計及供給側(cè)出力的數(shù)據(jù)挖掘負(fù)荷預(yù)測方法

劉慶彪， 張桂紅， 許德操， 秦緒武， 白左霞

(青海省電力公司經(jīng)濟(jì)技術(shù)研究院 發(fā)展部， 西寧 810008)

電力系統(tǒng)作為一個集發(fā)、輸、變、配及用電于一體的大規(guī)模復(fù)雜能源供應(yīng)網(wǎng)絡(luò)，電能的生產(chǎn)和使用都具有較為明顯的即時性[1].為保證電力系統(tǒng)經(jīng)濟(jì)高效且穩(wěn)定地運(yùn)行，需要保持電能生產(chǎn)和消費(fèi)環(huán)節(jié)的平衡.合理、準(zhǔn)確的負(fù)荷預(yù)測是保證電能產(chǎn)銷平衡的關(guān)鍵[2-3].電力系統(tǒng)負(fù)荷預(yù)測是能量管理系統(tǒng)的重要組成部分，是在了解系統(tǒng)運(yùn)行特性、負(fù)荷本身等規(guī)律的基礎(chǔ)上，通過歷史數(shù)據(jù)對未來負(fù)荷發(fā)展變化進(jìn)行的可靠預(yù)測[4-6].

現(xiàn)有負(fù)荷預(yù)測方法主要有：時間序列法、灰色預(yù)測法、神經(jīng)網(wǎng)絡(luò)組合預(yù)測法等[7].負(fù)荷具有非線性及周期性，時間序列法、灰色預(yù)測法等方法均難以適用[8].雖然相比于傳統(tǒng)方法，聚類分析與神經(jīng)網(wǎng)絡(luò)預(yù)測法在預(yù)測精度上有所提升，但對于非周期性的負(fù)荷預(yù)測效果仍有待提升[9].

新能源形勢要求更深入分析用能特性與規(guī)律，做到負(fù)荷的精準(zhǔn)預(yù)測，提升負(fù)荷預(yù)測的效率和精度[10].因此，本文提出了一種計及供給側(cè)出力的數(shù)據(jù)負(fù)荷預(yù)測方法，在充分考慮供給側(cè)出力的基礎(chǔ)上設(shè)計凈負(fù)荷的理念，深度挖掘發(fā)電、用電與氣象因素的關(guān)聯(lián)，利用支持向量機(jī)(SVM)對負(fù)荷進(jìn)行準(zhǔn)確預(yù)測.

1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是采用模式識別、數(shù)學(xué)統(tǒng)計等方法，從大量數(shù)據(jù)中挖掘出可能有潛在價值的信息技術(shù)，并實(shí)現(xiàn)分類、聚類、關(guān)聯(lián)和預(yù)測功能[11-12].根據(jù)數(shù)據(jù)挖掘的基本概念和功能，本文結(jié)合K-means聚類分析和灰色關(guān)聯(lián)技術(shù)，設(shè)計了一種具有分類和關(guān)聯(lián)功能的數(shù)據(jù)挖掘技術(shù).

1.1 聚類分析

K-means算法作為一類動態(tài)的聚類技術(shù)，其評估相似度的方式是統(tǒng)計兩個對象之間的歐氏距離，距離越近則說明相似程度越高.K-means算法的聚類過程如下：

1) 從給定的具有n個k維數(shù)據(jù)的集合X={x1，x2，…，xi，…，xn}，xi∈Rk中選取Q個點(diǎn)當(dāng)作開始聚類的核心，任一對象均可表示一個類型的中心φq(q=1，2，…，Q).

2) 統(tǒng)計各個點(diǎn)到中心φq間的歐氏距離，然后根據(jù)其遠(yuǎn)近，將各數(shù)據(jù)點(diǎn)劃分到最相近的聚類中心內(nèi)，所有數(shù)據(jù)點(diǎn)到聚類中心φq的距離平方和J(cq)可表示為

(1)

3) 計算所有樣本的J(cq)，以得到總體距離平方和J(C).當(dāng)J(C)達(dá)到最小時，將該類內(nèi)所有對象的均值作為新的聚類中心.

4) 判定聚類中心與J(C)值有無發(fā)生變化，若發(fā)生變化，則轉(zhuǎn)到步驟2)；若無發(fā)生變化，則聚類過程終止.

采用K-means算法對歷史數(shù)據(jù)集內(nèi)的溫度、濕度、風(fēng)速等氣象條件進(jìn)行聚類，同一類型內(nèi)的氣象數(shù)據(jù)特征是接近的，同一類型的相似性越大，不同類型之間的差別越大，即聚類效果越優(yōu).

1.2 灰色關(guān)聯(lián)分析理論

灰色關(guān)聯(lián)分析主要是利用曲線的近似等級來判定相關(guān)程度，是一種剖析系統(tǒng)內(nèi)所有因素相關(guān)程度的方式[12].在關(guān)聯(lián)分析中，首先需要構(gòu)造序列矩陣，通過K-means聚類算法初步分析歷史數(shù)據(jù)，得到與待預(yù)測時間段近似的氣象歷史數(shù)據(jù)，然后對其進(jìn)行關(guān)聯(lián)次序的剖析.

假定，T0表示待預(yù)測時間段的氣象特征，若待預(yù)測時間段的氣象信息是：最高氣溫45 ℃，平均氣溫30 ℃，最低氣溫25 ℃，雨量20 mm，則T0=(T0(1)，T0(2)，T0(3)，T0(4))=(45，30，25，20).以此類推，采用已經(jīng)獲得的數(shù)據(jù)集內(nèi)每天的氣象數(shù)據(jù)構(gòu)成對比序列，用T1，T2，…，Tn進(jìn)行表述，則n+1個序列所組成的矩陣描述為

(2)

為了消除量綱，用初值化方法進(jìn)行數(shù)據(jù)處理，即

T′i(j)=Ti(j)/Ti(1)

(i=0，1，2，…，n；j=1，2，…，m)

(3)

最終，計算關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度為

ρi(j)=

(4)

(5)

式中，γ為分辨系數(shù)，通常取0.5.

2 計及供給側(cè)的負(fù)荷預(yù)測方法

由于青海地區(qū)賦有充裕的風(fēng)光水資源，依托這些資源進(jìn)行發(fā)電，能夠較優(yōu)地豐富電力系統(tǒng)供給側(cè)的電源類型.包含風(fēng)、光、水的發(fā)電系統(tǒng)與大電網(wǎng)組合，可看作為大電網(wǎng)末端的變動負(fù)荷，需要考慮極端天氣等氣象因素帶來的影響；負(fù)荷特性由系統(tǒng)內(nèi)風(fēng)、光、水發(fā)電量和用戶負(fù)荷共同決定[13-14].考慮節(jié)假日及波峰波谷因素，計及供給側(cè)的負(fù)荷預(yù)測模型如圖1所示.

在傳統(tǒng)預(yù)測模型中，需要對負(fù)荷、風(fēng)電、光伏、水力分別構(gòu)建預(yù)測模型并進(jìn)行預(yù)測，但對每組數(shù)據(jù)進(jìn)行一次建模預(yù)測耗時較長.為此提出了凈負(fù)荷概念，即將新能源發(fā)電系統(tǒng)視為帶負(fù)值的負(fù)荷，用戶負(fù)荷是常規(guī)負(fù)荷，將兩者相加構(gòu)成凈負(fù)荷[15-16].由數(shù)據(jù)采集器獲得供給側(cè)與負(fù)荷側(cè)的功率數(shù)據(jù)，上傳送至中心服務(wù)器進(jìn)行凈負(fù)荷運(yùn)算并利用相應(yīng)的預(yù)測方法實(shí)現(xiàn)負(fù)荷預(yù)測.最終將預(yù)測結(jié)果傳送至對應(yīng)的機(jī)構(gòu)，為電網(wǎng)調(diào)度決策的制定提供一定的參考.

圖1 風(fēng)光水負(fù)荷聯(lián)合預(yù)測模型Fig.1 Combined forecasting model for wind，light and water loads

2.1 凈負(fù)荷

凈負(fù)荷P′為供給側(cè)出力與用戶負(fù)荷之和，計算表達(dá)式為

P′=PU+(-PPV)+(-PWF)+(-PWA)

(6)

式中：PU為用戶負(fù)荷；PPV、PWF、PWA分別為光伏、風(fēng)力和水力的發(fā)電量.

若P′<0，則說明供給側(cè)的出力大于用戶側(cè)消耗，需要進(jìn)行儲能；若P′>0，則說明供給側(cè)的出力小于用戶側(cè)消耗，火力等傳統(tǒng)電能需要保證供電；若P′=0，則說明供需處于平衡.

光伏、風(fēng)力、水力等供給側(cè)出力及用戶用電均與溫度、濕度、風(fēng)速等有著緊密的關(guān)系.但所提方法考慮的是凈負(fù)荷整體，因此需要引入影響因子α來表示氣象條件對凈負(fù)荷的干擾.α的計算表達(dá)式為

α=aTx-aTy+bTx+cTz+dTy

(7)

式中：Tx為溫度數(shù)列；Ty為濕度數(shù)列；Tz為風(fēng)速數(shù)列；a、b、c、d分別為氣象因素對用戶負(fù)荷、光伏、風(fēng)力、水力的影響比例.仿真實(shí)驗(yàn)將青海省某地級市區(qū)域負(fù)荷和供給側(cè)作為研究對象，通過查閱氣象數(shù)據(jù)記錄，確定分布式能源所處工況，從而確定影響比例參數(shù).

2.2 負(fù)荷預(yù)測方法

數(shù)據(jù)挖掘技術(shù)在實(shí)際應(yīng)用過程中對噪聲比較敏感，因此，其泛化性能較差，而SVM方法能較優(yōu)地抑制噪聲干擾.本文將兩者相結(jié)合，先用數(shù)據(jù)挖掘技術(shù)對數(shù)據(jù)進(jìn)行預(yù)處理，以便在建立SVM預(yù)測模型時，不需要再次考慮氣象因素.然后，按照數(shù)據(jù)挖掘預(yù)處理后得到的數(shù)據(jù)特征構(gòu)建負(fù)荷預(yù)測系統(tǒng)，具體預(yù)測流程如圖2所示.

圖2 基于數(shù)據(jù)挖掘的負(fù)荷預(yù)測流程Fig.2 Flow chart of load forecasting based on data mining

負(fù)荷預(yù)測主要流程如下：

1) 根據(jù)預(yù)測相似準(zhǔn)則，從預(yù)處理后的數(shù)據(jù)中選出和待預(yù)測時間段關(guān)聯(lián)的歷史數(shù)據(jù)，如負(fù)荷、供給側(cè)出力等，從而構(gòu)成待預(yù)測時間段的數(shù)據(jù)挖掘樣本集.

2) 采用K-means聚類算法對數(shù)據(jù)集中的氣象因素進(jìn)行聚類，結(jié)合聚類的結(jié)果選出和待預(yù)測時間段氣象條件相同的歷史數(shù)據(jù)集，將其當(dāng)作訓(xùn)練集.

3) 將數(shù)據(jù)集中的氣象數(shù)據(jù)與供給側(cè)出力、負(fù)荷關(guān)系進(jìn)行灰色關(guān)聯(lián)分析，得到氣象數(shù)據(jù)與發(fā)電量關(guān)聯(lián)關(guān)系.

4) 對所得的數(shù)據(jù)集運(yùn)用SVM算法進(jìn)行訓(xùn)練并預(yù)測.

3 實(shí)驗(yàn)結(jié)果與分析

利用智能化量測裝置采集青海省某地級市2019年1～7月的氣象數(shù)據(jù)，同步采集的還有供給側(cè)、用戶側(cè)的電量數(shù)據(jù)，包括水電、風(fēng)電、光伏以及用戶負(fù)荷等，最終構(gòu)成仿真實(shí)驗(yàn)數(shù)據(jù)集.利用MATLAB搭建仿真模型并對所提方法進(jìn)行實(shí)驗(yàn)，電腦為配置為CPU i7-6500K，DDR 36 GB內(nèi)存，Windows 10系統(tǒng).實(shí)驗(yàn)參數(shù)設(shè)置為：γ=0.5，a、b、c、d分別為0.4、0.3、0.2、0.1.

為了評估所提方法的預(yù)測性能，采用平均絕對誤差(MAPE)、均方根誤差(RMSE)、絕對誤差(AE)和預(yù)測準(zhǔn)確度(FA)4個指標(biāo)進(jìn)行評價.

3.1 供給側(cè)出力與負(fù)荷預(yù)測結(jié)果分析

利用所提預(yù)測方法，對2019年8月22～30日風(fēng)、光、水及負(fù)荷的功率進(jìn)行預(yù)測，通過設(shè)定每分鐘一次的采樣頻率分別對風(fēng)電、光伏、水電以及負(fù)荷進(jìn)行數(shù)據(jù)收集，同時通過數(shù)據(jù)擬合，將離散型數(shù)據(jù)近似地轉(zhuǎn)換為連續(xù)的出力曲線，預(yù)測值與真實(shí)值對比結(jié)果如圖3所示.

圖3 供給側(cè)出力與負(fù)荷預(yù)測結(jié)果Fig.3 Supply side output and load forecasting results

由圖3可以看出，無論是供給側(cè)出力或是負(fù)荷側(cè)，預(yù)測結(jié)果與實(shí)際值均相差較小.由于光伏與日照的關(guān)聯(lián)較大，出力曲線成近似鋸齒狀；水力發(fā)電受蓄水時間影響，發(fā)電在短時間內(nèi)完成，因此出力曲線近似柱狀且預(yù)測結(jié)果偏差稍大.根據(jù)供給側(cè)與負(fù)荷側(cè)的電力數(shù)據(jù)，可得到凈負(fù)荷的預(yù)測結(jié)果如圖4所示.

圖4 凈負(fù)荷出力預(yù)測Fig.4 Forecasting of net load output

由圖4可以看出，凈負(fù)荷是多方影響的綜合結(jié)果，與實(shí)際值的變化趨勢保持一致，且數(shù)值相差較小.由于氣象因素變化較大，嚴(yán)重影響了用戶的電量使用情況，因此部分時間段預(yù)測結(jié)果與真實(shí)值相差較大.但整體而言，凈負(fù)荷的預(yù)測結(jié)果是可以滿足要求的.

3.2 預(yù)測性能對比

結(jié)合上述供給側(cè)出力預(yù)測數(shù)據(jù)，利用所提方法對實(shí)驗(yàn)區(qū)域8月上半月的負(fù)荷進(jìn)行了預(yù)測，氣象參數(shù)為前期分布式電源出力預(yù)測時使用的參數(shù)，并使用同期該區(qū)域歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集進(jìn)行數(shù)據(jù)分類預(yù)測.同時，為了驗(yàn)證所提方法的預(yù)測性能，將其與文獻(xiàn)[5]、文獻(xiàn)[9]和文獻(xiàn)[12]的方法進(jìn)行對比，預(yù)測結(jié)果如圖5所示.

圖5 不同方法的預(yù)測擬合曲線Fig.5 Forecasting fitting curves of different methods

由圖5可以看出，相比于其他方法，所提方法的擬合曲線最接近真實(shí)值.由此可見，所提方法的預(yù)測效果較優(yōu)且精度高，是一種新的實(shí)用型方法.文獻(xiàn)[5]采用的改進(jìn)SLIQ算法較為簡單，預(yù)測結(jié)果與真實(shí)值相差較大；文獻(xiàn)[9]結(jié)合奇異譜分析與神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測，其預(yù)測曲線比文獻(xiàn)[5]更接近于真實(shí)值，但干擾因素考慮不夠，影響了預(yù)測結(jié)果；文獻(xiàn)[12]由于無法與氣象等多種因素相適應(yīng)，因此在后期的預(yù)測偏差較大.

為了定量分析所提方法的預(yù)測效果，將不同方法的各評價指標(biāo)匯總?cè)绫?所示.

表1 不同方法的預(yù)測評價結(jié)果Tab.1 Forecasting and evaluation results

從表1中可看出，所提方法的預(yù)測性能最佳，MPAE、RMSE、AE和FA分別為7.05%、0.97 MW、0.83 MW和90.35%.由于所提方法采用數(shù)據(jù)挖掘與SVM相結(jié)合的方法，最大程度地挖掘了氣象與負(fù)荷的關(guān)系，得到了更為精準(zhǔn)的預(yù)測結(jié)果.

此外，由于負(fù)荷預(yù)測需要進(jìn)行大量的數(shù)據(jù)處理和分析，預(yù)測所需時間也是算法性能的一個重要體現(xiàn).以8月下旬21～24單日負(fù)荷情況為研究對象，將所提方法與文獻(xiàn)[5]、文獻(xiàn)[9]、文獻(xiàn)[12]方法進(jìn)行對比，預(yù)測時間對比結(jié)果如圖6所示.

圖6 不同方法的預(yù)測時間Fig.6 Forecasting time obtained by different methods

由圖6可以看出，所提方法的預(yù)測時間相對較短，以24 h為例，其預(yù)測時間約為5 s.由于文獻(xiàn)[5]的算法簡單，前期預(yù)測時間最短，但隨著數(shù)據(jù)的增加，算法分析能力下降，預(yù)測時間超過所提方法，在96 h的預(yù)測時間超過了10 s.文獻(xiàn)[9]以及文獻(xiàn)[12]由于缺乏數(shù)據(jù)預(yù)處理環(huán)節(jié)，整體數(shù)據(jù)量較大，耗時都比較長，96 h的預(yù)測時間最長超過了12 s.

4 結(jié) 論

風(fēng)電、光伏、水力及負(fù)荷的準(zhǔn)確預(yù)測是電網(wǎng)安全和經(jīng)濟(jì)運(yùn)行的重要前提，為此本文提出了一種計及供給側(cè)出力數(shù)據(jù)挖掘的負(fù)荷預(yù)測方法.采用K-means算法和灰色關(guān)聯(lián)分析對樣本數(shù)據(jù)集進(jìn)行預(yù)處理，并提出凈負(fù)荷概念.將處理后的數(shù)據(jù)集輸入SVM預(yù)測模型，實(shí)現(xiàn)負(fù)荷預(yù)測.基于歷史數(shù)據(jù)集和MATLAB平臺對所提方法進(jìn)行實(shí)驗(yàn)，結(jié)果表明，無論是對風(fēng)、光、水供給側(cè)的出力預(yù)測，還是對用戶側(cè)的負(fù)荷預(yù)測，方法均能得到與真實(shí)值較為接近的預(yù)測結(jié)果，且所提方法的各項(xiàng)指標(biāo)均優(yōu)于其他對比方法，具有一定的實(shí)用價值.由于所提方法僅考慮了供給側(cè)出力的影響，未考慮用戶的用電習(xí)慣，因此在接下來的研究中，將重點(diǎn)研究負(fù)荷預(yù)測中的用戶行為，以進(jìn)一步提高負(fù)荷預(yù)測的準(zhǔn)確度.