,t}=\frac{1-Q_t}{\stackrel{\‾}{C_t}}& t=1,2,\mathrm{...},T\end{array}---\left(5\right)$

式(5)中：Q_t为某个区域在所选样本空间内的时刻t的平均预测准确率；

所述某区域负荷比例系数在t时刻点的稳定度评价指标F_3,t按式(6)获得：

$\begin{array}{cc}{F}_{3,t}=\frac{\sqrt{S_t^2}}{\stackrel{\‾}{X_t}}& t=1,2,\mathrm{...},T\end{array}---\left(6\right)$

式(6)中：为某个区域在时刻t的比例系数的样本标准方差，为某个区域在时刻t的比例系数的样本数学期望。

所述每个单一评价指标在t时刻点的权重系数ω₁,ω₂,ω₃以及t时刻点的决策矩阵Y按如下方法获得：

1)令决策矩阵Y为：Y＝(y_il)_3×N，其中：

$\begin{array}{cc}{y}_{il}=\frac{F_{i,l}-{\min }_i\left\{F_{i,l}\right\}}{{\max }_i\left\{F_{i,l}\right\}-{\min }_i\left\{F_{i,l}\right\}}& i=1,2,\mathrm{...},N;l=1,2,3\end{array}---\left(7\right)$

式(7)中：F_i,l为区域i的第l个评价指标，为N个区域中的第l个评价指标的最小值，max_i{F_i,l}为N个区域中的第l个评价指标的最大值。

2)则有：

式(8)中：其中s_l为决策矩阵Y中第l项指标的标准方差，为第l项指标的数学期望，ω_l即为第l个评价指标在t时刻点的权重系数。

所述步骤(6)中最优综合模型按如下方法建立：

以式(9)表征t时刻点全网系统负荷预测值的目标函数，式(10)-(11)为目标函数的约束条件：

$\begin{array}{cc}\underset{{\mathrm{\ω}}_k}{\min }& z^{\left(t\right)}=\underset{j=1}{\overset{n}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}{(\underset{k=1}{\overset{q}{\Σ}}{w}_t^k{L}_{all,t,j}^k-L_{all,t,j})}^2\end{array}---\left(9\right)$

$\begin{array}{cc}S.t.& \underset{k=1}{\overset{q}{\Σ}}{w}_t^k=1\end{array}---\left(10\right)$

$w_t^k\≥0,k=1,2,\mathrm{...},q---\left(11\right)$

式(9)中：表示第j天t时刻点由区域k预测出的全网系统负荷预测值，L_all,t,j表示第j天t时刻点的全网系统负荷实际值；

由式(9)、式(10)和式(11)计算得出所选择的q个区域在t时刻点的最优权重后，再根据加权得到t时刻点的全网系统负荷预测值。

与已有技术相比，本发明有益效果体现在：

1、本发明方法降低了现有技术中子网累加法中负荷波动性较大而难以预测的区域对全网负荷预测造成的影响；回避了对电厂用电和电网损耗的预测。

2、子网累加法中需要提前知道所有区域负荷预测值，而本发明方法只选取部分区域负荷预测值来预测全网负荷，避免了有些区域负荷预测专责上报区域预测结果不及时而影响省调控中心的全网负荷预测。

3、本发明方法采用综合指标评价的方法对各区域优先级排序，可以综合考虑各个区域负荷预测值对全网负荷预测值的影响，有利于提高全网负荷预测的准确率。

附图说明

图1为子网累加算法流程；

图2为本发明方法流程图；

图3为某电网2013年5月21日的负荷预测效果对比图；

具体实施方式

参见图2，本实施例中基于区域负荷预测值综合评价的全网负荷预测方法按以下步骤进行：

(1)、获取近期一个样本时段内的历史数据作为历史数据样本空间，历史数据为全网及全网内N个区域的实际负荷和预测负荷；

(2)、计算所述历史数据样本空间内每个区域在t时刻点的平均比例系数用指数平滑法动态预测待预测日每个区域在相同t时刻点的比例系数，得到N个区域在t时刻点的比例系数矩阵C_t，则有：

$\stackrel{\‾}{C_t}=(\stackrel{\‾}{C_{1,t}},\stackrel{\‾}{C_{2,t}},\mathrm{...},\stackrel{\‾}{C_{N,t}})$

C_t＝(C_1,t,C_2,t,…,C_N,t)

其中，

为第1个区域的历史数据在t时刻点的平均比例系数；

为第2个区域的历史数据在t时刻点的平均比例系数；

为第N个区域的历史数据在t时刻点的平均比例系数；

C_1,t为第1个区域在待预测日t时刻点的比例系数；

C_2,t为第2个区域在待预测日t时刻点的比例系数；

C_N,t为第N个区域在待预测日t时刻点的比例系数；

(3)、构建t时刻点的多指标评价体系F_t：考虑三种单一评价指标，则每个区域的多指标评价体系F_t为：

F_t＝(F₁,_t,F₂,_t,F₃,_t)^T

所述三种单一评价指标分别为：某区域负荷在t时刻点的综合稳定度评价指标F_1,t，某区域负荷在t时刻点的预测综合准确率评价指标F_2,t，某区域负荷比例系数在t时刻点的稳定度评价指标F_3,t；

(4)、由于多指标评价体系中含有三种单一评价指标，在所选样本空间内三个评价指标可能会出现不同的评价结果，因此如何综合评价这三个指标，从中选取最合适的几个区域来预测全网负荷则成为关键。因此构建t时刻点综合评价指标F_AL,t为；

F_AL,t＝ω×Y

其中：ω＝(ω₁,ω₂,ω₃)，ω为三个单一评价指标在t时刻点的权重矩阵；ω₁,ω₂,ω₃为多指标体系F_t中每个单一评价指标在t时刻点的权重系数；Y为根据多指标评价体系F_t形成的在t时刻点的决策矩阵；

(5)、选择区域并预测全网负荷：对于所有区域在t时刻点按各区域的综合评价指标F_AL,t从小到大的优先级排序，并以综合评价指标F_AL,t最小为优选级最高，选择t时刻点优先级较高的q个区域，用所选择的q个区域分别预测t时刻点的全网系统负荷，得到q个不同的预测结果，表示为：

$(L_{all,t}^1,L_{all,t}^2,\mathrm{...},L_{all,t}^q)$

其中，

为利用第1个区域预测出的t时刻点的全网系统负荷；

为利用第2个区域预测出的t时刻点的全网系统负荷；

为利用第q个区域预测出的t时刻点的全网系统负荷，且L_q,t为第q个区域在t时刻点的负荷预测值，C_q,t为第q个区域在t时刻点的比例系数预测值；

(6)、t时刻点的最优综合预测：对q个不同的预测结果建立t时刻点的最优综合模型，计算所选择的各区域的最优权重，得到t时刻点的全网系统负荷最终预测结果为L_all,t：

$\begin{array}{cc}{L}_{all,t}=\underset{k=1}{\overset{q}{\Σ}}{w}_t^k{L}_{all,t}^k& k=1,2,\mathrm{...},q\end{array}$

其中，为由区域k预测出的全网系统负荷在t时刻点的最优权重，为用第k个区域预测出来的t时刻点的全网系统负荷；

(7)、对于各个区域负荷预测值预测出的全网系统负荷而言，在不同的时刻点呈现出不同的预测效果，因此区别对待“待预测日的各个时刻点”，分别建立综合模型，使得各个区域负荷预测值预测出的全网系统负荷在各个时刻的权重都不同，以体现各自在不同时刻点的预测效果。对于待预测日全天T个时刻点，分别建立最优综合模型，得到全天负荷预测序列(L_all,1,L_all,2,…,L_all,T)，以所述全天负荷预测序列(L_all,1,L_all,2,…,L_all,T)为全网负荷预测结果。

在步骤(1)中，对于历史数据按如下方法进行预处理：

令：L(d,t)为第d天t时刻的负荷值，L(d,t₁)和L(d,t₂)为第d天与t时刻相邻的两个时刻t₁、t₂的负荷值，L(d₁,t)和L(d₂,t)为与d相邻的两天在t时刻点的负荷值；

a)对于缺失数据的处理

若第d天t时刻的负荷值L(d,t)缺失，则利用式(1)获得L(d,t)：

L(d,t)＝αL(d,t₁)+αL(d,t₂)+βL(d₁,t)+βL(d₂,t) (1)

式(1)中，α和β为系数，α＞β,α+β＝1，通常α可以取值为0.7；

b)对于坏点数据的处理

定义ε为负荷允许的偏离率，ρ(d,t)为第d天t时刻点实际偏离率，当ρ(d,t)≥ε时，判断L(d,t)为坏数据，对坏数据用进行代替：

$\stackrel{\‾}{L}(d,t)=\frac{L(d_1,t)+L(d_2,t)}{2}---\left(2\right)$

步骤(2)中的指数平滑法为：

建立指数平滑模型为：

$\begin{array}{cc}{C}_t^i=\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j{C}_{t,j}^i& i=1,2,\mathrm{...},N\\ \left\{\begin{array}{c}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j=1\\ 0\≤{\mathrm{\λ}}_j\≤1\end{array}\right.& j=1,2,\mathrm{...},n\end{array}---\left(3\right)$

式(3)中：表示区域i在时刻t占全网系统负荷比例的预测值，表示前j天的区域i在时刻t占全网系统负荷比例的实际值；n为样本时段的天数；λ_j表示权重系数，λ_j＝λ(1-λ)^j-1，λ为常数，且0＜λ＜1；为保证近期数据的权重大，远期的权重小，λ通常取0.7～0.9之间的常数。

某区域负荷在t时刻点的综合稳定度评价指标F_1,t由式(4)获得：

$\begin{array}{cc}{F}_{1,t}=\frac{{\mathrm{RSFD}}_t}{\stackrel{\‾}{C_t}}& t=1,2,\mathrm{...},T\end{array}---\left(4\right)$

式(4)中：RSD_t为某个区域在时刻t的区域负荷相对标准偏差，为某个区域在时刻t时区域负荷占系统负荷的平均比例系数；负荷综合稳定度指标F_1,t的物理意义是：当以某个区域负荷预测全网负荷时，区域负荷波动的大小在全网负荷的体现。当以负荷综合稳定度指标F_1,t在每个时刻点上对各个区域进行排序，数值最小的区域，表示在该个时刻点上以该区域的负荷预测全网负荷时，偏差最小。

某区域负荷在t时刻点的预测综合准确率评价指标F_2,t按式(5)获得：

$\begin{array}{cc}{F}_{2,t}=\frac{1-Q_t}{\stackrel{\‾}{C_t}}& t=1,2,\mathrm{...},T\end{array}---\left(5\right)$

式(5)中：Q_t为某个区域在所选样本空间内的时刻t的平均预测准确率；负荷综合稳定度指标F_2,t的物理意义是：当以某个区域负荷预测全网负荷时，区域负荷预测偏差的大小在全网负荷的体现。当以负荷综合稳定度指标F_2,t在每个时刻点上对各个区域进行排序，数值最小的区域，预测准确率最高，表示在该个时刻点上当以该区域的负荷预测值预测全网负荷，全网负荷的预测误差最小。

当以区域负荷预测全网负荷时，全网负荷不仅与区域负荷预测值的品质有关，且与在待预测日的区域负荷占全网负荷比例系数预测值有关，因此这里提出区域负荷占全网负荷比例系数稳定度指标。某区域负荷比例系数在t时刻点的稳定度评价指标F_3,t按式(6)获得：

$\begin{array}{cc}{F}_{3,t}=\frac{\sqrt{S_t^2}}{\stackrel{\‾}{X_t}}& t=1,2,\mathrm{...},T\end{array}---\left(6\right)$

式(6)中：为某个区域在时刻t的比例系数的样本标准方差，为某个区域在时刻t的比例系数的样本数学期望。

每个单一评价指标在t时刻点的权重系数ω₁,ω₂,ω₃按如下方法获得：

由于三个评价指标的量纲和数量级不同，首先进行各单一指标无量纲化处理得到决策矩阵Y为：Y＝(y_il)_3×N，其中：

$\begin{array}{cc}{y}_{il}=\frac{F_{i,l}-{\min }_i\left\{F_{i,l}\right\}}{{\max }_i\left\{F_{i,l}\right\}-{\min }_i\left\{F_{i,l}\right\}}& i=1,2,\mathrm{...},N;l=1,2,3\end{array}---\left(7\right)$

式(7)中：F_i,l为区域i的第l个评价指标，min_i{F_i,l}为N个区域中的第l个评价指标的最小值，max_i{F_i,l}为N个区域中的第l个评价指标的最大值。

则有：

式(8)中：其中s_l为决策矩阵Y中第l项指标的标准方差，为第l项指标的数学期望，ω_l即为第l个评价指标在t时刻点的权重系数。

步骤(6)中最优综合模型按如下方法建立：

以式(9)表征t时刻点全网系统负荷预测值的目标函数，式(10)-(11)为目标函数的约束条件：

$\begin{array}{cc}\underset{{\mathrm{\ω}}_k}{\min }& z^{\left(t\right)}=\underset{j=1}{\overset{n}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}{(\underset{k=1}{\overset{q}{\Σ}}{w}_t^k{L}_{all,t,j}^k-L_{all,t,j})}^2\end{array}---\left(9\right)$

$\begin{array}{cc}S.t.& \underset{k=1}{\overset{q}{\Σ}}{w}_t^k=1\end{array}---\left(10\right)$

$w_t^k\≥0,k=1,2,\mathrm{...},q---\left(11\right)$

式(9)中：表示第j天t时刻点由区域k预测出的全网系统负荷预测值，L_all,t,j表示第j天t时刻点的全网系统负荷实际值。

对于式(9)-(11)的求解，首先定义各个区域预测出的全网系统负荷预测值的虚拟预测残差v_kjt、虚拟预测残差平方和及某两个区域预测全网系统负荷的虚拟预测结果的协方差如下：

$\begin{array}{cc}{v}_{kjt}=L_{all,t,j}^k-L_{all,t,j}& (k=1,2,\mathrm{...},q;j=1,2,\mathrm{...},n;t=1,2,\mathrm{..},T)\end{array}$

$\begin{array}{cc}{h}_{kk}^t=\underset{j=1}{\overset{n}{\Σ}}{v}_{kjt}^2& (k=1,2,\mathrm{..},q)\end{array}$

$\begin{array}{cc}{h}_{km}^t=\underset{i=1}{\overset{n}{\Σ}}{v}_{kjt}\·v_{mjt}& (k,m=1,2,\mathrm{...},q)\end{array}$

则式(9)-(11)在t时段的目标函数转化为如下的矩阵形式：

min z＝W_t ^TH^tW_t

S.t. e^TW_t＝1 (12)

W^(t)≥0

其中：

式(12)是二次规划问题的标准形式，直接计算得出所选择的q个区域在t时刻点的最优权重后，再根据加权得到t时刻点的全网系统负荷预测值。

举例：

在本发明方法中，基于区域负荷预测值的区域可以是根据行政区域划分的地市(简称地市)，也可以是根据类气象分区划分的区域，在具体实施方式中，采用地市负荷预测值来预测某网省公司的全网负荷为例(T＝96)，该省包括16个地市(分别用地市1，地市2，…，地市16表示)。具体实施按以下步骤进行：

1、读取历史数据：预测日为2013年5月21日，属于工作日，因此选取预测日前40个工作日作为历史参考日，读取各参考日0时0分(t＝1)时刻的全网及各地市的实际负荷数据和预测负荷数据。

2、比例系数计算：计算40个工作日内每个地市在t＝1时刻点的平均比例系数用指数平滑法预测待预测日在t＝1时刻点的16个地市负荷占全网负荷的比例系数C_t。

3、建立多指标评价体系，其具体实施方式为：

1)根据式(4)，首先计算t＝1时刻点的16个地市预测负荷在40个工作日内的平均相对标准偏差RSD₁，再根据具体实施步骤2的结果，得到16个地市t＝1时刻点的综合稳定度指标F_1,t；

2)根据式(5)，首先计算t＝1时刻点的16个地市的预测准确率，公式如下：

$Q_t=1-\sqrt{\frac{1}{40}\underset{j=1}{\overset{40}{\Σ}}{\left(\frac{r_{load,j,t}-f_{load,j,t}}{r_{load,j,t}}\right)}^2}$

其中，Q为40个工作日内地市负荷预测的评价准确率，r_load,j,t为第j个工作日在t＝1时刻点的地市实际负荷，f_load,j,t为第j个工作日在t＝1时刻点的地市预测负荷，再根据具体实施步骤2的结果，得到16个地市t＝1时刻点的综合准确率指标F_2,t；

3)根据式(6)，计算t＝1时刻点的16个地市负荷占全网负荷的比例系数在40个工作日内的平均相对标准偏差，得到比例系数稳定度指标F_3,t。

下表为该省16个地市在t＝1时刻点的三项评价指标结果。

区域	F1,t	F2,t	F3,t	区域	F1,t	F2,t	F3,t
								地市1	0.924	0.911	0.030	地市9	1.540	1.591	0.054
地市2	1.031	4.173	0.037	地市10	1.653	1.115	0.062
								地市3	0.684	0.604	0.043	地市11	0.327	0.503	0.036
地市4	2.906	2.819	0.063	地市12	0.429	0.499	0.026
								地市5	0.840	0.743	0.035	地市13	0.641	0.533	0.048
地市6	0.811	0.954	0.035	地市14	1.054	1.259	0.069
								地市7	0.626	0.757	0.039	地市15	1.581	1.317	0.046
地市8	0.352	0.191	0.027	地市16	13.645	11.199	0.177

4、构建综合评价指标F_AL,t：根据具体实施步骤3的结果，首先对每个地市的(F_1,t,F_2,t,F_3,t)无量纲处理，得到决策矩阵Y，然后求每个单一指标的变异权重ω＝(ω₁,ω₂,ω₃)，最后求解综合评价指标F_AL,t＝ω×Y：

通过计算，该省16个地市在t＝1时刻点的综合评价指标结果为：

5、选取地市分别预测全网负荷：对于综合评价指标F_AL,t，其数值越小，说明该地市的负荷越稳定，越有利于利用该地市的负荷预测值来预测全网负荷。在选取地市个数的时候，为了避免极端误差的出现，通常选4～10个，这里根据F_AL,t排序结果，当选取地市数为5时，分别对应的是地市8、地市12、地市11、地市1、地市5。通过步骤1读取的各地市负荷预测数据，由得到5个全网负荷预测结果如下：

$(L_{all,t}^1,L_{all,t}^2,\mathrm{...},L_{all,t}^5)=(13422.3,12745.3,13051.7,12750.1,13503.1)$

6、建立单时刻点的最优综合模型，预测t＝1时刻点的最终全网负荷预测值。用式(9)-(11)的目标函数求解方法，现选取虚拟预测的天数为n＝30天，最后形成的残差矩阵H和求解得到的最优权重矩阵W为：

$H=\left[\begin{array}{ccccc}6172648& -47742& -138710& 1171176& -2430365\\ -47742& 11796411& 8832880& 6837993& 2074623\\ -13187010& 8832880& 18264168& 9479945& 7334940\\ 1171176& 6837993& 9479945& 10402327& 5691615\\ -2430365& 2074623& 7334940& 5691615& 14046546\end{array}\right]$

W＝[0.549,0.189,0.000,0.000,0.262]

因此t＝1时刻点的最终全网负荷预测值而在5月21日t＝1时刻点的实际负荷为13480.5MW，预测精度达到98.78％。

7、全天多点的负荷预测。对于预测日一天中t从2到96的其他点的负荷预测，重复步骤1到步骤6，就可以得到全天的负荷预测值序列。

图3是该省2013年5月21日全天的负荷预测曲线与实际负荷曲线、传统的运用“子网累加法”得到的预测曲线的对比图。通过计算，本发明方法的日准确率为98.34％，而传统的“子网累加法”预测的日准确率为96.04％，本发明方法的预测准确率明显优于“子网累加法”。

Claims (6)

1.一种基于区域负荷预测值综合评价的全网负荷预测方法，其特征是按以下步骤进行：

(1)、获取近期一个样本时段内的历史数据作为历史数据样本空间，所述历史数据为全网及全网内N个区域的实际负荷和预测负荷；

(2)、计算所述历史数据样本空间内每个区域在t时刻点的平均比例系数用指数平滑法动态预测待预测日每个区域在相同t时刻点的比例系数，得到N个区域在t时刻点的比例系数矩阵Ct，则有：

$\stackrel{\‾}{C_t}=(\stackrel{\‾}{C_{1,t}},\stackrel{\‾}{C_{2,t}},...,\stackrel{\‾}{C_{N,t}})$

C_t＝(C_1,t,C_2,t,…,C_N,t)

其中，

为第1个区域的历史数据在t时刻点的平均比例系数；

为第2个区域的历史数据在t时刻点的平均比例系数；

为第N个区域的历史数据在t时刻点的平均比例系数；

C1,_t为第1个区域在待预测日t时刻点的比例系数；

C₂,_t为第2个区域在待预测日t时刻点的比例系数；

C_N,_t为第N个区域在待预测日t时刻点的比例系数；

(3)、构建t时刻点的多指标评价体系F_t：考虑三种单一评价指标，则每个区域的多指标评价体系F_t为：

F_t＝(F_1,t,F_2,t,F_3,t)^T

所述三种单一评价指标分别为：某区域负荷在t时刻点的综合稳定度评价指标F_1,t，某区域负荷在t时刻点的预测综合准确率评价指标F_2,t，某区域负荷比例系数在t时刻点的稳定度评价指标F_3,t；

(4)、构建t时刻点综合评价指标F_AL,t为：

F_AL,t＝ω×Y

其中：ω＝(ω₁,ω₂,ω₃)，ω为三个单一评价指标在t时刻点的权重矩阵；ω₁,ω₂,ω₃为多指标体系Ft中每个单一评价指标在t时刻点的权重系数；Y为根据多指标评价体系Ft形成的在t时刻点的决策矩阵；

(5)、选择区域并预测全网负荷：对于所有区域在t时刻点按各区域的综合评价指标F_AL,t从小到大的优先级排序，并以综合评价指标F_AL,t最小为优选级最高，选择t时刻点优先级较高的q个区域，用所选择的q个区域分别预测t时刻点的全网系统负荷，得到q个不同的预测结果，表示为：

$(L_{all,t}^1,L_{all,t}^2,...,L_{all,t}^q)$

其中，

为利用第1个区域预测出的t时刻点的全网系统负荷；

为利用第2个区域预测出的t时刻点的全网系统负荷；

为利用第q个区域预测出的t时刻点的全网系统负荷，且L_q,t为第q个区域在t时刻点的负荷预测值，C_q,t为第q个区域在t时刻点的比例系数预测值；

(6)、t时刻点的最优综合预测：对q个不同的预测结果建立t时刻点的最优综合模型，计算所选择的各区域的最优权重，得到t时刻点的全网系统负荷最终预测结果为L_all,t：

$L_{all,t}=\underset{k=1}{\overset{q}{\Σ}}{w}_t^k{L}_{all,t}^k,k=1,2,...,q$

其中，为由区域k预测出的全网系统负荷在t时刻点的最优权重，为用第k个区域预测出来的t时刻点的全网系统负荷；

(7)、对于待预测日全天T个时刻点，分别建立最优综合模型，得到全天负荷预测序列(L_all,1,L_all,2,…,L_all,T)，以所述全天负荷预测序列(L_all,1,L_all,2,…,L_all,T)为全网负荷预测结果。

2.根据权利要求1所述的基于区域负荷预测值综合评价的全网负荷预测方法，其特征是在所述步骤(1)中，对于所述历史数据按如下方法进行预处理：

令：L(d,t)为第d天t时刻的负荷值，L(d,t₁)和L(d,t₂)为第d天与t时刻相邻的两个时刻t₁、t₂的负荷值，L(d₁,t)和L(d₂,t)为与d相邻的两天在t时刻点的负荷值_；

a)对于缺失数据的处理

若第d天t时刻的负荷值L(d,t)缺失，则利用式(1)获得L(d,t)：

L(d,t)＝αL(d,t₁)+αL(d,t₂)+βL(d₁,t)+βL(d₂,t) (1)

式(1)中，α和β为系数，α>β,α+β＝1；

b)对于坏点数据的处理

定义ε为负荷允许的偏离率，ρ(d,t)为第d天t时刻点实际偏离率，当ρ(d,t)≥ε时，判断L(d,t)为坏数据，对坏数据用进行代替：

$\stackrel{\‾}{L}(d,t)=\frac{L(d_1,t)+L(d_2,t)}{2}---\left(2\right).$

3.根据权利要求1所述的基于区域负荷预测值综合评价的全网负荷预测方法，其特征是所述步骤(2)中的指数平滑法为：

建立指数平滑模型为：

$C_t^i=\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j{C}_{t,j}^i,i=1,2,...,N$

$\left\{\begin{array}{c}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_j=1\\ 0\≤{\mathrm{\λ}}_j\≤1\end{array}\right.,j=1,2,...,n---\left(3\right)$

式(3)中：表示区域i在时刻t占全网系统负荷比例的预测值，表示前j天的区域i在时刻t占全网系统负荷比例的实际值；n为样本时段的天数；λ_j表示权重系数，

λ_j＝λ(1-λ)^j-1，λ为常数，且0＜λ＜1。

4.根据权利要求1所述的基于区域负荷预测值综合评价的全网负荷预测方法，其特征是：

所述某区域负荷在t时刻点的综合稳定度评价指标F_1,t由式(4)获得：

$F_{1,t}=\frac{{\mathrm{RSD}}_t}{\stackrel{\‾}{C_t}},t=1,2,...,T---\left(4\right)$

式(4)中：RSD_t为某个区域在时刻t的区域负荷相对标准偏差，为某个区域在时刻t时区域负荷占系统负荷的平均比例系数；

所述某区域负荷在t时刻点的预测综合准确率评价指标F_2,t按式(5)获得：

$F_{2,t}=\frac{1-Q_t}{\stackrel{\‾}{C_t}},t=1,2,...,T---\left(5\right)$

式(5)中：Q_t为某个区域在所选样本空间内的时刻t的平均预测准确率；

所述某区域负荷比例系数在t时刻点的稳定度评价指标F3t按式(6)获得：

$F_{3,t}=\frac{\sqrt{S_t^2}}{\stackrel{\‾}{X_t}},t=1,2,...,T---\left(6\right)$

式(6)中：为某个区域在时刻t的比例系数的样本标准方差，为某个区域在时刻t的比例系数的样本数学期望。

5.根据权利要求1所述的基于区域负荷预测值综合评价的全网负荷预测方法，其特征是所述每个单一评价指标在t时刻点的权重系数ω₁,ω₂,ω₃以及t时刻点的决策矩阵Y按如下方法获得：

1)令决策矩阵Y为：Y＝(y_il)_3×N，其中：

$y_{il}=\frac{F_{i,l}-{\min }_i\left\{F_{i,l}\right\}}{{\max }_i\left\{F_{i,l}\right\}-{\min }_i\left\{F_{i,l}\right\}},i=1,2,...,N;l=1,2,3---\left(7\right)$

式(7)中：F_i,l为区域i的第l个评价指标，min_i{F_i,l}为N个区域中的第l个评价指标的最小值，max_i{F_i,l}为N个区域中的第l个评价指标的最大值；

2)则有：

式(8)中：其中sl为决策矩阵Y中第l项指标的标准方差，为第l项指标的数学期望，ω_l即为第l个评价指标在t时刻点的权重系数。

6.根据权利要求1所述的基于区域负荷预测值综合评价的全网负荷预测方法，其特征是所述步骤(6)中最优综合模型按如下方法建立：

以式(9)表征t时刻点全网系统负荷预测值的目标函数，式(10)-(11)为目标函数的约束条件：

$\begin{array}{cc}\underset{{\mathrm{\ω}}_k}{\min }& z^{\left(t\right)}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{w}_t^k{L}_{all,t,j}^k-L_{all,t,j}\right)}^2\end{array}---\left(9\right)$

$\begin{array}{cc}S.t.& \underset{k=1}{\overset{q}{\Σ}}{w}_t^k=1\end{array}---\left(10\right)$

$w_t^k\≥0,k=1,2,...,q---\left(11\right)$

式(9)中：表示第j天t时刻点由区域k预测出的全网系统负荷预测值，Lall,t,j表示第j天t时刻点的全网系统负荷实际值；

由式(9)、式(10)和式(11)计算得出所选择的q个区域在t时刻点的最优权重后，再根据加权得到t时刻点的全网系统负荷预测值。