夏季城市用電短期負(fù)荷預(yù)測(cè)方法研究

肖啟志，何葵東，肖 楊

（1.五凌電力有限公司，湖南 長(zhǎng)沙410004；2.國(guó)家電投水電產(chǎn)業(yè)創(chuàng)新中心，湖南 長(zhǎng)沙410004）

0 引言

近年來，氣象觀測(cè)和預(yù)報(bào)技術(shù)取得了較大進(jìn)展，帶動(dòng)了相關(guān)氣象應(yīng)用領(lǐng)域技術(shù)不斷突破和創(chuàng)新。精細(xì)化溫度預(yù)報(bào)是氣象部門對(duì)社會(huì)公眾發(fā)布以城市為對(duì)象的逐小時(shí)溫度預(yù)報(bào)產(chǎn)品。它每天計(jì)算2次，每次從當(dāng)前時(shí)間開始預(yù)報(bào)未來24 h城市溫度，步長(zhǎng)為1 h。目前短時(shí)（24 h）城市逐小時(shí)溫度預(yù)報(bào)具有92%以上的預(yù)報(bào)精度[1-3]。

夏季是城市用電負(fù)荷高峰期，用電負(fù)荷預(yù)測(cè)是電力公司生產(chǎn)調(diào)度計(jì)劃的基礎(chǔ)。目前，國(guó)內(nèi)外多篇文獻(xiàn)研究了氣象與負(fù)荷預(yù)測(cè)的關(guān)系：文獻(xiàn)[4]提出了從海量氣象、負(fù)荷數(shù)據(jù)中挖掘特定氣象條件下的負(fù)荷變化規(guī)律，由多粒度氣象信息匹配算法，求取預(yù)測(cè)日曲線的多分段相似日的算法；文獻(xiàn)[5]使用實(shí)時(shí)氣象數(shù)據(jù)的思想，在實(shí)際算法中采用了尋找歷史數(shù)據(jù)中日最高溫度與負(fù)荷相似日的算法；文獻(xiàn)[6]介紹了2種應(yīng)用土耳其電力市場(chǎng)的短期負(fù)荷算法，包括季節(jié)性移動(dòng)平均自回歸算法和人工神經(jīng)網(wǎng)絡(luò)算法，2種方法的核心也是從歷史負(fù)荷數(shù)據(jù)中尋找相似日；文獻(xiàn)[7]介紹了基于模糊神經(jīng)網(wǎng)絡(luò)和自回歸條件方差模型的小波變換短期負(fù)荷預(yù)測(cè)方法，并對(duì)多種預(yù)測(cè)方法的精度進(jìn)行了比較；文獻(xiàn)[8]利用各個(gè)樣本關(guān)聯(lián)度投影值排序得到相似日集合，預(yù)測(cè)方法中使用預(yù)測(cè)日集合特征向量完成預(yù)測(cè)；文獻(xiàn)[9]、文獻(xiàn)[10]則是以日最高溫度和最低溫度為標(biāo)準(zhǔn)，在歷史數(shù)據(jù)中尋找相似日的算法。這些依據(jù)歷史數(shù)據(jù)總結(jié)出來的擬合曲線，無法跟蹤隨機(jī)事件（一場(chǎng)短時(shí)降雨、一場(chǎng)局地短時(shí)強(qiáng)對(duì)流大風(fēng)）的變化，使得夏季日內(nèi)負(fù)荷預(yù)測(cè)的精度達(dá)不到要求。因此，本文提出了一種以日內(nèi)精細(xì)化溫度預(yù)報(bào)值預(yù)測(cè)日內(nèi)96點(diǎn)負(fù)荷預(yù)報(bào)值的數(shù)值分析方法，該方法具有能更快速反映溫度與負(fù)荷關(guān)系的能力。

1 數(shù)據(jù)關(guān)系分析及算法原理

夏季高溫時(shí)期的主要負(fù)荷為居民降溫用電負(fù)荷，城市的溫度變化是居民降溫用電負(fù)荷變化的主要因素，其他氣象因素通過溫度的變化間接影響用電負(fù)荷[11]。

1.1 分析負(fù)荷差商值與溫度差商值之間的關(guān)系

從歷史數(shù)據(jù)中抽取華東某城市2015年、2016年、2017年每年7—8月逐小時(shí)預(yù)報(bào)溫度與城市負(fù)荷的差商值進(jìn)行比較，分析負(fù)荷差商值與溫度差商值之間的關(guān)系。

a）計(jì)算預(yù)報(bào)溫度值對(duì)時(shí)間的差商值。預(yù)報(bào)溫度值對(duì)時(shí)間的差商序列f為

其中，f（tj+1）表示tj+1時(shí)間點(diǎn)上預(yù)報(bào)溫度對(duì)時(shí)間的差商值，j=0，1，2，…，N，Δh=1（這里設(shè)每60 min間隔為1），j為總的時(shí)間間隔點(diǎn)，取值24。

b）計(jì)算城市負(fù)荷值對(duì)時(shí)間的差商值。城市負(fù)荷值對(duì)時(shí)間差商值形成的序列值F為

其中，F(xiàn)（tj+1）表示tj+1時(shí)間點(diǎn)上負(fù)荷對(duì)時(shí)間的差商值，j=0，1，2，…，N，Δh=1（這里設(shè)每60 min間隔為1）。

c）計(jì)算2個(gè)數(shù)據(jù)序列的相關(guān)性系數(shù)。其計(jì)算公式為

其中，R是相關(guān)性系數(shù)；COV（f，F(xiàn)）是f序列數(shù)據(jù)與F序列數(shù)據(jù)的協(xié)方差；D（f）、D（F）分別是f序列數(shù)據(jù)與F序列數(shù)據(jù)的均方差。

使用2015年—2017年夏季數(shù)據(jù)，通過式（3）計(jì)算得到的負(fù)荷差商值與溫度差商值日相關(guān)性系數(shù)如表1所示。

由表1可知，f序列數(shù)據(jù)與F序列數(shù)據(jù)相關(guān)性高度一致，可以設(shè)定為

其中，k為負(fù)荷與溫度的比值系數(shù)。

按照極限理論，時(shí)間間隔足夠時(shí)（如時(shí)間間隔15 min），式（4）可以寫成

1.2 算法原理

已知近期的等距歷史負(fù)荷值，根據(jù)上面分析得出未來負(fù)荷值的導(dǎo)數(shù)值，這是典型的一階微分方程初值問題，如式（6）所示。

這個(gè)方程中f（x，y）函數(shù)未知，只知道在x1，x2，x3，…上的y′（x）離散值，現(xiàn)在求解在x1，x2，x3，…上的y（x）值。

采用數(shù)值分析方法中精度較高[12]的改進(jìn)四階龍格庫塔預(yù)估校正數(shù)值解法。改進(jìn)四階龍格庫塔預(yù)估校正數(shù)值解法，是數(shù)值計(jì)算中的微分方程計(jì)算方法，在已知當(dāng)前點(diǎn)實(shí)際值及未來多點(diǎn)導(dǎo)數(shù)值的條件下，以迭代方式，隨著預(yù)報(bào)點(diǎn)排列次序一步一步用遞推方式向前推進(jìn)，完成未來多點(diǎn)值的計(jì)算。計(jì)算方程為

2 算法模型

假設(shè)需要預(yù)測(cè)夏季高溫時(shí)段（7月—8月）m日j+1時(shí)刻的負(fù)荷值。

已知未來24 h時(shí)間點(diǎn)上溫度預(yù)報(bào)值T（j）（j=0,1，2，…，23），應(yīng)用三次樣條插值法將其插值到15 min間隔點(diǎn)上，形成的溫度精細(xì)化預(yù)報(bào)值T（tj）（j=0，1，2，…，95），計(jì)算溫度導(dǎo)數(shù)值并轉(zhuǎn)化成負(fù)荷導(dǎo)數(shù)值。

其中，f（tj+1）表示未來tj+1時(shí)間點(diǎn)預(yù)報(bào)溫度對(duì)時(shí)間的導(dǎo)數(shù)值，j=0,1，2，…，95，h=0.25（設(shè)每15 min間隔為0.25）；K1為前一日溫度平均值；F（tj+1）表示未來tj+1時(shí)間點(diǎn)負(fù)荷預(yù)測(cè)的導(dǎo)數(shù)值；K2為前一日負(fù)荷平均值。

改造式（7），增加調(diào)度部門已知的大型負(fù)荷企業(yè)計(jì)劃投運(yùn)（或退出）負(fù)荷值為

其中，h=0.25（設(shè)每15 min間隔為0.25），Qjh是調(diào)度部門已知的大型負(fù)荷企業(yè)計(jì)劃投運(yùn)負(fù)荷需求，在實(shí)際應(yīng)用中需手工輸入。

3 模型應(yīng)用及算例分析

使用該算法對(duì)華東某大型城市2019-07-01—2019-08-30之間的城市負(fù)荷進(jìn)行了日前96點(diǎn)負(fù)荷計(jì)算的算例分析，如從2019-07-23 T18：00開始預(yù)報(bào)未來96點(diǎn)（每15 min為1個(gè)預(yù)報(bào)值）的城市用電負(fù)荷預(yù)測(cè)值，已知18：00的城市用電負(fù)荷實(shí)際值，作為初始條件Q0，并知道未來24 h城市溫度預(yù)報(bào)值，采用式（10）計(jì)算18：15，18：30，…到2019-07-24 T18：00城市負(fù)荷預(yù)報(bào)值。將預(yù)測(cè)結(jié)果與回歸預(yù)測(cè)算法、歷史負(fù)荷導(dǎo)數(shù)法進(jìn)行了精度對(duì)比分析，得到如表2所示的結(jié)果。

表2 3種算法的預(yù)測(cè)準(zhǔn)確率比較

從表2可以看出，基于精細(xì)化溫度預(yù)報(bào)的夏季短期負(fù)荷算法較回歸預(yù)測(cè)算法、負(fù)荷導(dǎo)數(shù)算法有較大的優(yōu)勢(shì)，這主要是基于精細(xì)化溫度預(yù)報(bào)的夏季短期負(fù)荷算法利用了精細(xì)化溫度預(yù)報(bào)值作為負(fù)荷預(yù)測(cè)已知條件，屬于已知未來的精細(xì)化線索，然后做出預(yù)報(bào)；而回歸預(yù)測(cè)算法與負(fù)荷導(dǎo)數(shù)算法是從歷史數(shù)據(jù)中總結(jié)規(guī)律（或?qū)ふ乙?guī)律）。這兩種類型算法思路是有本質(zhì)區(qū)別的。

4 結(jié)束語

電網(wǎng)生產(chǎn)運(yùn)行與外部氣象環(huán)境密切相關(guān)，氣象環(huán)境對(duì)電網(wǎng)的優(yōu)化調(diào)度、運(yùn)行安全有重要的影響，而氣象技術(shù)領(lǐng)域的進(jìn)步必然也會(huì)帶動(dòng)電網(wǎng)領(lǐng)域的技術(shù)發(fā)展，先進(jìn)和高精度的氣象預(yù)報(bào)技術(shù)會(huì)帶來電網(wǎng)經(jīng)濟(jì)效益的明顯提升，這就需要熟悉兩個(gè)領(lǐng)域的技術(shù)人員，分析氣象領(lǐng)域技術(shù)優(yōu)勢(shì)，研究與電網(wǎng)生產(chǎn)需求相結(jié)合的深度應(yīng)用方法，提高電網(wǎng)領(lǐng)域的經(jīng)濟(jì)效益。

本文提出了基于精細(xì)化溫度預(yù)報(bào)實(shí)現(xiàn)夏季短期負(fù)荷預(yù)測(cè)方法，是氣象精細(xì)化技術(shù)應(yīng)用于電網(wǎng)領(lǐng)域的一種嘗試，氣象領(lǐng)域中數(shù)值天氣預(yù)報(bào)、雷達(dá)數(shù)字回波產(chǎn)品、衛(wèi)星遙感數(shù)據(jù)信息等內(nèi)容都可以為電網(wǎng)的生產(chǎn)提供更加直觀、可靠的生產(chǎn)應(yīng)用服務(wù)，并能夠產(chǎn)生巨大的經(jīng)濟(jì)效益，但這些都需要深度分析與檢驗(yàn)的過程，本文研究的模型目前在華東地區(qū)夏季高溫季節(jié)適用性良好，但在其他地區(qū)的預(yù)測(cè)精度還需要進(jìn)一步檢驗(yàn)。