能量管理系统_EMS电力系统负荷预报

1、能量管理系统(E M S 第4讲电力系统负荷预报汪峰于尔铿周京阳(电力部电力科学研究院100085北京摘要介绍了能量管理系统(E M S 中, 电力系统负荷预报的内容、作用, 概述了超短期、短期、中期、长期及母线负荷预报的模型和实现方法, 说明了负荷预报应用软件的设计。关键词负荷预报神经网络灰色系统时间序列1997-03-14收稿。411电力系统负荷预报概述能量管理系统(E M S 需要过去(历史 、(实时 和未来(计划 3类数据, 数据的主要来源。常重要的, 全性, 又能改善电力系统运行的经济性。电力系统负荷预测分为系统负荷预测和母线负荷预测两类; 而系统负荷预测按周期又有超短期、短期、中期

2、和长期之分。超短期负荷预测用于质量控制, 需510s 负荷值, 用于安全监视需15m in 负荷值, 用于预防控制和紧急状态处理需1060m in 负荷值, 使用对象是调度员; 短期负荷预测主要用于火电分配、水火电协调、机组经济组合和交换功率计划, 需要17d 的负荷值, 使用对象是编制调度计划的工程师; 中期负荷预测主要用于水库调度、机组检修、交换计划和燃料计划, 需要1月1年的负荷值, 使用对象是编制中长期运行计划的工程师; 长期负荷预测用于电源和网络发展, 需要数年至数十年的负荷值, 使用对象是规划工程师。母线负荷预测由系统负荷预测取得某一时刻系统负荷值, 并将其分配到每一母线上。负荷预

3、测的最重要指标是精度, 其次才是模型与算法的选择。表1列出系统负荷预测的周期、用途、模型和一般算法, 以供参考。412电力系统负荷预报基本模型针对影响系统负荷的因素, 系统总负荷一般可以描述为:L (t =B (t +W (t +S (t +V (t 为; B (t 为t 时刻; W (t 为t 时刻的天气敏感负荷分量; S (t 为t 时刻的特别事件负荷分量; V (t 为t 时刻的随机负荷分量。表1各种类型的电力系统负荷预测一览Table 1Reco mm enda tion s of m odels and a lgor ith m s to预测类型预测周期用途模型算法3超短期数分钟数小

4、时A GC安全监视线性1, 2, 3, 4短期17d 机组、水电、交换计划线性×周期1, 2, 4中期1月1年水库、检修、燃料计划线性×周期1, 2, 4长期多年发电、网络规划线性×周期1, 2, 531. 线性外推法, 2. 时间序列法, 3. 卡尔曼滤波法,4. 人工神经网络法, 5. 灰色理论41211基本正常负荷分量不同的预测周期, B (t 分量具有不同的内涵。对于超短期负荷预测, B (t 近似线性变化, 甚至是常数; 对于短期负荷预测, B (t 一般呈周期性变化; 而中长期负荷预测中, B (t 呈明显增长趋势的周期性变化。对于基本正常负荷分量,

5、可用线性变化型模型和周期变化型模型描述, 或用两者的合成共同描述。412 12天气敏感负荷分量影响负荷的天气因素有温度、湿度、风力、阴晴等, 根据大量给定的过去若干天负荷和天气数据记录, 进行数据处理和相关性分析, 以决定其天气敏感负荷模型。41213特别事件负荷分量特别事件负荷分量指的是特别电视节目、重大政治活动等对负荷造成的影响。可以用专家系统建661997年4月电力系统自动化A u tom ati on of E lectric Pow er System s第21卷第4期模方法来实现; 也可以简单地用人工修正来实现, 通常用因子模型来描述。因子模型又可以分为乘子模型和叠加模型两种。41

6、214随机负荷分量对于给定的过去一段时间的负荷记录, 提取出基本负荷分量、天气敏感负荷分量和特别事件负荷分量后, 剩余的残差即为各时刻的随机负荷分量, 可以看成是随机时间序列。目前, 处理这样问题的最有效办法是Box -Jenk in s 的时间序列法。413电力系统负荷预报基本算法41311最小二乘拟合方法负荷发展趋势的预报可以用最小二乘方法, 就是把负荷序列的发展趋势用方程式表示出来, 进而41312回归分析方法的一种数学方法。, 自变量是随机变量, 因变量是非随机变量, 由给定的多组自变量和因变量资料, 研究各自变量和因变量之间的关系, 形成回归方程, 解回归方程后, 如给定各自变量数值

7、, 即能求出因变量值。41313时间序列方法时间序列模型有自回归(A R 、动平均(M A 、自回归动平均(A RM A 、累积式自回归动平均(A R I M A 模型。模型辨识的基本途径是对原时间序列的相关分析, 也就是计算序列的均值、自相关和偏相关函数, 从而确定模型的类型。模型辨识后, 就要利用原序列有关的样本数据, 对模型参数进行估计。41314卡尔曼(Kal m an 滤波方法卡尔曼滤波方法, 是建立状态空间模型, 把负荷作为状态变量, 用状态方程和量测方程来描述。卡尔曼滤波算法递推地进行计算, 适用于在线负荷预测。这是在假定噪声的统计特性已知的情况下得出的, 事实上, 估计噪声的统

8、计特性是应用该方法的难点所在。41315人工神经网络方法人工神经网络的研究内容侧重于网络模型与算法和应用系统两方面。对于不同的预测目的, 在组织训练样本上, 一般有两种策略。一种是训练样本全部由过去的历史负荷数据组成; 另一种是训练样本由过去的历史负荷数据和影响负荷变化因素的历史记录组成, 考虑了影响负荷变化的因素。训练样本采用哪种策略, 一般视具体情况而定, 其目的都是取得有代表性的训练样本, 通过学习, 让神经网络形成记忆, 具有了经验, 进行负荷预报。41316灰色系统方法灰色系统理论应用于电力系统负荷预测, 如果将影响负荷的各种复杂因素联合起来看成一个大系统, 那么它兼有确定性和不确定

9、性, 本征性和非本征性灰色系统特征。实际的负荷历史资料能够清楚地显示出其灰色系统特征, 年、月、日的负荷既有逐年增长趋势的确定性的一面, 同时又有每年、每月、每日负荷随机变化的不确定性的一面, 因此, 可。G M 1, 1 , 主要。41411超短期负荷预报基本模型负荷预报的数学模型, 应明确表示目前负荷和过去负荷、影响负荷因素及干扰之间的关系。当预测负荷的周期不同时, 负荷变化将呈现不同的规律和特性, 描述负荷的模型当然也不同。超短期负荷预报, 因为预报时间短, 那么在当前时刻t 1到预报时刻t 2里的负荷变化可以看作是线性模型:y (t =a +b t 参数a 和b , 由历史负荷记录获得

10、。41412线性外推方法线性外推方法, 就是根据已知的历史资料来拟合一条曲线, 使得这条曲线能反映负荷本身的变化趋势, 这种方法是一种确定外推, 因为在处理负荷历史数据, 拟合曲线过程中, 都可以不考虑随机变量。41413时间序列方法(1 不论所研究的负荷序列变化过程是一个平稳随机过程, 或者是一个非平稳随机过程, 总是用一个A R 模型, 或者A RM A 模型来描述它, 其标准是均方误差为最小。(2 第一步是要建立一个给定阶数的A R 模型, 其原则是使均方误差为最小, 并以此进行参数 估计。为达到此目的, 应逐步增加模型阶数。(3 在A R 模型阶数增加到一定时, 误差仍然很大, 那么需

11、要引入一个A RM A 模型, 来进一步确切地描述这个过程。在所有(p , q 模型中, 均方误差最小者, 为所需要模型。(4 在最佳模型基础上进行预报。76 技术讲座 汪峰等能量管理系统(E M S :第4讲电力系统负荷预报41414卡尔曼滤波方法超短期负荷预报的特点是预报周期短, 精度是技术的关键。应用极大似然估计的卡尔曼滤波方法正是这样一种强有力的工具。将负荷分解为确定分量和随机分量。确定分量一般用一阶线性模型描述和预测, 随机分量V (t 可用状态空间表示。卡尔曼滤波方法在实用中最大的障碍是如何求得量测噪声与系统噪声方差。最新的技术是采用极大似然估计来决定量测噪声与系统噪声方差。414

12、15人工神经网络方法由超短期负荷预报模型, 预测时刻负荷和前面若干时刻负荷具有一定的内在规律, 构成相关特性, 以此来决定训练样本, 一般由过去n 天在预测时间段内的负荷来构成训练样本。415短期负荷预报41511, 日负荷至周负荷的变化, 受特别事件(天气 影响明显, 对应特别事件(天气 负荷分量模型, 同时还存在随机负荷分量。线性变化模型用来描述日平均负荷变化规律, 周期模型用来描述24h 为周期的变化规律。特别事件(天气 负荷分量, 负荷在一定程度上, 受此分量影响颇大, 进一步提高负荷预报精度, 关键是科学合理地预测特别事件(天气 负荷分量, 但这往往不是一件容易的事情。随机负荷分量,

13、 一般由时间序列模型描述。41512基于温度准则的外推方法(1 确定预报日类型是工作日还是休息日; (2 取和预报日同类型的过去几天负荷并分别归一化;(3 把上述取得的几天负荷归一化系数平均, 得到该类型预报的日负荷变化系数;(4 读取预报地区该预报日的最高温度T m ax 和最低温度T m in ;(5 由天气负荷模型, 计算预报日的最大负荷L m ax 和最小负荷L m in ;(6 计算预测的每小时负荷L (i :L (i =L n (i (L m ax -L m in +L m in 其中L (i 小于第i 小时预测负荷(i =1, 2, ,24 。41513B P 神经网络日负荷预报

14、B P 神经网络用于日负荷预报, 其关键工作同样在于选择样本空间。样本空间应反映一天负荷变化的周期性, 前后一段时间负荷变化的相似性, 负荷和天气因素的相关性。不同的样本组织策略, 代表了不同的神经网络预测模型, 需要样本空间真实地反映所有负荷变化模式, 那么, 网络通过训练后, 进行负荷预报, 则适用性强, 精度高; 反之, 则某些情况下精度下降。416中期负荷预报41611中期负荷预报基本模型由电网逐年按月的用电负荷变化规律, 对于中期负荷预报, 从负荷变化特性和影响因素考虑的不同着重点出发, 。第二种方法, 把电网用电负荷分为3个部分:L (t =X (t +Z (t +V (t 式中L

15、 (t 为电网用电负荷; X (t 为趋势项; Z (t 为季节项; V (t 为随机项。用电负荷变化的趋势项X (t , 主要受宏观经济需电影响, 呈现趋势变化特性; 季节项部分Z (t , 通常以12个月为变化周期, 主要受社会用电特性影响; 随机项部分V (t , 受各种偶然因素和不确定性干扰的影响。41612基于气候负荷模型的方法首先确定季节性气候负荷模型, 从负荷的历史记录资料中把敏感于气候的负荷分量和不敏感于气候的负荷分量彼此区分开来; 其次, 预报不敏感于气候的负荷分量的平均值和方差, 建立模型; 第三, 预报敏感于气候的负荷分量的平均值和方差; 最后, 把上述两个分量叠加, 就

16、可以得到总的用电负荷的平均值和方差。41613灰色系统方法该方法是一种月负荷时间序列的灰色系统预测方法, 可以分三步进行。第一, 用灰色系统方法进行趋势项的滤波和模拟预测, 从而确立一个适当的趋势项模型 ; 第二, 进行季节项和残差序列的提取, 季节项提取主要根据月负荷以12个月为周期的变化; 第三, 进行残差项的模拟及预测, 可以采用时间序列方法或灰区间分析和预测方法。417长期负荷预报长期负荷预报是指未来数年至数十年的用电负荷预测。一个大电网用电负荷的年际变化明显地受到该地区社会经济、人口、气候等多因素影响。从年86际变化的长期用电负荷预测而言, 一定是具有增长变化的特性, 若假定为线性增

17、长型模型, 把过去年际用电负荷的历史记录, 用特定的数学方法, 外推到预测年份, 一般也能较好地符合实际情况, 达到一定的预报精度。41711递推B P 神经网络长期负荷预测B P 神经网络通过它的学习功能, 能够把握较复杂的事物发展的内部规律性, 预测时, 利用其惯性外推能力, 思路是:事物未来发展的某个状态是受其前面若干状态的影响或制约的, 电网用电负荷也同样遵循这一规律。设第t 年的电网用电负荷为X (t , 则有下式成立:X (t =f X (t -1 , X (t -2 , , X (t -n 其中X (t -i 是过去第i 这种预测方法, 41841811将上一级负荷按比例(在各时

18、段为常数 分配到下一级负荷。41812考虑负荷区域不一致性的模型在这一模型中, 最高层为系统负荷P D F , 第2层为区域负荷P V j , 第3层为母线负荷P D K 。在P D F 到P V j 之间采用随时间变化的分配系数, 在P V j 到P D K 之间仍可以采用常数型的分配系数。41813考虑负荷类型不一致的模型在这一模型中, 最高层为系统负荷P D F , 第2层为类型负荷P T i , 第3层为母线负荷P D K 。在P D F 到P T i 之间采用随时间变化的分配系数, 在P T i 到P D K 之间仍可以采用常数型的分配系数。41814混合负荷模型在这一负荷树中, 第

19、1层为系统负荷, 第2层是负荷类型, 第3层是地域划分, 第4层是母线负荷。在系统负荷P D F 到类型负荷P T i 之间采用随时间变化的分配系数; 在类型负荷P T i 到区域负荷P V j 之间采用随时间变化的分配系数, 也可以采用常数; 在区域负荷P V j 到母线负荷P D K 之间一般采用常数分配系数。41815母线负荷预测母线负荷预测的步骤是:(1 确定母线负荷预测用的模型; (2 确定或维护负荷模型参数;(3 对指定的时间和系统负荷(预测值 计算各母线负荷。419电力系统负荷预报软件设计在总体设计上, 、短期、中, 根。, 要求和实时系统相连, 随时获取。电力系统负荷预报软件, 应该基于数据库开发, 利用最新计算机发展的网络和存储技术, 实时获得电网负荷数据, 并能存储电网全部历史负荷数据。图1给出其总体设计框图。图1总体结构框图Fi g . 1Over all structure di a gr a m长期中期短期超短期负荷预报各项功能历史负荷数据库3(按年 月历史负荷数据库2(按月 日 历史负荷数据库1(按日 小时 实时负荷预报数据库(按日 分 实时负荷数据汪峰, 硕士, 现从事电力系统负荷预报工作。于尔铿, 1938年生, 国家有突出贡献的专家, 博士生导师, 研究领域:电力系统经济调度、状态估