基于精準(zhǔn)氣象數(shù)據(jù)的地區(qū)電網(wǎng)短期負(fù)荷智能預(yù)測(cè)系統(tǒng)設(shè)計(jì)

李丹，張遠(yuǎn)航，李黃強(qiáng)，童華敏，王凌云

(1.三峽大學(xué) 電氣與新能源學(xué)院，湖北 宜昌 443002；2.梯級(jí)水電站運(yùn)行與控制湖北省重點(diǎn)實(shí)驗(yàn)室（三峽大學(xué)），湖北 宜昌 443002；3.國(guó)網(wǎng)湖北省電力公司宜昌供電公司，湖北 宜昌 443000)

0 引言

短期負(fù)荷預(yù)測(cè)是市場(chǎng)環(huán)境下編排調(diào)度計(jì)劃、供電計(jì)劃、交易計(jì)劃的基礎(chǔ)。隨著新能源和分布式電源的不斷接入，電網(wǎng)調(diào)度對(duì)負(fù)荷預(yù)測(cè)的準(zhǔn)確性、實(shí)時(shí)性、可靠性提出了更高的要求。負(fù)荷預(yù)測(cè)的精準(zhǔn)度和自動(dòng)化程度已經(jīng)成為衡量現(xiàn)代化電力系統(tǒng)調(diào)度運(yùn)行水平的一個(gè)重要標(biāo)志。

在短期負(fù)荷預(yù)測(cè)中，氣象因素有著至關(guān)重要的影響[1-5]。目前許多文獻(xiàn)在短期負(fù)荷預(yù)測(cè)中考慮了氣象因素[6-10]，文獻(xiàn)[6]將溫度與降雨量作為相關(guān)氣象因素，對(duì)具有相似性的負(fù)荷樣本日進(jìn)行分類(lèi)，提高了相似日與預(yù)測(cè)日之間的相似度。文獻(xiàn)[7]提出了人體舒適度模型，較好地考慮到了氣象因素對(duì)氣象敏感負(fù)荷的影響。文獻(xiàn)[8]針對(duì)負(fù)荷受氣溫影響所存在的累積效應(yīng)，提出了一種動(dòng)態(tài)選取相似日的思路，對(duì)日平均負(fù)荷進(jìn)行預(yù)測(cè)。文獻(xiàn)[9]以氣象數(shù)據(jù)作為影響因素選取氣象相似工作日，對(duì)節(jié)假日最大日負(fù)荷進(jìn)行預(yù)測(cè)。雖然以上文獻(xiàn)在短期負(fù)荷預(yù)測(cè)中考慮了氣象因素，但用電負(fù)荷特性和氣象條件在同一地區(qū)的不同區(qū)縣之間存在較大差異，導(dǎo)致預(yù)測(cè)誤差增大。文獻(xiàn)[10]根據(jù)協(xié)整理論采用統(tǒng)計(jì)分析系統(tǒng)軟件（statistical analysis system, SAS）建立起電力負(fù)荷序列與輸入序列“溫度”之間的 自回歸滑動(dòng)平均模型 (auto regression and moving average model with exogenous input, ARMAX) 模型，充分挖掘序列的內(nèi)部自相關(guān)信息以及序列與序列之間的相關(guān)關(guān)系。

對(duì)此，基于氣象部門(mén)提供的氣象數(shù)據(jù)精細(xì)化預(yù)報(bào)服務(wù)，引入分時(shí)分區(qū)氣象數(shù)據(jù)，分析清潔能源和用電負(fù)荷等多種功率分量的規(guī)律性，結(jié)合專家經(jīng)驗(yàn)，根據(jù)各功率分量特點(diǎn)采取多種特征選擇模式和預(yù)測(cè)方法，開(kāi)發(fā)地方電網(wǎng)短期負(fù)荷預(yù)測(cè)系統(tǒng)，改變目前主要依賴人工經(jīng)驗(yàn)的短期負(fù)荷預(yù)測(cè)工作模式，提高負(fù)荷預(yù)測(cè)工作的自動(dòng)化和規(guī)范化程度，促進(jìn)地區(qū)電網(wǎng)負(fù)荷管理工作水平的提升。

1 系統(tǒng)模塊功能設(shè)計(jì)

本文開(kāi)發(fā)了以地區(qū)電網(wǎng)為主要應(yīng)用對(duì)象的日前負(fù)荷曲線預(yù)測(cè)系統(tǒng)。預(yù)測(cè)系統(tǒng)采用結(jié)構(gòu)化、模塊化和開(kāi)放式接口設(shè)計(jì)的程序設(shè)計(jì)思想，至上而下逐級(jí)細(xì)化，在滿足總體功能的同時(shí)，進(jìn)一步優(yōu)化各子模塊的細(xì)節(jié)設(shè)計(jì)。預(yù)測(cè)系統(tǒng)的設(shè)計(jì)架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)設(shè)計(jì)Fig.1 System architecture design

（1）數(shù)據(jù)管理模塊。該模塊實(shí)現(xiàn)對(duì)負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)記錄的“增、刪、改、查”操作，確保預(yù)測(cè)所需數(shù)據(jù)的完備性和正確性。針對(duì)數(shù)據(jù)采集與監(jiān)視控制系統(tǒng) (supervisory control and data acquisition, SCADA)導(dǎo)出的負(fù)荷數(shù)據(jù)和氣象部門(mén)提供的氣象預(yù)測(cè)數(shù)據(jù)格式。本模塊提供了Excel數(shù)據(jù)表形式的數(shù)據(jù)批量導(dǎo)入功能。

（2）負(fù)荷預(yù)測(cè)模塊。該模塊是短期負(fù)荷預(yù)測(cè)系統(tǒng)的核心，它不僅可預(yù)測(cè)地區(qū)用電負(fù)荷，而且還可實(shí)現(xiàn)對(duì)多種功率分量的預(yù)測(cè)。針對(duì)不同類(lèi)型負(fù)荷的特點(diǎn)，本模塊設(shè)計(jì)了多種特征選擇模式和預(yù)測(cè)方法供用戶靈活選用。當(dāng)用戶選取預(yù)測(cè)日期后，系統(tǒng)會(huì)自動(dòng)顯示該預(yù)測(cè)日特征，如節(jié)假日、季節(jié)等與當(dāng)前預(yù)測(cè)的功率分量相關(guān)聯(lián)的氣象特征。根據(jù)這些特征信息，用戶可更準(zhǔn)確地選擇歷史參照日，從系統(tǒng)提供的特征選擇模式和預(yù)測(cè)方法庫(kù)中選擇更適合的特征模式和預(yù)測(cè)方法，實(shí)現(xiàn)對(duì)指定預(yù)測(cè)日功率分量曲線的定制化預(yù)測(cè)。預(yù)測(cè)結(jié)束后，可顯示預(yù)測(cè)曲線與歷史負(fù)荷曲線的對(duì)比圖，供預(yù)測(cè)人員參考。

（3）預(yù)測(cè)結(jié)果評(píng)價(jià)模塊。該模塊實(shí)現(xiàn)對(duì)指定時(shí)間段內(nèi)負(fù)荷預(yù)測(cè)誤差的統(tǒng)計(jì)分析和預(yù)測(cè)數(shù)據(jù)文件的批量輸出。通過(guò)對(duì)比負(fù)荷預(yù)測(cè)曲線與實(shí)際曲線，評(píng)價(jià)分析預(yù)測(cè)結(jié)果的準(zhǔn)確性，幫助預(yù)測(cè)人員實(shí)時(shí)了解當(dāng)前負(fù)荷預(yù)測(cè)精度水平。

（4）接口模塊。本系統(tǒng)與地方電網(wǎng)能量管理系統(tǒng) (energy management system，EMS)和該地方氣象臺(tái)通過(guò)接口實(shí)現(xiàn)數(shù)據(jù)傳輸。其中所需要的歷史負(fù)荷數(shù)據(jù)來(lái)自該電網(wǎng)EMS的萬(wàn)維網(wǎng)服務(wù)器上的數(shù)據(jù)庫(kù)。

2 預(yù)測(cè)特征模式及算法庫(kù)

特征選擇模式及方法庫(kù)如圖2所示。根據(jù)氣象數(shù)據(jù)的精細(xì)化程度，本系統(tǒng)提供了3種特征選擇模式供用戶結(jié)合實(shí)際情況選取，可通過(guò)分析不同功率分量的規(guī)律，根據(jù)各自特點(diǎn)分別選取針對(duì)性的方法建立相應(yīng)模型。

圖2 特征選擇模式及方法庫(kù)Fig.2 Feature selection modes and method library

（1）地區(qū)網(wǎng)供負(fù)荷。由于地區(qū)網(wǎng)供負(fù)荷受到清潔能源上網(wǎng)功率不確定性的影響，因此其規(guī)律性較差。對(duì)此本系統(tǒng)采用兩階段還原法[11]對(duì)地區(qū)網(wǎng)供負(fù)荷進(jìn)行預(yù)測(cè)，其總體思想為分解、預(yù)測(cè)、還原，將網(wǎng)供負(fù)荷分解為多種功率分量分別預(yù)測(cè)，然后組合還原得到網(wǎng)供負(fù)荷預(yù)測(cè)結(jié)果。

（2）小水電功率。通過(guò)對(duì)小水電功率特性分析可知，受到降雨量滯后效應(yīng)和累積效應(yīng)的影響，小水電功率曲線的波動(dòng)性較大，而最大、最小功率的變化則較有規(guī)律。為此，本系統(tǒng)采用特征組合預(yù)測(cè)模型對(duì)小水電功率進(jìn)行預(yù)測(cè)，預(yù)測(cè)流程如圖3所示。

圖3 特征組合預(yù)測(cè)模型流程Fig.3 Flow of feature combination prediction model

（3）區(qū)域互供負(fù)荷和風(fēng)/光上網(wǎng)功率。由于本開(kāi)發(fā)系統(tǒng)所在地區(qū)新能源歷史上網(wǎng)功率數(shù)據(jù)及相關(guān)精細(xì)化氣象數(shù)據(jù)資料較少，難以針對(duì)其分析建立良好的模型。而區(qū)間互供負(fù)荷，在時(shí)間序列上存在延續(xù)性。故對(duì)新能源上網(wǎng)功率和區(qū)間互供負(fù)荷，采用灰色預(yù)測(cè)法[12-14]、回歸分析法[15-17]和指數(shù)平滑法[18-19]等方法進(jìn)行預(yù)測(cè)。

（4）地區(qū)用電負(fù)荷。目前對(duì)于地區(qū)用電負(fù)荷的研究方法多為智能預(yù)測(cè)法[20-25]。本系統(tǒng)圍繞其數(shù)據(jù)時(shí)序性和非線性的特點(diǎn)，采用兼顧數(shù)據(jù)時(shí)序性和非線性關(guān)系的時(shí)間序列神經(jīng)網(wǎng)絡(luò)、動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)（long-short term memory,LSTM）建立模型，對(duì)其進(jìn)行回歸預(yù)測(cè)。

3 系統(tǒng)工作流程

本系統(tǒng)針對(duì)地區(qū)用電負(fù)荷PL、小水火電功率Pw、新能源上網(wǎng)功率PN和區(qū)間互供負(fù)荷PH進(jìn)行影響因素分析。輸入量為地區(qū)用電功率、小水火電功率、新能源上網(wǎng)功率及區(qū)間互供負(fù)荷功率，并包含了預(yù)測(cè)日d的分時(shí)分區(qū)氣溫、降雨量、太陽(yáng)輻照度、風(fēng)速。確定各功率分量的輸入量后，用戶可針對(duì)不同功率分量，選用特征選擇模式和預(yù)測(cè)方法。系統(tǒng)負(fù)荷預(yù)測(cè)流程如圖4所示。

圖4 系統(tǒng)負(fù)荷預(yù)測(cè)流程Fig.4 Load forecasting flow of the system

4 算例分析

在該地區(qū)電網(wǎng)日?？己酥?，對(duì)網(wǎng)供負(fù)荷及地區(qū)用電負(fù)荷平均日負(fù)荷預(yù)測(cè)精度要求應(yīng)在96%以上，僅依靠調(diào)度人員的人工經(jīng)驗(yàn)，難以保證預(yù)測(cè)的及時(shí)性和準(zhǔn)確性。

供電公司日負(fù)荷預(yù)測(cè)準(zhǔn)確率A為

式中：PFi、PRi分別為預(yù)測(cè)日i時(shí)刻負(fù)荷的預(yù)測(cè)值和實(shí)際值；n為日負(fù)荷預(yù)測(cè)總點(diǎn)數(shù)。

以2018年6月4日為例，在3種預(yù)測(cè)模式下，采用特征組合預(yù)測(cè)法和時(shí)間序列神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。預(yù)測(cè)曲線對(duì)比如圖5～6所示。

圖5 2018年6月4日負(fù)荷預(yù)測(cè)曲線對(duì)比Fig.5 Comparison of load forecasting curves on Jun.4,2018

圖6 2018年6月4日小水火電功率預(yù)測(cè)曲線對(duì)比Fig.6 Comparison of power forecast curves of small hydro & thermal power unit on Jun.4, 2018

根據(jù)式（1），得到在不同預(yù)測(cè)模式下地區(qū)用電負(fù)荷及小水火電功率預(yù)測(cè)準(zhǔn)確率，如表1所示。從表1中可以看出，當(dāng)輸入氣象數(shù)據(jù)精細(xì)化程度提高時(shí)，各功率分量預(yù)測(cè)精度得到了一定改善。

表1 地區(qū)用電負(fù)荷及小水火電功率預(yù)測(cè)精度Table 1 Prediction accuracy of regional load and small hydro & thermal power units

在分時(shí)分區(qū)精細(xì)化氣象數(shù)據(jù)模式下，對(duì)2018年6月4日各功率分量預(yù)測(cè)，得到了功率預(yù)測(cè)曲線對(duì)比，如圖7所示。同時(shí)，小水火電功率、新能源上網(wǎng)功率、區(qū)域互供負(fù)荷、地區(qū)用電負(fù)荷、網(wǎng)供負(fù)荷預(yù)測(cè)精度分別為9 8.7 1%、84.79%、95.23%、98.85%、98.09%。

圖7 各功率分量預(yù)測(cè)曲線對(duì)比Fig.7 Comparison of the prediction curves of various power components

由圖7和各功率分量預(yù)測(cè)精度可知，雖然由于新能源歷史上網(wǎng)功率數(shù)據(jù)及相關(guān)精細(xì)化氣象數(shù)據(jù)資料較少，未能針對(duì)其建立良好的模型，導(dǎo)致預(yù)測(cè)準(zhǔn)確率較低，但新能源上網(wǎng)功率只占全地區(qū)用電負(fù)荷的1.58%。地區(qū)用電負(fù)荷和網(wǎng)供負(fù)荷預(yù)測(cè)準(zhǔn)確率均高于98%，具有良好的預(yù)測(cè)精度。

2018年6月網(wǎng)供負(fù)荷的預(yù)測(cè)誤差統(tǒng)計(jì)如圖8所示。由圖8可知，網(wǎng)供負(fù)荷最大、最小和平均預(yù)測(cè)誤差分別為5.95%、0.59%、3.76%，故本系統(tǒng)所采用預(yù)測(cè)方法能夠滿足地方電網(wǎng)日常負(fù)荷預(yù)測(cè)需求。

圖8 網(wǎng)供負(fù)荷曲線預(yù)測(cè)精度統(tǒng)計(jì)Fig.8 Forecast accuracy statistics of the superior network supply load curve

5 結(jié)語(yǔ)

本文設(shè)計(jì)開(kāi)發(fā)了基于精準(zhǔn)氣象數(shù)據(jù)的地區(qū)電網(wǎng)短期負(fù)荷智能預(yù)測(cè)系統(tǒng)。系統(tǒng)緊密結(jié)合地區(qū)電網(wǎng)的實(shí)際需求，引入分時(shí)分區(qū)精細(xì)化氣象要素，較好地考慮到了氣象因素對(duì)氣象敏感負(fù)荷的影響。此外，針對(duì)不同功率分量，根據(jù)各自特點(diǎn)建立了相應(yīng)模型。本系統(tǒng)不僅有較高的預(yù)測(cè)精度，還具有良好的魯棒性，可改變地區(qū)電網(wǎng)目前主要依賴人工經(jīng)驗(yàn)的短期負(fù)荷預(yù)測(cè)工作模式，有利于提高地區(qū)電網(wǎng)短期負(fù)荷預(yù)測(cè)自動(dòng)化程度和工作效率。