基于有效度和虛擬預(yù)測的負(fù)荷組合預(yù)測

王智翔,殷 豪,盧海明

(廣東工業(yè)大學(xué) 自動化學(xué)院,廣州 510006)

基于有效度和虛擬預(yù)測的負(fù)荷組合預(yù)測

王智翔,殷 豪,盧海明

(廣東工業(yè)大學(xué) 自動化學(xué)院,廣州 510006)

為提高電力系統(tǒng)負(fù)荷預(yù)測精度,應(yīng)對大量隨機(jī)沖擊負(fù)荷接入電網(wǎng)帶來的預(yù)測精度下降,提出一種基于有效度遴選和虛擬預(yù)測的負(fù)荷組合預(yù)測方法。首先通過預(yù)測有效度對單項(xiàng)預(yù)測模型進(jìn)行選擇,確定最終組合預(yù)測模型,然后運(yùn)用組合預(yù)測方法進(jìn)行提前24 h預(yù)測,得出實(shí)際預(yù)測結(jié)果,其中各單項(xiàng)預(yù)測模型的權(quán)系數(shù)通過虛擬預(yù)測法來確定。實(shí)例分析表明,該方法有效解決了選擇單項(xiàng)模型的隨機(jī)性和權(quán)重難以確定的問題,且預(yù)測效果明顯優(yōu)于單一預(yù)測方法。

有效度;虛擬預(yù)測;組合預(yù)測;沖擊負(fù)荷;負(fù)荷預(yù)測

電力系統(tǒng)負(fù)荷預(yù)測是電力系統(tǒng)規(guī)劃的重要組成部分,而短期電力負(fù)荷預(yù)測則是現(xiàn)代電力系統(tǒng)控制與運(yùn)行分析的一項(xiàng)重要研究內(nèi)容[1]。

目前國內(nèi)外專家學(xué)者對負(fù)荷預(yù)測方法的研究大體上可以分為兩類:第一類是經(jīng)典預(yù)測方法,主要有回歸分析法、時(shí)間序列法[2]、趨勢外推法等,經(jīng)典方法缺點(diǎn)是面對比較復(fù)雜問題時(shí)建模難度大,需要較高的技巧和豐富的經(jīng)驗(yàn);第二類是人工智能算法,主要有模糊預(yù)測法[3]、專家系統(tǒng)法[4]和人工神經(jīng)網(wǎng)絡(luò)法[5]等。由于電力系統(tǒng)負(fù)荷具有很多不確定因素,單項(xiàng)預(yù)測模型不能完全反映出電力負(fù)荷的變化規(guī)律和信息,因此組合預(yù)測模型成為當(dāng)今研究新的發(fā)展方向。在以往的組合預(yù)測研究及應(yīng)用中,參與組合預(yù)測的單項(xiàng)預(yù)測模型往往沒有經(jīng)過篩選,而是人為主觀決定后直接進(jìn)行組合,文獻(xiàn)[6]觀點(diǎn)表明最優(yōu)模型組包含的單項(xiàng)預(yù)測模型并非越多越好。在組合模型的權(quán)值研究中，要根據(jù)各單一模型在歷史數(shù)據(jù)中的表現(xiàn)確定其組合權(quán)值,如方差倒數(shù)法;利用優(yōu)化算法求取組合預(yù)測模型的最優(yōu)權(quán)系數(shù),如粒子群優(yōu)化組合預(yù)測[7]等。

本文針對負(fù)荷變化的特點(diǎn)和已有方法的不足,提出了一種基于有效度遴選和虛擬預(yù)測的負(fù)荷組合預(yù)測方法,有效提高包含大量沖擊負(fù)荷地區(qū)的預(yù)測精度。

1 單項(xiàng)預(yù)測模型遴選

當(dāng)參加組合的預(yù)測方法由n種增加到n+1時(shí),并不能保證一定會降低非負(fù)權(quán)重最優(yōu)組合預(yù)測誤差平方和。本文參考排除冗余數(shù)據(jù)的方法[8],從預(yù)測有效度的角度考慮,確定最優(yōu)模型組包含的單項(xiàng)預(yù)測模型。

假設(shè)εij=(xj-xij)/xj為第i種預(yù)測方法在第j個時(shí)刻的相對誤差,令

則稱aij為第i種方法在第j個時(shí)刻的預(yù)測精度,i=1,2,…,m;j=1,2,…,t;稱M(zi)=E(Ai)(1-σ(Ai))為第i種預(yù)測方法的預(yù)測有效度,其中數(shù)學(xué)期望E(Ai)和標(biāo)準(zhǔn)差σ(Ai)計(jì)算公式為

根據(jù)有效度選擇單選預(yù)測模型的過程為:

1) 按照有效度公式對各個單項(xiàng)預(yù)測模型進(jìn)行評價(jià),并按有效度大小進(jìn)行排序,例如,假設(shè)M(z1)≥M(z2)≥…≥M(zm)。

2) 挑選有效度最高的兩個預(yù)測模型z1和z2,以誤差平方和最小準(zhǔn)則建立組合預(yù)測模型z12并計(jì)算其有效度M(z12)。如果M(z12)≤M(z1),表明單項(xiàng)模型z2的加入并沒有使預(yù)測有效度提高,說明z2為有效度冗余模型,把它從單項(xiàng)模型中剔除;如果M(z12)≥M(z1),表明z2的加入使得預(yù)測有效度提高,保留該組合預(yù)測模型。

3) 將步驟2)中得到的組合預(yù)測模型作為最好的預(yù)測模型,繼續(xù)加入余下的單項(xiàng)模型,并進(jìn)行有效度判斷,直到所有的單項(xiàng)模型判定完為止。最后所得組合預(yù)測模型即為最終預(yù)測模型。

根據(jù)上述步驟,在模糊預(yù)測法、誤差反饋加權(quán)時(shí)間序列法、回歸分析法、BP神經(jīng)網(wǎng)絡(luò)法和最小二乘支持向量機(jī)法中,最終選取BP神經(jīng)網(wǎng)絡(luò)、灰色模型法和誤差反饋加權(quán)時(shí)間序列法組成組合預(yù)測模型。

2 基于虛擬預(yù)測的負(fù)荷組合預(yù)測方法

虛擬預(yù)測是指對歷史時(shí)間點(diǎn)的數(shù)據(jù)進(jìn)行假定的預(yù)測,其預(yù)測的結(jié)果認(rèn)為是歷史時(shí)間點(diǎn)的擬合結(jié)果,從而可以按擬合的效果做出各個單一方法權(quán)重的判斷[9]。將預(yù)測日之前的歷史數(shù)據(jù)進(jìn)行整理分析,可分為歷史時(shí)段和虛擬預(yù)測時(shí)段。本文構(gòu)建的組合預(yù)測模型借助了虛擬預(yù)測思想,其應(yīng)用在電力系統(tǒng)負(fù)荷預(yù)測上的基本思想如圖1所示。

圖1 虛擬預(yù)測

組合預(yù)測模型通過利用各單項(xiàng)模型進(jìn)行虛擬預(yù)測得到各單項(xiàng)模型的預(yù)測結(jié)果,利用評價(jià)指標(biāo)形成組合預(yù)測模型中單項(xiàng)模型的權(quán)系數(shù)。方差倒數(shù)法是一種常用的權(quán)系數(shù)生成方法,通過使用預(yù)測誤差平方和反應(yīng)預(yù)測模型預(yù)測精度,通過對預(yù)測時(shí)段前的歷史若干次等時(shí)長虛擬預(yù)測,在同一時(shí)刻t預(yù)測誤差平方和較小則認(rèn)為單項(xiàng)模型在t時(shí)刻預(yù)測效果較好。此單項(xiàng)預(yù)測模型在t時(shí)刻被賦以較高權(quán)重,即

t=1,2,…,n;i=1,2,…,m

根據(jù)有效度遴選,選取BP神經(jīng)網(wǎng)絡(luò)、灰色模型法和誤差反饋加權(quán)時(shí)間序列法組成組合預(yù)測模型,可以得到虛擬預(yù)測模型的完整框架,如圖2所示。

圖2 基于虛擬預(yù)測的負(fù)荷組合預(yù)測實(shí)例

Fig.2 A practical structure of load combination forecasting method

3 仿真分析

3.1 負(fù)荷準(zhǔn)確率評價(jià)指標(biāo)

在組合預(yù)測模型中,BP神經(jīng)網(wǎng)絡(luò)的輸入除了負(fù)荷樣本還考慮了最高溫度、最低溫度、降雨量和日期類型,補(bǔ)充了時(shí)間序列模型和灰色理論模型的不足。

根據(jù)南方電網(wǎng)調(diào)度負(fù)荷預(yù)測管理與考核辦法,并結(jié)合地區(qū)電網(wǎng)的實(shí)際需求,分別取用日最大負(fù)荷準(zhǔn)確率、日最小負(fù)荷準(zhǔn)確率、日24點(diǎn)準(zhǔn)確率作為不同預(yù)測模型的評價(jià)指標(biāo),其指標(biāo)計(jì)算表達(dá)式為

3.2 實(shí)例分析

所使用的歷史負(fù)荷數(shù)據(jù)由廣東河源地區(qū)電網(wǎng)提供。歷史數(shù)據(jù)(2010年—2012年)為數(shù)據(jù)采集與監(jiān)控(SCADA)系統(tǒng)獲取的實(shí)測負(fù)荷量,所有數(shù)據(jù)的時(shí)間分辨率均為5 min,即一天擁有288個數(shù)據(jù)樣本。該地區(qū)用電基數(shù)比較小,處于300～1000 MW的規(guī)模,同時(shí)存在著較多的鋼鐵用戶,其主要用電設(shè)備屬于沖擊性負(fù)荷,與其他負(fù)荷的隨機(jī)波動疊加在一起,將會使電網(wǎng)負(fù)荷發(fā)生較大波動。選取了2012年7月1日至7月7日一周的歷史負(fù)荷作為評價(jià)樣本,第1天預(yù)測結(jié)果如圖3所示,連續(xù)7 d各方法預(yù)測結(jié)果誤差如表1所示。

由圖3可知,該地區(qū)負(fù)荷曲線呈現(xiàn)“三峰兩谷”的變化趨勢。由于電網(wǎng)對工業(yè)用電實(shí)行峰谷電價(jià),鼓勵多用低谷電,因此煉鋼廠、軋鋼廠生產(chǎn)主要集

中在00∶00-08∶00,負(fù)荷曲線的每個拐點(diǎn)均為高頻分量幅值較大的時(shí)刻。由此可見,本文所述的組合預(yù)測方法能準(zhǔn)確地捕捉?jīng)_擊毛刺的變化規(guī)律,預(yù)測曲線比各單項(xiàng)預(yù)測更接近實(shí)際值。

圖3 第1天預(yù)測效果圖

由表1可知,對最重要的24點(diǎn)準(zhǔn)確率采用本文所述的組合預(yù)測模型比各個單項(xiàng)預(yù)測模型表現(xiàn)的更好,而且預(yù)測結(jié)果穩(wěn)定,日最大、最小負(fù)荷準(zhǔn)確率均比其他兩種模型有明顯提高。這對于基礎(chǔ)負(fù)荷相對較小、沖擊負(fù)荷所占總負(fù)荷較大的地區(qū)已是不小的提升。從綜合結(jié)果來看,本文方法對于含沖擊負(fù)荷地區(qū)負(fù)荷預(yù)測有更大的優(yōu)越性。虛擬組合預(yù)測相對百分比誤差如圖4所示。

由圖4可知,在連續(xù)7 d共168個預(yù)測點(diǎn)中,誤差在10%以上共有3個預(yù)測點(diǎn),占總數(shù)的1.79%;154個點(diǎn)預(yù)測誤差在5%以內(nèi),占總數(shù)的91.67%;其余11個預(yù)測點(diǎn)誤差為5%～10%,占總數(shù)的6.55%。由此表明,本文提出的預(yù)測方法能有效提高負(fù)荷預(yù)測精度,且每個考核點(diǎn)預(yù)測結(jié)果穩(wěn)定,更接近于實(shí)際的負(fù)荷曲線,而單一方法的預(yù)測結(jié)果則會出現(xiàn)較大的偏離。

表 1各模型準(zhǔn)確率評價(jià)指標(biāo)對比

圖4 組合預(yù)測方法7天預(yù)測百分比誤差分布圖

Fig.4 Percentage error of combination forecasting method in 7 days

4 結(jié) 論

1) 與單項(xiàng)預(yù)測模型對比,本文所述組合方法能有效克服單一模型的缺點(diǎn),解決選擇單項(xiàng)模型的隨機(jī)性和權(quán)重難以確定的問題。

2) 新方法具有更高的預(yù)測精度和更好的穩(wěn)定性。

[1] 廖旎煥,胡智宏,馬瑩瑩,等. 電力系統(tǒng)短期負(fù)荷預(yù)測方法綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2011, 39(1): 147-152. LIAO Nihuan, HU Zhihong, MA Yingying, et al. Review of the short-term load forecasting methods of electric power system [J]. Power System Protection and Control, 2011,39(1): 147-152.

[2] 蘭華,朱鋒. 基于EMD與粗糙集及神經(jīng)網(wǎng)絡(luò)相結(jié)合的短期負(fù)荷預(yù)測[J]. 黑龍江電力, 2012, 34(4): 241-245. LAN Hua, ZHU Feng. Short-term load forecasting based on EMD and the combination of rough set and neural network [J]. Heilongjiang Electric Power, 2012, 34(4): 241-245.

[3] 姜妍,蘭森,孫艷學(xué). 基于最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測[J]. 黑龍江電力, 2012, 35(5): 349-352. JIANG Yan, LAN Sen, SUN Yanxue. Short-term load forecasting based on least square support vector machine [J]. Heilongjiang Electric Power, 2012, 35(5): 349-352.

[4] KANDIL M S, EL-DEBEIKY S M, HASANIEN N E. Long-term load forecasting for fast-developing utility using a knowledgebased expert system [J]. IEEE Power Engineering Review, 2002, 17(4): 78.

[5] 李程,譚陽紅. 電力負(fù)荷的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測[J]. 黑龍江電力, 2010, 32(4): 252-254. LI Cheng, TAN Yanghong. RBF Prediction of electric power load [J]. Heilongjiang Electric Power, 2010, 32(4): 252-254.

[6] 金鑫,羅滇生,孫廣強(qiáng),等. 中長期電力負(fù)荷預(yù)測模型篩選與組合方法[J]. 電力系統(tǒng)及其自動化學(xué)報(bào), 2012, 24(4): 150-156. JIN Xin, LUO Diansheng, SUN Guangqiang, et al. Sifting and combination method of medium-and long-term load forecasting model [J]. Proceedings of the Chinese Society of Universities, 2012, 24(4): 150-156.

[7] 高丙坤,李陽,許明子. 優(yōu)化粒子群算法在組合供熱負(fù)荷預(yù)測中的應(yīng)用[J]. 信息與電子工程, 2011, 09(5): 655-659. GAO Bingkun, LI Yang, XU Mingzi. Application of particle swarm optimization algorithm in the heating load combination forecasting [J]. Information and Electronic Engineering, 2011, 09(5): 655-659.

[8] 王豐效. 基于有效度的組合預(yù)測單項(xiàng)模型的逐步遴選方法[J]. 統(tǒng)計(jì)與決策, 2014(12): 69-71. WANG Fengxiao.Stepwise selection method based on combination forecast of the validity of single model[J].Statistics and Decision Making，2014(12)：69-71.

[9] 孟安波,陳育成. 基于虛擬預(yù)測與小波包變換的風(fēng)電功率組合預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2014，43(3): 71-76. MENG Anbo, CHEN Yucheng. Wind power combination forecasting based on wavelet packet transform and virtual forecasting meth-od [J]. Power System Protection and Control, 2014，43(3): 71-76.

(責(zé)任編輯 侯世春)

Load combination forecasting based on effective measure and virtual forecasting method

WANG Zhixiang, YIN Hao, LU Haiming

(College of Automation, Guangdong University of Technology, Guangzhou 510006, China)

To improve the accuracy of load forecasting and to cope with the challenge from a large number of grid-connected random impact loads, this paper proposes the load combination forecasting based on effective measure and virtual forecasting. Firstly, forecast effectiveness of the individual prediction model selection, to determine the final combination forecasting model. Then use the combination forecasting method to predict 24h before to work out the actual prediction. Finally, the weight coefficients of each method are identified by using variance reciprocal method through a virtual forecasting method. The example analysis shows that the method is effective to solve the randomness and the difficulty in determining the weight of individual models with a great forecasting effect apparently superior to single forecasting method.

forecasting effective measure; virtual forecasting; combination forecasting; impact load; load forecasting

2015-03-06。

王智翔(1988—),男,碩士研究生,主要研究方向?yàn)橹悄芩惴ㄔ陔娏ο到y(tǒng)中的應(yīng)用。

TM714

A

2095-6843(2015)04-0309-04