CN104036327A - 一种用于智能配电网的快速母线负荷预测方法 - Google Patents

Abstract

一种用于智能配电网的快速母线负荷预测方法，它首先需要获取历史负荷数据和历史温度数据，其次进行分析历史负荷数据，再次分析历史温度数据，然后建立负荷预测模型，最后更新负荷预测模型。负荷预测模型是建立首先经过分析历史负荷数据和历史温度数据得到温度变化的规律以及相邻两天负荷数据变化规律的相关性，然后根据预测日前一天的历史温度数据和预测日的基准负荷值以及预测日当天各个时刻的温度数据建立日负荷预测的拟合函数，实现对预测日的负荷预测。本发明通过相关性分析建立负荷预测模型，并且负荷预测模型具有自动更新功能，这样不仅提高了负荷预测的速度和精度，而且避免了时间复杂度高的问题。

Description

一种用于智能配电网的快速母线负荷预测方法

技术领域

本发明涉及电力系统母线负荷预测技术领域，具体地说是一种用于智能配电网的快速母线负荷预测方法。

背景技术

随着智能配电网建设，建立一种以信息化、数字化、自动化、互动化为特征，并实现电网运行的可靠、安全、经济、高效、环境友好的电网将成为未来电网的发展方向。精确的母线负荷预测是动态状态估计、安全稳定分析、无功优化、场站局部控制等保证电网安全、经济运的基础，对一个电力系统而言，提高电网运行的安全性和经济性、改善电能质量，都依赖于精确的母线负荷预测。

目前，由于母线负荷本身的一些特点，现有的预测方法精度不高。因此，对母线负荷进行预测，首要任务是提高母线负荷预测的精度，保证预测的准确性。其次是在保证精度的同时，提高预测的速度。众所周知，电网SCADA系统中采集的负荷数据量很大，对其进行预测必然涉及大量的数据处理。因此，在保证精度的基础上，我们还需提高预测的速度，满足电力行业的实时性要求。同时，母线负荷预测还有助于分析配网用户的用电情况，为配电网的进一步分析奠定基础。

针对智能配电网中状态估计计算的需要，迫切需要一种用于智能配电网的快速母线负荷预测方法。

发明内容

针对上述现有技术的不足，本发明提供了一种用于智能配电网的快速母线负荷预测方法，其不仅能够有效提高负荷预测的速度，而其能够提高负荷预测的精度。

本发明解决其技术问题采取的技术方案是：一种用于智能配电网的快速母线负荷预测方法，其特征是，包括以下步骤：

(1)获取历史数据：获取历史负荷数据和历史温度数据，并对历史负荷数据样本进行预处理；

(2)分析历史负荷数据：对历史负荷数据的特性进行分析，分析过程包括横向分析和纵向分析，横向分析将分析临近两天的负荷变化情况以及负荷与温度之间的关系，纵向分析则按照时刻进行分析连续几十天内不同时刻点之间的负荷变化情况；

(3)分析历史温度数据：针对历史温度数据分析温度的变化规律，并根据其变化规律修正历史负荷数据；

(4)建立负荷预测模型：首先经过分析历史负荷数据和历史温度数据得到温度变化的规律以及相邻两天负荷数据变化规律的相关性，然后根据预测日前一天的历史温度数据和预测日的基准负荷值以及预测日当天各个时刻的温度数据建立日负荷预测的拟合函数，实现对预测日的负荷预测；

(5)更新负荷预测模型：根据预测日当天预测的负荷平均值以及预测日当天实际的负荷平均值的差异值来修正预测日的负荷值，并作为预测日第二天负荷预测的基准负荷值。负荷预测模型的更新即更新的是预测日的负荷基准值。

所述对历史负荷数据样本进行预处理是指对采样到的历史负荷数据进行缺失数据补全、异常数据修改和去噪处理。

所述温度的变化规律包括一天的温度变化规律和一年的温度变化规律，所述一天的温度变化规律近似为一个正弦曲线，所述一年的温度变化规律为一条整体呈现开口向下的抛物线。

所述负荷预测模型包括预测日的基准负荷值和拟合函数，所述预测日的基准负荷值包括预测日前一天的实际负荷值或者预测日前一天的修正负荷值。预测日的基准负荷值和拟合函数这两部分在负荷预测过程中一直存储在计算机内存中，但预测日的基准负荷值是需要更新的。根据预测日的基准负荷值以及通过预测日温度数据和历史温度数据求出的预测日的负荷修正量从而实现一个在线的负荷预测，从而提高负荷预测速度。

所述日负荷预测包括负荷稳定不敏感期负荷预测和负荷敏感期负荷预测。

本发明的有益效果是：本发明通过相关性分析建立负荷预测模型，并且负荷预测模型具有自动更新功能，这样不仅提高了负荷预测的速度和精度，而且避免了时间复杂度高的问题。

附图说明

图1为本发明的方法流程图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

本发明首先通过对历史负荷数据和历史温度数据进行分析，挖掘出相关数据规律：温度变化规律呈现抛物线形状；全天负荷可分为负荷不敏感期和负荷敏感期两部分；在负荷敏感期，负荷起伏变化频率较高，且曲线呈锯齿形；在负荷不敏感期，变化趋势平稳，曲线呈开口向上的抛物线形，相邻两天负荷变化主要受温度影响，负荷曲线形状相似，主要表现为纵向幅值的增减变化。然后根据挖掘出的数据规律以及对影响因素与负荷值之间的相关性分析结果，建立日负荷预测模型，实现对未来一天的负荷预测。考虑到负荷预测模型的复杂度，在建模时仅仅是考虑了温度这一最重要的影响因素，根据历史负荷数据以及历史温度数据拟合出典型的日负荷曲线。此外通过更新负荷预测模型实现了预测模型的在线学习，利用实时的负荷数据来不断自动更新预测，从而保证模型能够适应于局部时间段的负荷特性。

如图1所示，本发明的一种用于智能配电网的快速母线负荷预测方法，具体步骤如下：

步骤1：获取历史数据。

获取历史负荷数据和历史温度数据，并对历史负荷数据样本进行预处理，即在进行训练样本构造之前对采样到的负荷数据进行检查与修补，包括对缺失数据的补全、异常数据修改以及去噪处理。

步骤2：分析历史负荷数据。

对历史负荷数据的特性进行分析，分析过程将分别从横向和纵向两个角度进行。横向分析将分析临近两天的负荷变化情况以及负荷与温度之间的关系，温度差较小的情况下相邻两天之间负荷曲线的变化规律非常相近，负荷与温度的相关性体现在，相邻两天负荷变化只受温度影响，且只在纵向有增减变化。纵向分析则按照时刻进行分析，分析连续几十天内不同时刻点之间的负荷变化情况，连续几十天内相邻时刻点之间的负荷变化十分相似。

步骤2的具体实施步骤如下：

2.1，在温度差较小的情况下，相邻两天之间负荷曲线的变化规律非常接近，且全天负荷可分为负荷稳定不敏感期和负荷敏感期两部分。于是将每天划分了288个时刻，时刻间隔是每5分钟一个，划分位置大概在时刻点150的邻域内。在负荷敏感期，负荷起伏变化频率较高，且曲线呈锯齿形；在负荷稳定不敏感期，负荷变化趋势平稳，曲线呈开口向上的抛物线形，相邻两天负荷变化只受温度影响，且只在纵向有增减变化。因此，可将日负荷预测分成两部分进行预测：负荷稳定不敏感期负荷预测和负荷敏感期负荷预测。

2.2，由于时刻点0和时刻1的负荷曲线非常近似，为了量化相邻时刻点之间的差异，表1给出了5组相邻时刻点负荷序列之间的平均负荷误差。

表1：相邻时刻点误差表

时刻点	平均误差
		时刻点0和时刻点1	0.1930
时刻点1和时刻点2	0.1678
		时刻点2和时刻点3	0.2386
时刻点3和时刻点4	0.1883
		时刻点9和时刻点10	0.8532

2.3，为了进一步研究临近时刻点之间负荷曲线的相似性，表2给出了6组间隔为5个时刻点负荷序列的平均负荷误差。

表2：间隔5个时刻点的负荷误差表

时刻点	平均误差
		时刻点0和时刻点5	0.7456
时刻点5和时刻点10	0.5345
		时刻点10和时刻点15	0.4152
时刻点15和时刻点20	0.3058
		时刻点20和时刻点25	0.2439

时刻点25和时刻点30

0.2064

步骤3：分析历史温度数据。

主要针对历史温度数据分析温度的变化规律，并根据其变化规律修正历史负荷数据。所述温度的变化规律包括一天的温度变化规律和一年的温度变化规律，所述一天的温度变化规律近似为一个正弦曲线，所述一年的温度变化规律为一条整体呈现开口向下的抛物线。

步骤3的具体实施步骤如下：

3.1，最高气温是一日内气温的最高值T_high，一般出现在14-15时，最低气温T_low一般出现在早晨5-6时。中国用摄氏温标，以℃表示摄氏度。一般一天观测4次(02、08、14、20四个时次)，部分测站根据实际情况，一天观测3次(08、14、20三个时次)。

3.2，一天内温度变化曲线函数可近似认为如式1所示：

ψ(t)＝Asin(ωt+a)+b (1)

其中，t为时刻点，A＝10,ω＝0.125π,a＝-1.25π,b＝5，从而推出关系式：

$A=\frac{T_{\mathrm{high}}-T_{\mathrm{low}}}{2}$ 和b＝T_low+A。

3.3，中国城市年气温变化规律为7月最高，1月最低。以乌鲁木齐全年气温变化趋势为例，其温度变化规律非常明显，曲线整体呈抛物线形状。

步骤4：建立负荷预测模型。

除了历史负荷数据外，温度是对预测负荷影响最大的外界因素，加之其它天气参数难以量化，在建模时，考虑只将温度信息加入到预测模型中，首先经过分析历史负荷数据和历史温度数据得到温度变化的规律以及相邻两天负荷数据变化规律的相关性，然后根据预测日前一天的历史温度数据和预测日的基准负荷值以及预测日当天各个时刻的温度数据建立日负荷预测的拟合函数，实现对预测日的负荷预测。所述负荷预测模型包括预测日的基准负荷值和拟合函数，所述预测日的基准负荷值包括预测日前一天的实际负荷值或者预测日前一天的修正负荷值。预测日的基准负荷值和拟合函数这两部分在负荷预测过程中一直存储在计算机内存中，但预测日的基准负荷值是需要更新的。根据预测日的基准负荷值以及通过预测日温度数据和历史温度数据求出的预测日的负荷修正量从而实现一个在线的负荷预测，从而提高负荷预测速度。

步骤4的具体实施步骤如下：

4.1，季节变化本身可看作是一种与气候因素相关的连续变化，因此，可以指定统一的预测模型对全年任意一天的负荷数据进行预测。

4.2，在模型建立，只考虑加入温度信息到预测模型中，原因是根据分析温度是除却负荷本身外，对负荷影响最大的外界因素，并且其它天气很难得到并量化。

4.3，假设第n天的负荷向量L_n＝[l₁,l₂,....,l_m]，其中m表示时刻点总数，m具体取值情况有48，96和288等。ΔL_n+1＝[ξ₁,ξ₂,....,ξ_m]为第n+1天的温度T_n+1对负荷的修正量。

4.4，假设存在函数f(T_n,T_n+1)，此函数是第n+1天对第n天的负荷修改量，其中，T_n为第n天的温度情况，T_n+1为第n+1天的温度情况，满足如式2所示的关系：

$f(T_n,T_{n+1})=\mathrm{\Δ}{L}_{n+1}=[f_1(T_n^1,T_{n+1}^1),f_2(T_n^2,T_{n+1}^2),...,f_m(T_n^m,T_{n+1}^m)]---\left(2\right)$

那么，确定的预测函数为式3：

Pre(T_n,T_n+1,L_n)＝L_n+ΔL_n+1＝L_n+f(T_n,T_n+1) (3)

第n+1的负荷预测值为：L"_n+1＝Pre(T_n,T_n+1,L_n)。由此，可以看出，当把预测日前一天历史负荷值当做是预测日的基准负荷值时，原模型的求解问题最终变成了温度对负荷的修正问题。

4.5，温度变化趋势大体呈现连续变化的特征，某个时间t较小局域范围内变化值很小，因此，可以通过两天温度差以及温度本身信息通过修正前一天日负荷数据获得第二天的基准负荷值。根据统计实验得出相邻两天温度变化差与修正负荷之间存在简单的二次多项式的关系，如式4所示：

$f(T_n,T_{n+1})=\left\{\begin{array}{c}{a}_1{x}^2+b_{1}x+c_1,(T_{n+1}>=T_{\mathrm{com}}^{\mathrm{upper}},T_n>=T_{\mathrm{com}}^{\mathrm{upper}})\\ a_2{x}^2+b_{1}x+c_1,(T_{n+1}<=T_{\mathrm{com}}^{\mathrm{lower}},T_n<=T_{\mathrm{com}}^{\mathrm{lower}})\end{array}---\left(4\right)\right.$

其中，a,b,c，为二次多项式的系数，x为T_n+1和T_n差的绝对值，T_n+1为第n+1天的温度，T_n为第n天的温度，为上限舒适温度，为下限舒适温度(舒适温度]，属于一个温度范围，且认为在此邻域内，温度对负荷的影响为0)。当T_n+1和T_n中一个数值大于而另一个数值小于时，采用分段处理的方法进行计算。

步骤,5：更新负荷预测模型

预测函数必须具有根据最新历史数据进行自我修正的功能，且能充分表现负荷数据的变化特征，根据第n天预测的负荷平均值以及当天实际的负荷平均值的差异值来修正当天的负荷值，并作为第n+1天负荷预测的基准负荷值即L_n。

步骤5的具体实施步骤如下：

各时刻点温度由式1计算得出，最终可根据时刻点温度和负荷拟合得到二次多项式f(T_n,T_n+1)及其系数。在预测模型修正部分，主要是用第n+1天的历史负荷值根据第n+1天的预测值修改，Load_mean是根据第n天m个时刻负荷实际值计算出的负荷平均值，Load'_mean是根据第n天m个时刻的负荷预测值计算出的负荷平均值，修改方法如式5、6和7：

${\mathrm{Load}}_{\mathrm{mean}}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{L}_i---\left(5\right)$

${\mathrm{load}}_{\mathrm{mean}}^{\&prime;}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{L}_i^{\&prime;}---\left(6\right)$

L_n＝L_n+(Load_mean-Load'_mean) (7)

这里主要是做了一个简单的平移变换。最终，修正后的历史负荷Ln作为预测模型中的历史负荷作为第n+1天的基准负荷值。

表3给出了对2011年内某连续十天进行快速负荷预测的预测效果。由实验得到连续十日的日平均预测精度总和的均值为0.89，十日内日最高预测精度为0.93，最低为0.79，预测时间的平均值为0.56s。从而，根据实验结果可得到该方法在提高预测时间方面确实有明显的效果，且具有较好的实用性。

表3：快速负荷预测结果

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。

Claims (5)

1.一种用于智能配电网的快速母线负荷预测方法，其特征是，包括以下步骤：

(1)获取历史数据：获取历史负荷数据和历史温度数据，并对历史负荷数据样本进行预处理；

(2)分析历史负荷数据：对历史负荷数据的特性进行分析，分析过程包括横向分析和纵向分析，横向分析将分析临近两天的负荷变化情况以及负荷与温度之间的关系，纵向分析则按照时刻进行分析连续几十天内不同时刻点之间的负荷变化情况；

(3)分析历史温度数据：针对历史温度数据分析温度的变化规律，并根据其变化规律修正历史负荷数据；

(4)建立负荷预测模型：首先经过分析历史负荷数据和历史温度数据得到温度变化的规律以及相邻两天负荷数据变化规律的相关性，然后根据预测日前一天的历史温度数据和预测日的基准负荷值以及预测日当天各个时刻的温度数据建立日负荷预测的拟合函数，实现对预测日的负荷预测；

(5)更新负荷预测模型：根据预测日当天预测的负荷平均值以及预测日当天实际的负荷平均值的差异值来修正预测日的负荷值，并作为预测日第二天负荷预测的基准负荷值。

2.根据权利要求1所述的一种用于智能配电网的快速母线负荷预测方法，其特征是，所述对历史负荷数据样本进行预处理是指对采样到的历史负荷数据进行缺失数据补全、异常数据修改和去噪处理。

3.根据权利要求1所述的一种用于智能配电网的快速母线负荷预测方法，其特征是，所述温度的变化规律包括一天的温度变化规律和一年的温度变化规律，所述一天的温度变化规律近似为一个正弦曲线，所述一年的温度变化规律为一条整体呈现开口向下的抛物线。

4.根据权利要求1所述的一种用于智能配电网的快速母线负荷预测方法，其特征是，所述负荷预测模型包括预测日的基准负荷值和拟合函数，所述预测日的基准负荷值包括预测日前一天的实际负荷值或者预测日前一天的修正负荷值。

5.根据权利要求1所述的一种用于智能配电网的快速母线负荷预测方法，其特征是，所述日负荷预测包括负荷稳定不敏感期负荷预测和负荷敏感期负荷预测。