CN109934395B - 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 - Google Patents

Abstract

一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法，其特征在于，它包括以下步骤：1.对各个县/区小水电出力数据和其对应县/区的降雨量数据进行分析，研究径流式小水电的特性；2.进一步研究小水电出力带来累积性、滞后性，并确立其相关系数方程；3.提出小水电负荷的预测方法，先预测出基值，按照降雨模式与负荷相似性原理，预测出标幺负荷曲线，最后得到小水电负荷预测曲线。本发明的目的是为了提供一种针对小水电特性，引入分时分区气温和降雨量等精细化气象预测数据，并分析小水电负荷特性，能有效提高多小水电地区短期负荷预测的精度和自动化程度的短期电力负荷预测方法。

Description

一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法

技术领域

本发明属于基建工程领域，具体涉及一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法。

背景技术

如今，随着电网规模不断扩大，电力输入越来越多样化，可再生能源所占的比重越来越大。比如水电、风电、光伏及其生物发电等，不过它们的弊端也很明显，都在于发电量不可控，加大了负荷预测的难度。对于可再生能源中排名第二的水电发电，它因其投资低，周期短，维护简单，电价稳定等优点被广泛使用。在一些水资源丰富的地区，小水电发电量非常充裕，不仅能够满足当地的负荷，还并入了大电网。但也因其调节能力差，不同降雨量条件下小水电出力变化较大，并且还存在丰水期和枯水期，给地区网供负荷曲线的准确预测带来了很大困难。

国内外特别针对多小水电地区的负荷预测研究还较为少见。已有为数不多的相关专利提出采用气象回归短期负荷预测和两阶段还原负荷预测等方法。但大部分的研究都不够深入细致。当前，小水电发电负荷基本是依靠预测工作人员的经验来制定曲线的，但是准确率并不是很高。因此，迫切需要一种针对多小水电地区的精细化负荷预测方法。

专利文献CN106503848A公开了一种多小水电趸售地区电网的负荷预测方法，包括获取基础数据的步骤；建立不降雨条件下的负荷预测模型的步骤；建立降雨条件下关口增加的出力与降雨量之间的函数关系模型的步骤；对得到的不降雨条件下的负荷预测模型和修降雨条件下关口增加的出力与降雨量之间的函数关系模型进行叠加和修正，得到最终的多小水电趸售地区电网的负荷预测模型的步骤。专利文献CN106548285A公开了一种计及小水电出力的趸售电量预测方法，涉及电力电量预测领域，分析影响小水电的主要气象因素并建立考虑气象因素的小水电电量预测模型，包括：建立数据预处理模型，建立气象判别模型，建立小水电出力预测模型，建立全社会用电量预测模型，建立地区趸售电量预测模型，完成小水电出力的趸售电力预测；以上专利虽然都考虑了季节的因素，但是对小水电出力预测时未引入分时分区气温和降雨量等精细化气象预测数据，每个水电站的机组容量不同，相同降雨量给每个水电站带来的发电量也不同。并且也未考虑小水电发电负荷对降雨量存在的时间滞后性和小水电发电负荷的累积效应。为此，本专利针对小水电特性，引入分时分区气温和降雨量等精细化气象预测数据，并分析小水电负荷特性，包括降雨量所带来的滞后效应，累计效应，。研究基于深度学习和预测技术的短期电力负荷智能预测方法，有效提高多小水电地区短期负荷预测的精度和自动化程度。

发明内容

本发明的目的是为了提供一种针对小水电特性，引入分时分区气温和降雨量等精细化气象预测数据，并分析小水电负荷特性，能有效提高多小水电地区短期负荷预测的精度和自动化程度的短期电力负荷预测方法。

一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法，它包括以下步骤：

1.对各个县/区小水电出力数据和其对应县/区的降雨量数据进行分析，研究径流式小水电的特性；

2.进一步研究小水电出力带来累积性、滞后性，并确立其相关系数方程；

3.提出小水电负荷的预测方法，先预测出基值，按照降雨模式与负荷相似性原理，预测出标幺负荷曲线，最后得到小水电负荷预测曲线。

在步骤2中，结合小水电的空间分布和水文流域特点，以及地区整体气象变化和局地气象差异等历史气象信息，从径流式小水电出力的影响因素入手，深入分析径流式小水电预测出力与其对应时段降雨量的相关性关系。

在步骤2中，将历史负荷作为参考序列X₀＝{X₀₍₁₎，X₀₍₂₎，...，X_0(j)，...，X_0(m)}，取预测日前L天的降雨量作为比较序列，第i天降雨量的序列向量表示为Xi＝{X_i(1)，X_i(2)，...，X_i(j)，...，X_i(m)}，每个序列含有m个值，经过无量纲化处理后，X₀与X_i在j点的关联系数ξ_oi(j)为

式中，

为两级最小差；

为两级最大差；ρ为分辨系数，取经验值0.5，

序列X₀与X_i的关联度γ_i可由m个关联系数的平均值得到，具体公式为

其中γ_i取值介于0与1之间，γ_i值越接近1，影响因素与历史负荷的关联程度越大，根据γ_i值排序前r天降雨量对预测日的影响最大，最终得出最大降雨相关日以体现降雨量的累积效应和滞后性。

在步骤3中，先预测出基值，选取若干相关日，预测出标幺负荷曲线，然后根据降雨模式影响小水电负荷的规律，对标幺曲线与基值的预测值分别进行相应修正，最后得到小水电负荷预测曲线。

在步骤3中，具体包括以下步骤：

1)以最大负荷和最小负荷为基值，将小水电历史负荷曲线标幺化通过模糊推理策略预测出待预测日负荷曲线的基值；

2)以降雨量和日最大、最小负荷为相关因素，根据连续多日降雨量确定的降雨模式相似度，构建历史负荷样本集合、日负荷序列集合、聚类质心集合、质心向量集合；从日负荷序列集合中选取若干个样本作为初始聚类质心，并计算剩余样本到所述初始聚类质心的距离，并将其归到距离最小的类中，然后在计算每种负荷模式下所有样本的均值，更新每个类的质心向量，不断重复这一过程直至所述聚类质心的变化程度不超过给定阈值为止，得到典型标幺曲线模式，再利用概率神经网络加以识别，选取相似的标幺曲线，根据预测得到的基值及标幺曲线，还原预测得到小水电预测负荷曲线。

在步骤3中，利用下式将小水电历史负荷曲线标幺化通过模糊推理策略预测出待预测日负荷曲线的基值：

式中，P_L为标幺曲线，P_aL代表小水电全天96点负荷，P_max、P_min是96点负荷中的最大、最小值，

设预测日的最大负荷和最小负荷与预测日降雨量之间的关系可以表示为以下关系：

P_max＝A₁W_max+A₂；

P_min＝B₁W_min+B₂

式中P_max为预测日最大负荷；P_min为预测日最小负荷；W_max为预测日最大降雨量；W_min为预测日最小温度；A₁、A₂、B₁、B₂为待定系数。其预测过程为:首先根据过去r天的最大负荷和最小负荷记录及对应的最大降雨量和最小降雨量记录，用最小二乘法决定系数A₁、A₂、B₁、B₂；然后根据预测日已经预测的最高降雨量和最小降雨量计算预测日的最大负荷和最小负荷。

式中P_max(k)、p_min(k)分别为预测日的最大负荷和最小负荷的预测值；Pmax(i)、Pmin(i)分别为过去几日的最大负荷、最小负荷i＝P-n，...p-1。

在步骤3中，令历史负荷样本集合X＝{X₁，X₂，...，X_i，...，X_m}，日负荷序列X_i＝{x_i0，x_i1，...，x_it，...，x_in}，聚类质心集合C＝{C₁，C₂，...，C_j，...，C_k}，质心向量C_j＝{c_i0，c_i1，...，c_it，...，c_in}。在表征负荷序列间的相似性时，采用标准化欧式距离作为度量标准。样本X_i与X_j的距离计算式为，

式中，t＝0，1，...，n，表明一天中的n+1个时刻；k为聚类质心数量，对应k中负荷模式；m为样本数量；x_max为两个序列对应维数据最大值；

从m个日负荷样本中选取k个样本作为初始聚类质心，根据距离计算式计算剩余样本到k个初始聚类质心的距离，并将其归到距离最小的类(标幺曲线模式)中，然后在计算每种负荷模式下所有样本的均值，更新每个类的质心向量C_j，不断重复这一过程直至k个聚类质心的变化程度不超过给定阈值为止，得到k种典型标幺曲线模式。

采用上述技术方案，能带来以下技术效果：

1.本专利对历史负荷与预测负荷进行相关性分析，得出最大降雨相关日及负荷影响日以体现降雨量的累积效应和滞后性；

2.引入分时分区气温和降雨量的精细化气象数据，有效提高多小水电地区短期负荷预测的精度；

3.在对小水电出力预测时，先预测出基值，按照降雨模式与负荷相似性原理，预测出标幺负荷曲线，最后得到小水电负荷预测曲线。本专利采用的方法不需要预测96个点的数据，只需预测出基值和标幺曲线即可，这样大大节省了预测所花费的时间。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1是本发明中小水电日平均发电负荷曲线；

图2是本发明中小水电发电负荷周变化曲线；

图3是本发明中某区降雨量—最大负荷关系图；

图4是本发明中聚类选取流程图；

图5是本发明对多小水电地区负荷预测曲线对比图。

具体实施方式

如图1所示一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法，其特征在于：它包括以下步骤：

1.对各个县/区小水电出力数据和其对应县/区的降雨量数据进行分析，研究径流式小水电的特性；

2.进一步研究小水电出力带来累积性、滞后性，并确立其相关系数方程；

3.提出小水电负荷的预测方法，先预测出基值，按照降雨模式与负荷相似性原理，预测出标幺负荷曲线，最后得到小水电负荷预测曲线。

在步骤1中，图1为某区的小水电一年内日平均发电负荷曲线，可以发现小水电的日平均发电负荷曲线在全天时间范围内表现出“两段性”的特点，且负荷在每一时间段内均较为平滑，而在过渡时间段内又变化很迅速。但这一曲线所表现的只是全年的宏观情况，具体到每一天，小水电的发电负荷曲线规律便变得较差。

图2所示为某区小水电一周的发电负荷曲线变化情况，从中可以发现，小水电的日发电负荷曲线并没有严格的周期性，这也是与全社会用电负荷最大的区别所在。但同时也可以看见，某些日期内负荷曲线的变化规律较为相似，这也为较准确的预测小水电的发电负荷曲线提供了思路。

由图3为某区小水电的日最大负荷与降雨量的关系图。从图中可以看出，并不是降雨量大的那一天发电负荷就一定多，例如周六周日降雨量几乎为0，但是发电负荷却在缓慢增加。这是主要是因为小水电的发电出力具有“累积性”和“滞后性”，即小水电主要分布于山区，虽然大部分没有库容或库容较小，但小水电所在流域的集雨面积较广，降雨到达地面并显著影响小水电出力需要较长过程。因此，小水电发电负荷对降雨量存在明显的时间滞后性。小水电发电负荷的累积效应主要是持续大量降雨影响的结果，表现为：小水电发电负荷出现长时间、大幅度增长；持续降雨停止后，累积效应的影响将逐步减弱直至消失，这表现在小水电发电负荷上，负荷水平将逐步降低，回到持续大量降雨之前的水平。

在步骤2中，结合小水电的空间分布和水文流域特点，以及地区整体气象变化和局地气象差异等历史气象信息，从径流式小水电出力的影响因素入手，采用灰色关联度分析方法，深入分析径流式小水电预测出力与其对应时段降雨量的相关性关系。

在步骤2中，将历史负荷作为参考序列X₀＝{X₀₍₁₎，X₀₍₂₎，...，X_0(j)，...，X_0(m)}，取预测日前L天的降雨量作为比较序列，第i天降雨量的序列向量表示为Xi＝{X_i(1)，X_i(2)，...，X_i(j)，...，X_i(m)}，每个序列含有m个值，经过无量纲化处理后，X₀与X_i在j点的关联系数ξ_oi(j)为

式中，

为两级最小差；

为两级最大差；ρ为分辨系数，取经验值0.5。

序列X₀与X_i的关联度γ_i可由m个关联系数的平均值得到，具体公式为

其中γ_i取值介于0与1之间，γ_i值越接近1，影响因素与历史负荷的关联程度越大。根据γ_i值排序前r天降雨量对预测日的影响最大。最终得出最大降雨相关日以体现降雨量的累积效应和滞后性。

在步骤3中，先预测出基值，选取若干相关日，预测出标幺负荷曲线，然后根据降雨模式影响小水电负荷的规律，对标幺曲线与基值的预测值分别进行相应修正，最后得到小水电负荷预测曲线。

在步骤3中，具体包括以下步骤：

1)以最大负荷和最小负荷为基值，将小水电历史负荷曲线标幺化通过模糊推理策略预测出待预测日负荷曲线的基值；

2)以降雨量和日最大、最小负荷为相关因素，根据连续多日降雨量确定的降雨模式相似度，构建历史负荷样本集合、日负荷序列集合、聚类质心集合、质心向量集合；从日负荷序列集合中选取若干个样本作为初始聚类质心，并计算剩余样本到所述初始聚类质心的距离，并将其归到距离最小的类中，然后在计算每种负荷模式下所有样本的均值，更新每个类的质心向量，不断重复这一过程直至所述聚类质心的变化程度不超过给定阈值为止，得到典型标幺曲线模式，再利用概率神经网络加以识别，选取相似的标幺曲线，根据预测得到的基值及标幺曲线，还原预测得到小水电预测负荷曲线。

在步骤3中，利用下式将小水电历史负荷曲线标幺化通过模糊推理策略预测出待预测日负荷曲线的基值：

式中，P_L为标幺曲线，P_aL代表小水电全天96点负荷，P_max、P_min是96点负荷中的最大、最小值，

设预测日的最大负荷和最小负荷与预测日降雨量之间的关系可以表示为以下关系：

P_max＝A₁W_max+A₂；

P_min＝B₁W_min+B₂

式中P_max为预测日最大负荷；P_min为预测日最小负荷；W_max为预测日最大降雨量；W_min为预测日最小温度；A₁、A₂、B₁、B₂为待定系数。其预测过程为:首先根据过去r天的最大负荷和最小负荷记录及对应的最大降雨量和最小降雨量记录，用最小二乘法决定系数A₁、A₂、B₁、B₂；然后根据预测日已经预测的最高降雨量和最小降雨量计算预测日的最大负荷和最小负荷。

式中P_max(k)、p_min(k)分别为预测日的最大负荷和最小负荷的预测值；Pmax(i)、Pmin(i)分别为过去几日的最大负荷、最小负荷i＝P-n，...p-1。

在步骤3中，令历史负荷样本集合X＝{X₁，X₂，...，X_i，...，X_m}，日负荷序列X_i＝{x_i0，x_i1，...，x_it，...，x_in}，聚类质心集合C＝{C₁，C₂，...，C_j，...，C_k}，质心向量C_j＝{c_i0，c_i1，...，c_it，...，c_in}。在表征负荷序列间的相似性时，采用标准化欧式距离作为度量标准。样本X_i与X_j的距离计算式为，

式中，t＝0，1，...，n，表明一天中的n+1个时刻；k为聚类质心数量，对应k中负荷模式；m为样本数量；x_max为两个序列对应维数据最大值；

从m个日负荷样本中选取k个样本作为初始聚类质心，根据距离计算式计算剩余样本到k个初始聚类质心的距离，并将其归到距离最小的类(标幺曲线模式)中，然后在计算每种负荷模式下所有样本的均值，更新每个类的质心向量C_j，不断重复这一过程直至k个聚类质心的变化程度不超过给定阈值为止，得到k种典型标幺曲线模式。

Claims (4)

1.一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法，其特征在于：它包括以下步骤：

步骤1：对各个县/区小水电出力数据和其对应县/区的降雨量数据进行分析，研究径流式小水电的特性；

步骤2：进一步研究小水电出力带来累积性、滞后性，并确立其相关系数方程；

步骤3：提出小水电负荷的预测方法，先预测出基值，按照降雨模式与负荷相似性原理，预测出标幺负荷曲线，最后得到小水电负荷预测曲线，

在步骤2中，结合小水电的空间分布和水文流域特点，以及地区整体气象变化和局地气象差异这些历史气象信息，从径流式小水电出力的影响因素入手，深入分析径流式小水电预测出力与其对应时段降雨量的相关性关系；

在步骤3中，具体包括以下步骤：

1)以最大负荷和最小负荷为基值，将小水电历史负荷曲线标幺化并预测出待预测日负荷曲线的基值；

2)以降雨量和日最大、最小负荷为相关因素，根据连续多日降雨量确定的降雨模式相似度，构建历史负荷样本集合、日负荷序列集合、聚类质心集合、质心向量集合；从日负荷序列集合中选取若干个样本作为初始聚类质心，并计算剩余样本到所述初始聚类质心的距离，并将其归到距离最小的类中，然后在计算每种负荷模式下所有样本的均值，更新每个类的质心向量，不断重复这一过程直至聚类质心集合的变化程度不超过给定阈值为止，得到典型标幺曲线模式，再利用概率神经网络加以识别，选取相似的标幺曲线，根据预测得到的基值及标幺曲线，还原预测得到小水电预测负荷曲线。

2.根据权利要求1所述的基于分时分区气象数据的多小水电地区短期电力负荷预测方法，其特征在于，在步骤2中，将历史负荷作为参考序列X₀＝{X₀₍₁₎，X₀₍₂₎，...，X_0(j)，...，X_0(m)}，取预测日前L天的降雨量作为比较序列，第i天降雨量的序列向量表示为Xi＝{X_i(1)，X_i(2)，...，X_i(j)，...，X_i(m)}，i≤L，每个序列含有m个值，经过无量纲化处理后，X₀与X_i在j点的关联系数ξ_oi(j)为：

式中，为两级最小差；为两级最大差；ρ为分辨系数，

序列X₀与X_i的关联度γ_i可由m个关联系数的平均值得到，具体公式为

其中γ_i取值介于0与1之间，γ_i值越接近1，影响因素与历史负荷的关联程度越大，根据γ_i值排序前r天降雨量对预测日的影响最大，最终得出最大降雨相关日以体现降雨量的累积效应和滞后性。

3.根据权利要求1所述的基于分时分区气象数据的多小水电地区短期电力负荷预测方法，其特征在于，在步骤3中，利用下式将小水电历史负荷曲线标幺化通过模糊推理策略预测出待预测日负荷曲线的基值：

式中，P_L为标幺曲线，P_aL代表小水电全天96点负荷，P_max、P_min是96点负荷中的最大、最小值，

设预测日的最大负荷和最小负荷与预测日降雨量之间的关系可以表示为以下关系：

P_max＝A₁W_max+A₂；

P_min＝B₁W_min+B₂

式中P_max为预测日最大负荷；P_min为预测日最小负荷；W_max为预测日最大降雨量；W_min为预测日最小温度；A₁、A₂、B₁、B₂为待定系数，其预测过程为:首先根据过去r天的最大负荷和最小负荷记录及对应的最大降雨量和最小降雨量记录，用最小二乘法决定系数A₁、A₂、B₁、B₂；然后根据预测日已经预测的最高降雨量和最小降雨量计算预测日的最大负荷和最小负荷，

式中P_max(k)、p_min(k)分别为预测日的最大负荷和最小负荷的预测值；Pmax(i)、Pmin(i)分别为过去几日的最大负荷、最小负荷i＝k-n，...k-1。

4.根据权利要求1或3所述的基于分时分区气象数据的多小水电地区短期电力负荷预测方法，其特征在于，在步骤3中，令历史负荷样本集合X＝{X₁，X₂，...，X_i，...，X_m}，日负荷序列X_i＝{x_i0，x_i1，...，x_it，...，x_in}，聚类质心集合C＝{C₁，C₂，...，C_j，...，C_k}，质心向量C_j＝{c_i0，c_i1，...，c_it，...，c_in}，在表征负荷序列间的相似性时，采用标准化欧式距离作为度量标准，样本X_i与X_j的距离计算式为，

式中，t＝0，1，...，n，表明一天中的n+1个时刻；k为聚类质心数量，对应k种负荷模式；m为样本数量；x_max为两个序列对应维数据最大值；

从m个日负荷样本中选取k个样本作为初始聚类质心，根据距离计算式计算剩余样本到k个初始聚类质心的距离，并将其归到距离最小的类中，然后在计算每种负荷模式下所有样本的均值，更新每个类的质心向量C_j，不断重复这一过程直至k个聚类质心的变化程度不超过给定阈值为止，得到k种典型标幺曲线模式。

Images