CN105069525B - 全天候96点日负荷曲线预测及优化修正系统 - Google Patents

Abstract

一种全天候96点日负荷曲线预测及优化修正系统，通过获取历史统调负荷样本和多气象样本，确定各地市气象所占权重并计算综合气象因子；分类筛选不同日期类型的气象负荷数据，建立适用于不同日期类型的负荷极值拐点预测模型；构建类似气象日负荷曲线辨析函数，通过预测气象与历史气象的相似度辨析出类似负荷曲线，结合极值拐点预测模型建立不同日期类型日负荷曲线预测模型；采用日期类型判别模块、气象识别模块对待预测日类型、气象情况自行判断并选择最优模型对其进行预测；构建日负荷典型曲线数据库，对计算所得预测曲线进行校正，对预测值及曲线进行存储和结果输出，实现短期负荷曲线预测自动化，提高负荷预测精度，实现电网负荷精细化管理。

Description

全天候96点日负荷曲线预测及优化修正系统

技术领域

本发明属于电力系统中短期负荷预测领域，具体涉及一种全天候96点日负荷曲线预测及优化修正系统。

背景技术

电力系统日负荷曲线预测是电网调度的重要工作之一，是保证电力系统安全经济运行和电网科学管理的重要方面，准确的负荷曲线预测对于保持电力系统的安全稳定运行、保障人们生产活动和生活的有序进行具有重要的意义。研究表明，不同日期类型的负荷都有其独特的负荷特性，同样也存在着不同的技术难点。随着电力系统历史数据的有效积累和科学处理，电力负荷预测技术与相关科学领域技术(如气象，经济等)的交叉渗透，负荷建模时需要考虑的因素不断增加，预测模型不断更新。按日期类型对气象-负荷数据进行聚类分析表明，目前存在的主要难点有：工作日负荷受到气象滞后性和累积效应的影响较大，在夏季高温时段热累积效应的存在常会导致负荷峰值异常拔高；节假日的负荷预测一般要求要提前多日进行并且要连续预测多日，所掌握的数据及节日期间气象等未来信息又模糊有限；极端天气台风所造成的负荷变化及其登陆的时间、地点、强度的不同对某地区的影响也会不尽相同。这些因素使电网负荷规律性变得很复杂，给电力系统短期全天候日负荷曲线预测带来许多困难。

发明内容

为解决上述存在问题，根据电网负荷、经济、气象、降水等历史数据，系统分析电网负荷特性，本发明旨在建立同时考虑气象、温度累积效应、节假日特性和国民经济增长状况等条件的电网多因素负荷模型，预测96点日负荷曲线，并开发负荷预测工具软件进行模型测试、论证，减轻对专家经验的依赖，缩短工作流程和时间，提高电网负荷预测准确度，全面提高电网调度运行安全稳定性。

本发明所采取的技术方案是：

一种全天候96点日负荷曲线预测及优化修正系统，包括数据捕获模块、日期类型判别模块、气象识别模块、预测模型生成模块、日负荷极值推算模块、全天候负荷曲线预测模块和曲线校正输出模块；

数据捕获模块，获取历史气象、负荷数据、实时气象数据以及待预测日的预测气象数据；日期类型判别模块，对待预测日期类型进行是否节假日判断，若是节假日，则结合系统农历年辨识体系判别节假日类型，并对判断结果进行分析以及后续计算；气象识别模块，根据待预测日的气象数据，判断该日是否遭受极端天气的影响，如果受到极端天气的影响则该模块将对待预测日进行预标记；预测模型生成模块，根据历史气象和负荷数据，经相关性分析、回归分析，通过交叉修正法分别建立适用于不同日期类型的负荷预测模型；日负荷极值推算模块，其作用是根据待预测日日期类型选择相应的模型对待预测日负荷最大值、最小值进行预测，其中相应的极值预测模型包括分别适用于一般工作日、周末、各种节假日以及受极端天气影响日的模型；全天候负荷曲线预测模块，对比待预测日气象与历史日气象的相似度，找到相似度最高的历史日负荷曲线形状作为待预测日初步形状，结合日负荷极值的预测情况，修正后得到待预测日全天候96点负荷曲线的预测值；曲线校正输出模块，判断待预测日曲线形状是否存在畸变，若存在不合理点则进行针对性修正，而后将预测结果输出至系统界面。

一种利用所述的全天候96点日负荷曲线预测及优化修正系统进行负荷曲线预测及优化修正的方法，包括以下具体步骤：

1.建模

(1)获取历史气象、负荷数据；对气象数据进行气象归一化处理，得到适用于某地区的综合气象指标；对负荷数据进行标准化处理，剔除经济增长因素带来的影响；

(2)按季节、日期类型将气象-负荷数据进行聚类，按不同类别分别进行相关性分析，选出影响不同季节、不同日期类型的负荷的关键气象因子；

(3)由关键气象因子进行建模分析，由多因素回归拟合分析结合灵敏度分析法建立各类型日的在正常气象条件下的日负荷峰值、均值、谷值负荷预测实用化模型；

(4)提取历史模拟集中气象情况复杂的同类型日，分别建立适用于累积日、台风日和寒潮气象影响下的日负荷峰值、均值、谷值负荷预测实用化模型；

(5)由聚类分析法对日期类型相同的日负荷曲线典型日进行筛选，并结合气象类似日及日负荷极值、拐点预测模型建立日负荷曲线预测模型；

2.虚拟预测

(1)采用虚拟预测集的数据对日负荷极值预测模型进行仿真分析，计算极值模型的预测准确度，并对各类型日极值预测模型进行参数优化；

(2)采用虚拟预测集的数据对日负荷96点曲线预测模型进行仿真分析，计算日负荷96点曲线模型的预测准确度，并对各类型日曲线预测模型参数进行优化；

3.预测未来

(1)以待预测日的气象采样值、同日期类型的历史日负荷96点数据作为输入值，用优化后的96点日负荷曲线模型对指定日进行预测；

(2)由曲线校正输出模块对预测曲线进行输出预判，修正不合理点，输出预测结果，为电力部门制定日前发电计划提供参考。

与现有技术方案相比，本发明的有益效果是：

传统的负荷预测通常把节假日、极端天气的影响当成是模型中的一个影响因素，即只是在正常工作日的基础上叠加上受其影响的负荷变化量。这种处理方法并没有很好的考虑到特殊天负荷的特性，且节假日、极端天气日由于历史样本数据少，缺乏建模所需的统计数据，会使得对正常工作日有较高准确度的预测方法并不适用。气象对负荷的影响因素很大，特别是气象的累积性和滞后性。这些因素都使得传统的负荷预测方法得到的结果并不理想。

本发明提供的全天候96点日负荷曲线预测及优化修正系统，充分的考虑了现负荷预测存在的问题，并建立了相应的解决方案。对历史负荷数据进行标准化处理，可剔除经济增长等因素带来的影响；对24个气象数据进行标幺化处理，可模糊各个气象因子数值的差异性，后与负荷数据进行相关性分析，筛选出关键气象因子。这样可使得计算量大幅度减少，同时可屏蔽相关度较小的气象因素对模型造成的影响。依据不同的日期类型有不同的负荷特性，把全天候分为正常工作日、周末、节假日、台风，根据各自受到的影响因素的不同，建立了适合不同日期类型极值拐点的预测模型，均能得到较为满意的预测精度。通过分析可知气象情况类似的两天，其负荷曲线的形状也极其相似。抓住这一特点，构建了类似气象日负荷曲线辨析函数，通过预测气象与历史气象的相似度辨析出类似负荷曲线。通过极值点和类似负荷曲线相结合，通过优化修正得到最终曲线。本发明提高了全天候日负荷曲线预测的精度，为电网调度人员做好发电计划和预防措施提供了依据。

附图说明

图1为本发明所述的全天候96点日负荷曲线预测及优化修正系统的流程图。

图2为本发明所述的全天候96点日负荷曲线预测及优化修正系统的框架图。

图3为实施例所述的正常气象日负荷极值预测流程图。

图4为实施例所述的节假日(周末)负荷极值预测流程图。

图5为实施例所述的极端气象-台风日负荷极值预测流程图。

图6为实施例所述的系统执行96点日负荷曲线预测工作流程图。

图7为实施例所述的系统执行一般工作日96点负荷曲线预测效果图。

图8为实施例所述的系统执行节假日96点负荷曲线预测效果图。

图9为实施例所述的系统执行台风日96点负荷曲线预测效果图。

具体实施方式

本发明在对电网实际的负荷、经济、各种气象因素等历史数据进行整理分析后，根据负荷特性的不同把全天候分为工作日、周末、节假日和极端天气影响日。通过对不同日期类型的极值和类似曲线进行分析研究，提出了一种计及全天候的电力系统日负荷曲线预测及优化修正的方法。本发明采用分形理论，把日负荷曲线预测分为2个部分：一是负荷水平预测，通过聚类分析和多重回归拟合分析，建立适用于不同类型的负荷极值拐点预测模型；二是负荷曲线模式预测，通过构建类似气象日负荷曲线辨析函数、预测气象与历史气象的相似度辨析出类似负荷曲线。最后结合极值拐点预测模型和类似负荷曲线，通过优化修正建立不同类型日负荷曲线预测模型。以此来提高短期负荷预测的精度，完成日调度计划的制定。

如图1所示，本发明所述的一种全天候96点日负荷曲线预测及优化修正系统，包括数据捕获模块，日期类型判别模块，气象识别模块，预测模型生成模块，日负荷极值推算模块，全天候负荷曲线预测模块，曲线校正输出模块。

所述的全天候96点负荷曲线预测及优化修正系统包括预测模型生成和预测两部分。

一、预测模型生成包括如下步骤：

(1)将历史气象负荷数据进行分类筛选，过滤畸变数据。按温度、日期类别分季节提取气象-负荷数据，并标识出各负荷数据的所处日期的温度区间。

(2)根据各地级市的用电量情况，估算全省中各市气象对全区综合气象的贡献值，并由此计算各地级市的气象权重，最终得到区域加权气象归一化指标。其中涉及到的区域加权气象归一化指标包含温度、湿度、风速、降雨量以及温湿指数等24项。

(3)对电力负荷数据进行标准化处理，消除经济增长给负荷变动带来的影响；按季节划分负荷样本，并对各个季节的多种气象数据与负荷数据进行相关度分析，找出各季节影响负荷波动的关键加权气象归一化指标。

(4)引入历史模拟、虚拟预测两个时段，按时段将气象负荷数据划分为两个集合：历史模拟集、虚拟预测集。其中历史模拟集用于分析气象等因素对电力负荷的影响，建立初步拟合预测模型；虚拟预测集用于对初步模型进行系数优化。

(5)在历史模拟集中取正常气象条件下的同类型日(工作日、周末、节假日等)负荷标准化后的数据与加权气象归一化指标进行拟合分析，求取不同季节的同类型日在一般气象情况下的负荷灵敏度，构建类似气象日负荷曲线辨析函数，建立各类型日的在正常气象条件下的日峰值、均值、谷值负荷预测实用化模型。

(6)提取历史模拟集中气象情况复杂的同类型日(累积日、台风日、寒潮等)的气象-负荷数据。首先，选取高温热累积、低温冷累积情况的气象负荷组合成累积日集，得出这些日期中的负荷相对于前一日、前两日的负荷差、温度差，建立累积现象负荷预测校正模型。其次，选取受极端天气影响的气象负荷数据，通过相关度分析取相关度高的气象因子，并与待预测日、基准日气象差值，通过多元回归拟合，建立极端天气下负荷预测实用模型。

(7)筛分历史模拟集下不同日期类型下日负荷曲线，由聚类分析法得到不同类型日的典型负荷曲线形状，建立全天候负荷曲线校正数据库。

(8)在不同类型日极值预测实用化模型的基础上，构建类似气象日负荷曲线辨析函数，提出结合类似气象日负荷曲线交叉修正的全天候96点日负荷曲线预测算法，利用优化理论求解待预测日相对相似气象日的分时段最优平移变量，得到考虑多因素的96点日负荷曲线实用化预测模型。

(9)采用虚拟预测集的数据对以上所建模型进行预测仿真，比较预测曲线与其最近的同类型日实际曲线的波动范围，创建基于全天候负荷曲线校正数据库的负荷预测曲线优化判别函数，采用虚拟预测集数据与实际数据进行比较优化，得到电力系统短期全天候日负荷曲线预测及优化修正实用化模型。

二、预测部分包括如下步骤：

(1)捕获待预测日日期以及气象预测数据，计算区域加权气象归一化指标。

(2)由日期类型判别模块和气象识别模块判断待预测日的日期类型与气象情况，根据判断结果选择相应的日峰值、均值、谷值负荷预测实用化模型，将数据导入日负荷极值推算模块，执行日负荷极值预测计算。

(3)根据待预测日气象预报情况，结合日负荷极值计算结果，通过全天候曲线预测模块对日负荷96点曲线进行预测。

(4)由曲线校正输出模块对上述预测曲线进行合理性辨析，修正不合理区间，输出预测结果。

结合图2-图6，并通过以下具体实施例进一步说明本发明的技术方案。

1、获取负荷数据和气象数据，并对数据进行分类筛选，剔除坏数据，并作一定的预处理。

把全天候的气象、负荷数据按照日期类型分别进行分类筛选。首先，极端天气对负荷造成的影响具有很强随机性和破坏性，若是不单独把台风分离出来，会打破其他日类型负荷的变化规律。其次，每种节假日都有自己独特的负荷特性，所以也需分节假日总结出规律性。同样，周末需按季节和月份，将数据分为夏季类型周末与冬季类型周末。最后对正常工作日，相同的气象因子在不同的季节与负荷的关联程度是不同的，所以需要分夏季和冬季对正常工作日进行预测。并且要去掉累积日的数据。

气象数据的种类很多，不同的气象因子代表不同的气象指标，其数值大小有很大的差异，为充分考虑到每一种气象因子的影响，屏蔽数据大小的差异性，需对每一种气象因子全部数据进行标幺化处理。标幺化公式为：

其中x_max和x_min为全部样本数据中每一种气象因子的对应的最大、最小值。

电力负荷在变化时会同时受到气象、经济等多种因素的影响。在研究负荷与气象的关系时，需要将经济增长带来的负荷变动剥离出来，否则不能保证负荷是在纯气象条件影响下建立模型。本发明拟采用标幺化的方法来剔除经济增长对负荷造成的影响。

其中：基准值为每个月落在指定温度区间的负荷的平均值。

2、采用相关性回归分析，寻找关键气象因素。

相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。本发明的选取20项气象指标，分别就冬季和夏季负荷与气象因素作相关性分析，选出影响冬夏季负荷变化的关键气象因素。通过相关度计算公式，对2008～2013年某地区实际电网的统调最大还原负荷标幺值与气象因素之间的相关度进行计算，结果如下表所示。

表1某地区日最大还原负荷标幺值与加权综合气象的相关度

气象因素	夏季相关度	冬季相关度
			最高温度	0.7431	-0.6237
平均温度	0.7413	-0.6295
			最低温度	0.6354	-0.5477
最大湿度	-0.2992	-0.2545
			平均湿度	-0.4636	-0.1199
最低湿度	-0.5111	-0.0210
			风速	-0.0534	0.1927

降雨量	-0.3701	0.0465
			最大温湿指数	0.7008	-0.6230
平均温湿指数	0.6328	-0.6221
			最低温湿指数	0.4045	-0.5554
最高实感温度	0.7234	-0.6095
			平均实感温度	0.6889	-0.6047
最低实感温度	0.5503	-0.5651
			最高舒适度	0.6690	-0.6092
平均舒适度	0.6067	-0.6133
			最低舒适度	0.4106	-0.5601
最高寒湿指数	-0.7438	0.6189
			平均寒湿指数	-0.7398	0.6251
最低寒湿指数	-0.6409	0.5583

从上表可以看出，最高温度、平均温度及寒湿指数的相关度最高，其中夏季气象指标中最高温度的相关度最高，为0.7431，其次是平均温度0.7413。另外寒湿指数的相关度也较高，故本发明选择相关度最大的最高温度这一气象因素作为夏季最大负荷建模研究的关键气象因素；在冬季，平均温度及平均寒湿指数的相关度最高且各年相关度的方差较小，说明这两个因素对负荷的影响相对较大且影响较为稳定。相较而言平均温度的相关度比平均寒湿指数的相关度更高，故本发明选择相关度最大的平均温度这一气象因素作为冬季最大负荷建模研究的关键气象因素。

3、负荷对气象的灵敏度分析

由回归分析已经得到冬夏季负荷在大体上随温度变化的趋势，进行灵敏度分析则可求得气象负荷回归拟合曲线在任意坐标点的曲线斜率，即在任意温度区间，气象因素每变化一个单位所对应的负荷变化量。将处理后的气象、负荷数据进行二次回归拟合，即可得到相应的灵敏度。

为分析各年各月夏季灵敏度的变化情况，将N个温度区间分别定义为[T_i1,T_i2]，i＝1,2,...,N，对应的N个灵敏度分别为：S_i,i＝1,2,...,N，则第j个温度区间的灵敏度计算公式为：

S_j＝f(T_j2)-f(T_j1)

夏季灵敏度计算公式为

ΔP＝0.0016ΔT-0.0355

表2统调最大还原负荷对最高温度的灵敏度(单位：MW/℃)

温度区间	2008年	2009年	2010年	2011年	2012年	2013年
							[21，22)	7.70	8.53	10.21	12.03	10.74	11.79
[22，23)	21.38	23.68	28.36	33.42	29.82	32.76
							[23，24)	35.06	38.84	46.51	54.82	48.91	53.72
[24，25)	48.74	53.99	64.65	76.21	67.99	74.68
							[25，26)	62.42	69.15	82.80	97.60	87.08	95.64
[26，27)	76.10	84.30	100.95	118.99	106.17	116.61
							[27，28)	89.78	99.46	119.10	140.38	125.25	137.57
[28，29)	103.46	114.61	137.25	161.77	144.34	158.53
							[29，30)	117.14	129.77	155.39	183.16	163.42	179.50
[30，31)	130.82	144.93	173.54	204.56	182.51	200.46
							[31，32)	144.50	160.08	191.69	225.95	201.60	221.42
[32，33)	158.19	175.24	209.84	247.34	220.68	242.39
							[33，34)	171.87	190.39	227.99	268.73	239.77	263.35
[34，35)	185.55	205.55	246.14	290.12	258.85	284.31
							[35，36)	199.23	220.70	264.28	311.51	277.94	305.28
[36，37)	212.91	235.86	282.43	332.91	297.03	326.24
							[37，38)	226.59	251.01	300.58	354.30	316.11	347.20
[38，39)	240.27	266.17	318.73	375.69	335.20	368.17
							[39，40)	253.95	281.33	336.88	397.08	354.28	389.13

通过标幺值计算灵敏度后并进行有名值还原后，从上表结果可以看出，逐年的灵敏度大体上呈现上升的趋势，标幺化之后单位温度引起的负荷改变从长远角度看趋于平稳。

按照同样的处理方法可求解冬季的灵敏度。

4、构建类似气象日负荷曲线辨析函数，通过预测气象与历史气象的相似度辨析出类似负荷曲线。

大量统计数据显示：同一日期类型，影响气象因素类似表现出来的负荷变化特性也类似。所以本发明利用这一特点，构建辨析函数，求出与待预测日负荷特性类似的一天。

本发明按照如下式定义多气象因素辨析函数：

式中y_i为待预测日的气象因子；x_i为待预测日同日类型的气象因子，z_i为气象因子与日最大负荷的相关系数；当判定函数θ最大时即找到相像的工作日，此处待选的工作日范围为待预测日前14个同类型日。

5、建立正常工作日的极值拐点负荷预测工程化模型。

夏季基础预测模型

(1)最大负荷预测模型

采用标幺值建模，按最高温度预测夏季最大负荷预测模型为：

式中：P_Bmax为当月的最大负荷基准值，P₀为基准日负荷标幺值，ΔT为最高温度变化量，T₀为基准日最高温度。

(2)平均负荷预测模型

采用标幺值建模，按平均温度预测的夏季平均负荷预测模型如下:

式中：P_Bave为当月的平均负荷基准值，P₀为基准日负荷标幺值，ΔT为平均温度变化量，T₀为基准日平均温度。

(3)最小负荷预测模型

采用标幺值建模，按最低温度预测的夏季最小负荷预测模型如下:

式中：P_Bmin为当月的最小负荷基准值，P₀为基准日负荷标幺值，ΔT为最低温度变化量，T₀为基准日最低温度。

冬季基础预测模型

采用标幺值建模，按平均温度预测冬季最大负荷预测模型为：

式中：P_Bmax为当月的最大负荷基准值，P₀为基准日负荷标幺值，ΔT为最高温度变化量，T₀为基准日最高温度。

6、建立节假日(周末)的极值拐点负荷预测工程化模型。

建立节假日日最大负荷预测工程化模型

L_max.c＝f(P₁,P₂) (6)

其中P₁为P₂为

(注：L_max.x：今年节假日对应的相似日还原负荷；

L_max.1c：去年相应节假日的日最大还原负荷；

L_max.1x：去年与相应节假日气象相似的工作日的日最大还原负荷；

L_max.2c：前年相应节假日的日最大还原负荷；

L_max.2x：前年与相应节假日气象相似的工作日的日最大还原负荷。)

建立周末日最大负荷预测工程化模型

通过建立判定函数，并利用该相像的工作日最大负荷与相应的周末最大负荷的比值k，进一步对判定函数与上述比值k进行建模。

k＝f(θ) (9)

L_max.c＝L_max.x×f(k) (10)

其中：θ为辨析函数所得的数值；

L₆:历史负荷数据中周末对应的相像工作日的日最大负荷；

L₇：历史负荷数据中周末的日最大负荷；

L_max.x：今年负荷数据中与周末对应的相像工作日的日最大负荷；

L_max.c：今年待预测的周末负荷；

建立节假日(周末)日平均、最小负荷预测工程化模型

对综合气象因子建模：

式中：k₁表示历年节假日(周末)平均负荷与最大负荷的比值

k₂表示历年节假日(周末)最小负荷与最大负荷的比值

φ表示综合气象因子

求解待测节假日(周末)平均负荷、最小负荷

L_ave＝L_max.cf(k₁)

L_min＝L_max.cf(k₂)

式中：L_ave：待测节假日(周末)的预测平均负荷；

L_min：待测节假日(周末)的预测最小负荷；

7、建立极端天气台风的极值拐点负荷预测工程化模型。

广西统调负荷预测

对广西统调负荷的预测，是利用修正综合气象因子叠加法，把台风影响的城市的气象用台风来之前的代替，然后用正常工作日的基础预测模型来预测。这样处理的核心依据在于台风期间统调所影响的负荷与台风影响城市的影响负荷相关度较大，没有被台风影响的城市在基础预测模型中当做普通降温降雨来处理。

受台风影响城市的负荷预测

对历史负荷、气象数据进行整理，分台风前、台风中、台风后筛选出台风影响各市的数据。台风期间负荷的变化与气象是一个多因子的相关，其负荷的变化值不能仅仅通过一个气象因子就能够表达完全，而是多种气象因子对台风期间负荷的交叉影响。分别计算出其与台风期间负荷的相关性，选取出相关度较高的几个气象因子来建立模型，求解各市台风期间的负荷预测值。

建立的二次模型如下所示：

L_max.x＝c+a₁V²+a₂×rain²+a₃P²+a₄V×rain

(11)

+a₅VP+a₆×rainP+a₇V+a₈rain+a₉P₀

其中：L_max.x为负荷预测值，V为风速，rain为降雨量，P₀为台风预测城市的负荷水平。

台风对电网破坏而引起的负荷损失

对于某些正面袭击性台风，一方面气象因素的突变会给电网负荷带来一定的波动性，另一方面由于强劲的风力以及降雨量，给城市造成了电网网架的破坏，使得电网负荷大量损失。对于这一部分台风除了要考虑气象因素导致的负荷变化，同时也要考虑引起的破坏性负荷损失。利用风速、负荷建模因子建立台风影响城市的负荷变化比例系数模型；

地级市1：k₁＝0.0001V₁ ²-0.0223V₁+1.3424

地级市2：k₂＝0.0002V₂ ²-0.0236V₂+1.2938

地级市3：k₃＝0.0004V₃ ²-0.0405V₃+1.4606

地级市4：k₄＝7E-05V₄ ²-0.0098V₄+1.1426

式中：k₁、k₂、k₃、k₄分别为市1、市2、市3、市4在台风期间的负荷比例；V₁、V₂、V₃、V₄分别为市1、市2、市3、市4在台风期间的最大风速(备注：台风前、台风中去预测的最大风速，台风后的实际风速会降低，这里去台风后的风速取台风中预测最大风速与台风后预测风速之和)。

台风影响城市的负荷值为：

ΔP＝P₀-kP₁ (12)

式中：P₀为台风预测城市的负荷水平(选取台风前3天-8天，气象状况良好的一天，非节假日，非台风日，非累积日)，k为台风期间的负荷比例，P₁为受台风影响城市的预测负荷。8、结合极值拐点预测模型建立不同日期类型日负荷曲线预测模型，建立各日期类型的96点负荷曲线工程化模型。

通过上述模型计算出不同日类型的极值拐点值，结合用负荷曲线辨析函数求出的类似曲线，经过一系列的优化修正，得到最后的96点负荷曲线。

根据日负荷变化曲线的统计规律，发现日负荷最小值一般出现在凌晨4:15-5:30，大约处于96点负荷预测的21％的时段，现在本系统采用待预测日与相似日的最大值之差及其出现的时刻，可以确定待预测日最大最小值负荷点的时刻t_imax、t_imin。

求得相似日后，已知相似日当天的最大负荷实际值Limax，由此我们可以计算出待预测日与相似日在最大负荷值点的偏差，用待预测日最大值与相似日最大值做差比较：

ΔL_max＝L_imax-L_imax′ (13)

由于相似日与待预测日的气象情况相同，所以在本系统初步计算时认为最大负荷的偏差量在气象相同的条件下最大负荷的偏差保持不变，在这种情况下认为ΔL_max为常数，则对于l_max段曲线，

L_i＝L_i′+ΔL_max (14)

另外对于l_min曲线段，由上图相似日与待预测日的曲线对比可以看出，在气象相同的条件下，最小值点几乎重合，因此本在针对96点日负荷曲线的预测中，本系统取相似日的最小值做为待预测日初步最小值。

曲线校正

经统计发现，负荷曲线的校正基本上可以分三个部分进行：0:00-t_imin、t_imin-8:45、8:45-23:45。下面分别就这3个时间段分别进行校正说明。

时段1：在一般情况下曲线的最小值段的负荷波动幅度一般在[0，150]MW，因此在曲线校正时，对于负荷曲线最小值及其以前的若干个时刻点的校正方法为：

时段2：该时段为负荷的增长段，最小值点之后一般呈现上升趋势，通过统计负荷的增长规律得到该时段的校正方法为：

其中ΔL_i+1 以及为由统计规律得到的负荷曲线在第i+1点相对于第i点的负荷增量。

时段3：8:45往后的曲线形状一般较为稳定，这时曲线校正需要做的工作是放置曲线出现突变点。由前述得到的待预测日的气象相似日即可得到待预测日的曲线形状，在气象没有突变的情况下可认为时段3的曲线形状与相似日是一致的。由此得到时段3的校正方法为：

其中L_i+1′、L_i′为相似日第i+1、i时刻的负荷值，上式的修正思路为：若待预测日第i+1、i时刻与相似日相同时刻的变化趋势相同，即不需修正；若变化趋势相反，则取待预测日前一个点L_i与修正比例k的乘积来校正待预测日负荷曲线。

9、效果验证

采用上述方法预测2014年7月份一周内一般工作日的96点负荷数据，得到部分预测结果如下表3所示。

表3 2014年7月份日负荷曲线预测结果

从上述预测结果来看，96点负荷预测准确基本达到国家对日负荷曲线预测准确度的要求。系统对于一般工作日的预测效果图如图7所示。

为验证本系统在节假日期间的预测准确度，采用2014年国庆节作为算例进行说明。利用节假日预测模型对2014年国庆期间的负荷水平以及负荷曲线进行预测，得到结果如下表4以及图8所示。

表4 2014年国庆节负荷曲线预测结果

为验证本系统对于受极端天气影响时负荷预测的准确性和有效性，采用2014年威马逊台风影响某地区期间的负荷预测情况作为算例进行说明。采用本发明所述台风期间负荷预测模型对2014年7月17-22日期间的负荷极值进行预测，得到结果如下表5以及图9所示。

表5 2014年威马逊台风负荷预测效果

日期	实际值/MW	预测值/MW	准确度
				2014/7/17	13918.80	13956.55	99.73％
2014/7/18	13570.40	13341.61	98.31％
				2014/7/19	10623.00	11301.97	93.61％
2014/7/20	11592.50	12152.83	95.17％
				2014/7/21	12809.70	12571.79	98.14％
2014/7/22	13175.00	13076.31	99.25％

通过分析比较2014年威马逊台风期间的统调日最大负荷的真实负荷曲线和预测负荷曲线，可以很直观的看到台风期间的统调日最大负荷的预测值跟踪真实负荷的情况良好，说明该本发明所述模型的有效性。

Claims (2)

1.一种全天候96点日负荷曲线预测及优化修正系统，其特征在于，包括数据捕获模块、日期类型判别模块、气象识别模块、预测模型生成模块、日负荷极值推算模块、全天候负荷曲线预测模块和曲线校正输出模块；

数据捕获模块，获取历史气象、负荷数据、实时气象数据以及待预测日的预测气象数据；日期类型判别模块，对待预测日期类型进行是否节假日判断，若是节假日，则结合系统农历年辨识体系判别节假日类型，并对判断结果进行分析以及后续计算；气象识别模块，根据待预测日的气象数据，判断该日是否遭受极端天气的影响，如果受到极端天气的影响则该模块将对待预测日进行预标记；预测模型生成模块，根据历史气象和负荷数据，经相关性分析、回归分析，通过交叉修正法分别建立适用于不同日期类型的负荷预测模型；日负荷极值推算模块，其作用是根据待预测日日期类型选择相应的模型对待预测日负荷最大值、最小值进行预测，其中相应的极值预测模型包括分别适用于一般工作日、周末、各种节假日以及受极端天气影响日的模型；全天候负荷曲线预测模块，对比待预测日气象与历史日气象的相似度，找到相似度最高的历史日负荷曲线形状作为待预测日初步形状，结合日负荷极值的预测情况，修正后得到待预测日全天候96点负荷曲线的预测值；曲线校正输出模块，判断待预测日曲线形状是否存在畸变，若存在不合理点则进行针对性修正，而后将预测结果输出至系统界面。

2.一种利用权利要求1所述的全天候96点日负荷曲线预测及优化修正系统进行负荷曲线预测及优化修正的方法，其特征在于，包括以下具体步骤：

S1.建模

(1)获取历史气象、负荷数据；对气象数据进行气象归一化处理，得到适用于某地区的综合气象指标；对负荷数据进行标准化处理，剔除经济增长因素带来的影响；

(2)按季节、日期类型将气象-负荷数据进行聚类，按不同类别分别进行相关性分析，选出影响不同季节、不同日期类型的负荷的关键气象因子；

(3)由关键气象因子进行建模分析，由多因素回归拟合分析结合灵敏度分析法建立各类型日的在正常气象条件下的日负荷峰值、均值、谷值负荷预测实用化模型；

(4)提取历史模拟集中气象情况复杂的同类型日，分别建立适用于累积日、台风日和寒潮气象影响下的日负荷峰值、均值、谷值负荷预测实用化模型；

(5)由聚类分析法对日期类型相同的日负荷曲线典型日进行筛选，并结合气象类似日及日负荷极值、拐点预测模型建立日负荷曲线预测模型；

S2.虚拟预测

(1)采用虚拟预测集的数据对日负荷极值预测模型进行仿真分析，计算极值模型的预测准确度，并对各类型日极值预测模型进行参数优化；

(2)采用虚拟预测集的数据对日负荷96点曲线预测模型进行仿真分析，计算日负荷96点曲线模型的预测准确度，并对各类型日曲线预测模型参数进行优化；

S3.预测未来

(1)以待预测日的气象采样值、同日期类型的历史日负荷96点数据作为输入值，用优化后的96点日负荷曲线模型对指定日进行预测；

(2)由曲线校正输出模块对预测曲线进行输出预判，修正不合理点，输出预测结果，为电力部门制定日前发电计划提供参考。