實時氣象因子對空調(diào)負荷的影響及處理

趙曉丹

(西南交通大學(xué)，四川 成都610031)

隨著人民收入與生活水平的提高、消費觀念的變化，空調(diào)已得到大量普及，形成了不可忽視的空調(diào)負荷。據(jù)統(tǒng)計，除遼寧省以外，其他各省的電網(wǎng)空調(diào)負荷在電網(wǎng)負荷中所占比例均在30%以上，在我國一些經(jīng)濟發(fā)達的省份，尤其是在一些大中城市里，這個比例甚至已經(jīng)達到或超過40%。例如，華東電網(wǎng)2010年夏季空調(diào)負荷約占電網(wǎng)高峰負荷的31%;江蘇省2010年夏季空調(diào)負荷超過700萬kW，約占最高電網(wǎng)負荷的32%;南京市夏季空調(diào)負荷超過120萬kW，約占最高電網(wǎng)負荷的32%［1］。另外，用電負荷可以分為四個部分:基本負荷(與氣象因子相關(guān)性很小)、氣候敏感負荷(與氣象因子相關(guān)性很強)、隨機負荷、突發(fā)事件負荷［1］。文獻［1］中對所有的負荷進行統(tǒng)一預(yù)測，并沒有進行分類預(yù)測，而有的負荷對氣象因子并不敏感，勢必造成負荷預(yù)測的誤差偏大。

空調(diào)負荷屬于典型的氣候敏感負荷，氣象因子對其影響最為明顯，并且由于熱島效應(yīng)和積累效應(yīng)［2-3］，其開停還與之前的氣象因子有關(guān)系。文獻［4］中以前一日的24 h溫度進行空調(diào)負荷預(yù)測，文獻［5］中將溫度、濕度、太陽輻射作為空調(diào)負荷預(yù)測的輸入變量，文獻［6］中將溫度、濕度作為輸入量，這些研究均未將實時氣象因子考慮進去。僅僅考慮這些日特征氣象因素，顯然無法得到更為準(zhǔn)確的結(jié)果。本文將實時氣象因子(溫度、濕度)引入空調(diào)負荷預(yù)測模型中，提高了預(yù)測的準(zhǔn)確性，大大地減小了預(yù)測誤差。

1 溫度、濕度與空調(diào)負荷的相關(guān)性

影響空調(diào)負荷的因素很多［7-9］，如溫度、濕度、風(fēng)速等，把所有影響因素都考慮進去顯然是不科學(xué)的，也是不可能的。本文只把與空調(diào)負荷相關(guān)性最大的溫度、濕度作為影響空調(diào)負荷的氣象因子進行分析。分析中去除雙休日、節(jié)假日的影響，數(shù)據(jù)選取南京市某年的空調(diào)運行負荷。

1.1 溫度與空調(diào)負荷的相關(guān)性分析

為了使空調(diào)負荷與溫度在同一坐標(biāo)下進行比較，對空調(diào)負荷數(shù)據(jù)按式(1)進行比例變換。

式中，L'，Lt，Lmax分別為空調(diào)負荷百分比，第 t(t屬于1～24)時段空調(diào)負荷，最大空調(diào)負荷。

根據(jù)南京市2009年統(tǒng)計數(shù)據(jù)得到空調(diào)負荷與溫度的關(guān)系和溫度與空調(diào)負荷散點圖，如圖1和圖2所示。

圖1 空調(diào)負荷百分比與溫度關(guān)系

圖2 溫度與空調(diào)負荷散點圖

由圖1和2可見，溫度對空調(diào)負荷的影響很明顯，相關(guān)系數(shù)為0.728 8，溫度較高時空調(diào)負荷增加，溫度較低時空調(diào)負荷下降。18點以后空調(diào)負荷下降，可能是因為工作人員下班所致，而20點以后空調(diào)負荷增加，主要是居民空調(diào)負荷上升?？照{(diào)負荷的波動是因為分時電價，以及其他氣象因子如風(fēng)速等的影響。

1.2 濕度與空調(diào)負荷相關(guān)性分析

濕度與空調(diào)負荷關(guān)系圖和濕度與空調(diào)負荷散點圖如圖3和圖4所示。

圖3 空調(diào)負荷百分比與濕度的關(guān)系

由圖3和圖4可見，濕度與空調(diào)負荷呈現(xiàn)出明顯的負相關(guān)性，相關(guān)系數(shù)為0.625，即濕度較大時，空調(diào)負荷較低;濕度較高時，空調(diào)負荷較低。濕度與空調(diào)負荷的相關(guān)性不如溫度與空調(diào)負荷的相關(guān)性明顯。

2 空調(diào)負荷預(yù)測模型中考慮實時氣象因子

目前，空調(diào)負荷預(yù)測中考慮的氣象因子主要是日最高溫度、日平均濕度、日天氣類型等。但是，氣象因子還具有實時性的特點［1，10］，即天氣情況發(fā)生突變時，會對空調(diào)負荷造成相當(dāng)程度的波動，簡單地用日最高溫度、日平均濕度、日天氣類型等氣象因子無法準(zhǔn)確地預(yù)測出空調(diào)負荷。除此之外，氣象因子的變化對空調(diào)負荷的影響是滯后的，在以15 min為間隔的96點負荷預(yù)測中尤為明顯。由此可知，空調(diào)負荷預(yù)測模型將是一個多輸入問題，處理多輸入問題比較好的方法是BP神經(jīng)網(wǎng)絡(luò)。

圖4 濕度與空調(diào)負荷散點圖

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層(input)、隱藏層(hide layer)和輸出層(output layer)。隱藏層中的神經(jīng)元均采用sigmoid型傳遞函數(shù);輸出層的神經(jīng)元采用線性傳遞函數(shù)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)

2.2 L-M算法

L-M算法是高斯-牛頓算法的改進，既有高斯-牛頓算法的局部特性又有梯度法的全局特性。由于利用了近似的2階導(dǎo)數(shù)信息，L-M算法比梯度下降法速度快很多。

設(shè)誤差指標(biāo)函數(shù)為:

式中，ti，oi為期望輸出與實際輸出的誤差，E(W)表示誤差指標(biāo)函數(shù)。

設(shè)W(k)表示第k次迭代的網(wǎng)絡(luò)權(quán)值向量，維數(shù)為M新的權(quán)值向量，W(k+1)可根據(jù)下面的規(guī)則求得:

L-M算法是改進的高斯-牛頓算法，形式為:

式中，比例系數(shù)μ＞0;I是單位矩陣;J為雅可比矩陣。

在實際操作過程中μ是一個試探性的數(shù)。對于給定的μ，如果求得的ΔW能使誤差指標(biāo)函數(shù)E(W)降低，則μ降低;反之，則μ增加。

2.3 神經(jīng)網(wǎng)絡(luò)設(shè)計

本文用一日96點計算，用神經(jīng)網(wǎng)絡(luò)形成96點空調(diào)負荷預(yù)測模型。此外需要對一天的氣象因子進行插值處理，形成96點數(shù)據(jù)。合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，既不能過于龐大，又要盡量包含所有的影響空調(diào)負荷的氣象因子。本文使用三層網(wǎng)絡(luò)結(jié)構(gòu)，即一個隱含層。輸出為預(yù)測日的空調(diào)負荷。輸入層對準(zhǔn)確預(yù)測很關(guān)鍵，本文輸入層由17個輸入神經(jīng)元構(gòu)成:

(1)當(dāng)日的星期類型;

(2)當(dāng)前時段;

(3)當(dāng)日當(dāng)前時段的前1時段的負荷;

(4)當(dāng)日當(dāng)前時段的前1小時(4時段)的負荷;

(5)當(dāng)日當(dāng)前時段的溫度;

(6)當(dāng)日當(dāng)前時段的前1時段的溫度;

(7)當(dāng)日當(dāng)前時段的前1小時(4時段)的溫度;

(8)當(dāng)日當(dāng)前時段的濕度;

(9)當(dāng)日當(dāng)前時段的前1時段的濕度;

(10)當(dāng)日當(dāng)前時段的前1小時(4時段)的濕度;

(11)上周同類型日的當(dāng)前時段的負荷;

(12)上周同類型日的當(dāng)前時段的前1時段的負荷;

(13)上周同類型日的當(dāng)前時段的前1小時(4時段)的負荷;

(14)上周同類型日的當(dāng)前時段的溫度;

(15)上周同類型日的當(dāng)前時段的前1時段的溫度;

(16)上周同類型日的當(dāng)前時段的濕度;

(17)上周同類型日的當(dāng)前時段的前1時段的濕度。

該輸入變量的選取，考慮到了氣象因子滯后效應(yīng)，同時保留了同類型日預(yù)測的思想。

3 算例分析

本文數(shù)據(jù)選用南京市1999年空調(diào)負荷數(shù)據(jù)進行訓(xùn)練與預(yù)測。圖6顯示了空調(diào)負荷預(yù)測結(jié)果。

曲線表示，可以看出:

(1)考慮實時氣象因子的空調(diào)負荷預(yù)測結(jié)果與實際負荷相差很小，最大誤差在2%以內(nèi);

(2)預(yù)測結(jié)果與實際結(jié)果之間的誤差可能是空調(diào)負荷的計算誤差和樣本訓(xùn)練誤差引起的。

圖6 預(yù)測空調(diào)負荷與實際空調(diào)負荷對比

3.1 預(yù)測模型比較

為了驗證該模型的有效性，將不同的幾種空調(diào)負荷預(yù)測模型進行誤差比較。誤差定義如下:

式中，ξ1和ξ2分別為平均絕對百分誤差和絕對百分誤差，Lt和lt分別為第t時刻的空調(diào)負荷預(yù)測值和實際值。

該模型與考慮日最高溫度、日平均濕度模型［13］進行比較，結(jié)果如表1所示。

表1 誤差比較

從表1可以看出，該模型，即考慮實時氣象因子模型的平均絕對誤差和絕對誤差，均遠小于考慮日最高溫度、日平均濕度模型。

4 結(jié)束語

通過對氣象因子溫度、濕度對空調(diào)負荷影響的剖析，提出了考慮實時氣象因子的空調(diào)負荷預(yù)測模型，并進行算例分析，驗證了該模型的有效性。

空調(diào)負荷預(yù)測模型中的氣象數(shù)據(jù)與空調(diào)負荷數(shù)據(jù)的獲取，直接關(guān)系著預(yù)測模型的準(zhǔn)確性。

［1］ 康重慶，周安石，王鵬，等.短期負荷預(yù)測中實時氣象因素的影響分析及其處理策略［J］.電網(wǎng)技術(shù)，2006，(7):5-10.

［2］ 邱新法，顧麗華，曾燕.南京市城市干島和濕島效應(yīng)研究［J］.氣候與環(huán)境研究，2008，(6):808-809.

［3］ 黎燦兵.氣溫影響空調(diào)負荷的累積效應(yīng)導(dǎo)致能耗的分析［J］.電力系統(tǒng)自動化，2010，(20):30-33.

［4］ 徐今強，肖睿，黃沖，等.空調(diào)負荷預(yù)測模型及仿真研究［J］.華中科技大學(xué)學(xué)報:自然科學(xué)版，2009，(Supp1):259-260.

［5］ 唐莉，唐中華，靳俊杰.最小二乘支持向量機(LSSVM)在短期空調(diào)負荷預(yù)測中的應(yīng)用［J］.建筑節(jié)能，2013，(2):56-58.

［6］ 糜作維.空調(diào)負荷的預(yù)測與建模［D］.南京:河海大學(xué)，2005.

［7］ 陸建宇，王亮，王強，等.華東電網(wǎng)氣象負荷特性分析［J］.華東電力，2006，(11):38-42.

［8］ 王治華，李揚，趙翠宇，等.南京市夏季氣溫敏感負荷研究［J］.電力系統(tǒng)自動化，2002，(3):60-63.

［9］ 張志強.基于電網(wǎng)側(cè)的空調(diào)負荷特性分析及其調(diào)控措施研究［D］.北京:華北電力大學(xué)(北京)，2007.

［10］ Karaki.Weather sensitive short-term load forecasting using artificial neural network and time series［J］.International Journal of Power and Energy Systems，1999，(3):251-256.

［11］ 杜小瑾.中央空調(diào)輪停技術(shù)在夏季缺電形式下的應(yīng)用［D］. 南京:東南大學(xué)，2006.

［12］ 朱曉清.電力負荷的分類及應(yīng)用［D］.廣州:華南理工大學(xué)，2012.

［13］ 劉旭，羅滇生，姚建剛，等.基于負荷分解和實時氣象因素的短期負荷預(yù)測［J］.電網(wǎng)技術(shù)，2009，(12):94-100.