CN109886455A - 雷电气候下超短期负荷预测方法 - Google Patents

Abstract

本发明涉及一种雷电气候下超短期负荷预测方法，其包括预处理方法和实时预测方法。预处理方法用于利用已有的非雷电天气下电网的负荷数据以及温度数据和降雨量数据、已有的电网在雷电天气下的负荷数据以及温度数据和降雨量数据，得到负荷差与温度差、降雨量差的关系式。实时预测方法则在利用负荷数据流对电网进行超短期负荷预测而得到基础预测曲线的基础上，叠加将要发生的雷电过程对应的负荷变化量，从而得到雷电气候下超短期负荷预测曲线。本发明基于数据流在线分割技术，同时考虑天气突变带来的温度和降雨量的变化对负荷变化的影响，对天气变化剧烈时间段的负荷预测结果进行修正，提高了在雷电等极端条件下负荷预测的准确性。

Description

雷电气候下超短期负荷预测方法

技术领域

本发明属于电力负荷预测领域，具体涉及一种雷电气候下超短期负荷预测方法。

背景技术

随着电力系统向智能化、网络化、市场化发展，要求在系统负荷发生变化时，能快速且自适应调整电网中各发电厂的机组出力，因此，一种预测时间更短、预测速度更快、预测准确度更高的超短期实时负荷预测被迫切需要。同时，在雷电条件下，负荷受雷电天气影响较大，负荷波动更为剧烈，使得负荷预测的准确性大大降低。

目前，在超短期负荷预测方面，主要使用的是神经网络、小波分析这些智能算法，例如已有的基于改进数据流的超短期负荷预测方法，可以实现较为准确超短期负荷预测。然而，在雷电条件下，上述智能算法难以适应。原因如下：①由于雷雨天气现有的负荷数据较少，很难满足上述智能算法对数据量的要求；②由于雷电天气的来临，会使得负荷波动较大，上述智能算法通常不考虑气象因素对负荷的影响，降低了在天气突变时的预测准确性；③由于超短期负荷预测同时要求实行性和准确性，而上述智能算法实时性与准确性往往相互影响相互制约，存在固有的矛盾约束，难以实现同时提高；④由于负荷数据本身具有一定的变化规律，上述智能算法过分趋向于“数学化”，过分注重对算法的改进，忽略了负荷数据本身变化规律，失去了电力系统的特色。

发明内容

本发明的目的是提供一种考虑天气突变带来的温度和降雨量的变化对负荷变化的影响，从而对天气变化剧烈时间段的负荷预测结果进行修正，提高在雷电等极端条件下负荷预测准确性的雷电气候下超短期负荷预测方法。

为达到上述目的，本发明采用的技术方案是：

一种雷电气候下超短期负荷预测方法，用于在雷电天气条件下的对电网进行超短期负荷预测，所述雷电气候下超短期负荷预测方法包括预处理方法和实时预测方法；

所述预处理方法包括以下步骤：

步骤1.1：利用已有的非雷电天气下所述电网的负荷数据以及温度数据和降雨量数据得到非雷电天气下所述电网的基础负荷曲线及其对应的基础温度曲线和基础降雨量曲线；

步骤1.2：将非雷电天气下所述电网的基础负荷曲线及其对应的基础温度曲线和基础降雨量曲线结合已有的所述电网在雷电天气下的负荷数据以及温度数据和降雨量数据得到多组负荷差、温度差和降雨量差；

步骤1.3：利用多组负荷差、温度差和降雨量差拟合得到负荷差与温度差、降雨量差的关系式；

所述实时预测方法包括以下步骤：

步骤2.1：利用天气预报中对将要发生的雷电过程的预报信息，包括雷电开始后一段时间内和雷电结束后一段时间内的温度数据和降雨量数据，结合非雷电天气下的基础温度曲线和基础降雨量曲线，得到将要发生的雷电过程中的温度差和降雨量差，并将将要发生的雷电过程中的温度差和降雨量差带入负荷差与温度差、降雨量差的关系式而得到将要发生的雷电过程对应的负荷变化量；

步骤2.2：利用负荷数据流对电网进行超短期负荷预测而得到基础预测曲线，并在所述基础预测曲线的基础上，叠加将要发生的雷电过程对应的负荷变化量，从而得到雷电气候下超短期负荷预测曲线。

优选的，所述步骤1.1中，选取多个非雷电天气下的典型日，将各个所述典型日的负荷曲线、温度曲线、降雨量曲线分别取平均值而作为非雷电天气下所述电网的基础负荷曲线及其对应的基础温度曲线和基础降雨量曲线。

优选的，所述典型日选取春节和秋季中温度低于20℃且无雷雨天气的多个日期。

优选的，所述步骤1.3中，利用多元线性拟合得到所述负荷差与温度差、降雨量差的关系式。

优选的，所述步骤2.1中，利用雷电开始后25分钟和雷电结束后25分钟的温度数据和降雨量数据。

优选的，所述步骤2.2中，利用负荷数据流对电网进行超短期负荷预测而得到基础预测曲线的方法为：采用分段直线方法分割所述符合数据流而对所述电网的负荷进行实时趋势偏移分析，从而根据不同的负荷趋势确定对应的分段预测模型以及分割相邻两段所述预测模型的分割点，进而得到所述基础预测曲线。

优选的，所述步骤2.2中，利用负荷数据流对电网进行超短期负荷预测而得到基础预测曲线的方法包括以下子步骤：

子步骤2.2.1：利用待预测时间段中前n分钟的实际负荷数据，采用线性回归方法对待预测时间进行负荷预测，得到初步预测结果，并将所述初步预测结果作为当前一段预测模型；

子步骤2.2.2：预设误差累计值的阈值下限p_h1和阈值上限p_h2，然后循环执行子步骤2.2.3至子步骤2.2.4；

子步骤2.2.3：获取当前时刻对应的当前一段预测模型，将所述电网的实际负荷数据与当前一段预测模型中的预测数据进行比较，并得到当前一段预测模型对应的各次比较的累计误差C(t)，t为采样时刻；

步骤2.2.4：判断所述累计误差C(t)与所述阈值下限p_h1、所述阈值上限p_h2的大小关系：

当|C(t)|＜p_h1时，继续利用当前一段预测模型进行预测；

当p_h1≤|C(t)|＜p_h2时，继续利用当前一段预测模型进行预测，并存储采样时刻t及其对应的实际负荷值y(t)；

当p_h2≤|C(t)|时，将下一采样时刻t+Δt作为所述分割点，并利用p_h1≤|C(t)|＜p_h2时存储的各实际负荷值y(t)，采用线性回归方法进行负荷预测，得到下一段预测模型，并将累计误差C(t)重置为0，将存储的实际负荷值清零。

优选的，按照5分钟的采样间隔对所述电网的实际负荷进行采样而实现利用负荷数据流对电网进行超短期负荷预测并得到基础预测曲线。

优选的，所述子步骤2.2.1中，利用待预测时间段中前30分钟的实际负荷数据进行负荷预测。

优选的，采用最小二乘法进行负荷预测而得到预测模型。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明基于数据流在线分割技术，同时考虑天气突变带来的温度和降雨量的变化对负荷变化的影响，对天气变化剧烈时间段的负荷预测结果进行修正，提高了在雷电等极端条件下负荷预测的准确性。

具体实施方式

下面结合实施例对本发明作进一步描述。

实施例一：一种用于在雷电天气条件下的对电网进行超短期负荷预测的雷电气候下超短期负荷预测方法，包括预处理方法和实时预测方法两部分。

一、预处理方法

预处理方法包括以下步骤：

步骤1.1：利用已有的非雷电天气下电网的负荷数据以及温度数据和降雨量数据得到非雷电天气下电网的基础负荷曲线及其对应的基础温度曲线和基础降雨量曲线。

具体的，首先选取多个非雷电天气下的典型日，典型日可以选取春节和秋季中温度低于20℃且无雷雨天气的多个日期。例如对于我国大部分地区，观察雷雨天气的分布可知，雷雨天气一般分布在6-9月，因此一般可以选取4月和10月中温度低于20℃且无雷雨天气的某天，将其作为春季或秋季的典型日。本实施例中以选取一个春节典型日和一个秋季典型日为例进行说明。

选取好多个典型日后，将各个典型日的负荷曲线、温度曲线、降雨量曲线分别取平均值而作为非雷电天气下电网的基础负荷曲线及其对应的基础温度曲线和基础降雨量曲线。设春季典型日的负荷曲线为Y_A，温度曲线为T_A，降雨量曲线为P_A(值为0)，设秋季典型日的负荷曲线为Y_B，温度曲线为T_B，降雨量曲线为P_B(值为0)，则将春、秋季典型日的负荷曲线温度曲线、降雨量曲线分别取平均值：

即为非雷电天气下电网的基础负荷曲线，为对应的基础温度曲线，为对应的基础降雨量曲线。

步骤1.2：将非雷电天气下电网的基础负荷曲线及其对应的基础温度曲线和基础降雨量曲线结合已有的电网在雷电天气下的负荷数据以及温度数据和降雨量数据得到多组负荷差、温度差和降雨量差。

利用已有的雷电天气下的负荷、温度、降雨量数据，对应与相同时间段的基础负荷、温度、降雨量做差，得到多组负荷差、温度差、降雨量差，即[ΔY,ΔT,ΔP]。

步骤1.3：利用多组负荷差、温度差和降雨量差拟合得到负荷差与温度差、降雨量差的关系式。

该步骤中，利用多元线性拟合得到负荷差与温度差、降雨量差的关系式

ΔY＝aΔT+bΔP (1-4)

其中，a、b分别为拟合系数。

二、实时预测方法

实时预测方法包括以下步骤：

步骤2.1：利用天气预报中对将要发生的雷电过程的预报信息，包括雷电开始后一段时间内(如25分钟，5个采样点)和雷电结束后一段时间内(如25分钟，5个采样点)的温度数据和降雨量数据，结合非雷电天气下的基础温度曲线和基础降雨量曲线，得到将要发生的雷电过程中的温度差ΔT和降雨量差ΔP，并将将要发生的雷电过程中的温度差ΔT和降雨量差ΔP带入负荷差与温度差、降雨量差的关系式(1-4)中，得到将要发生的雷电过程对应的负荷变化量ΔY。该将要发生的雷电过程对应的负荷变化量ΔY在后续进行负荷预测时用作修正值。其中选取雷电开始后25分钟与雷电结束后25分钟进行修正的原因是：这段时间是天气变化最剧烈的点，负荷变化最大。

步骤2.2：利用负荷数据流对电网进行超短期负荷预测而得到基础预测曲线，并在该基础预测曲线的基础上，叠加将要发生的雷电过程对应的负荷变化量ΔY，从而得到雷电气候下超短期负荷预测曲线。

该步骤2.2中，利用负荷数据流对电网进行超短期负荷预测而得到基础预测曲线的方法为：采用分段直线方法分割符合数据流而对电网的负荷进行实时趋势偏移分析，快速检测出恰当的负荷趋势分割点(以下简称分割点)，从而根据不同的负荷趋势确定对应的分段预测模型以及分割相邻两段预测模型的分割点，进而得到基础预测曲线。分割点是在负荷趋势变化较大时将未来负荷数据与现有数据分割开的点，相邻两分割点之间即形成一个趋势数据段，同一趋势段服从相同参数的最小二乘线性回归预测模型，不同趋势段建立相对应的预测模型进行实时分段预测。

该方法为已有方法，其通过以下子步骤实现：

子步骤2.2.1：利用待预测时间段中前n分钟(例如30分钟)的实际负荷数据，采用最小二乘法线性逼近对待预测时间进行负荷预测，得到初步预测结果，并将初步预测结果作为当前一段预测模型。

在该方法的实施过程中，通过等间隔(例如照5分钟的采样间隔，即全天一共288个负荷采样点，这些采样点即后续的负荷预测点)采样来对电网的实际负荷进行采样。则在子步骤2.2.1中，利用待预测时间段中前30分钟的实际负荷数据(共6个采样点)，来进行最小二乘法线性逼近。

子步骤2.2.2：预设误差累计值的阈值下限p_h1和阈值上限p_h2，然后循环执行子步骤2.2.3至子步骤2.2.4。

子步骤2.2.3：获取当前时刻t对应的当前一段预测模型，将电网的实际负荷数据与当前一段预测模型中的预测数据进行比较，并得到当前一段预测模型对应的各次比较的累计误差C(t)，t为采样时刻。

具体的，将预测结果与最新监测的实际负荷结果进行比较，得到累计误差C(t)，如式(2-1)：

其中，t为当前采样时刻；Δt为采样间隔，本发明取5min，即全天一共288个负荷预测点；t时刻的预测误差值e(t)＝y(t)-y^*(t)；y(t)为t时刻的负荷实际值，y^*(t)为t时刻的负荷预测值；C(t)为t时刻的预测误差累计值；t为离当前时刻最近的一个分割点所对应的时间；n为从上一分割点开始到当前时刻之间的负荷采样个数，i,n∈N。

步骤2.2.4：判断累计误差C(t)与阈值下限p_h1、阈值上限p_h2的大小关系：依据误差累计值C(t)对分割点(负荷趋势分割点)进行实时检测和判断，当预测误差累计值C(t)超过设定的阈值上限p_h2时，表明当前的负荷预测趋势偏离实际趋势甚远，该预测模型已不能达到良好的预测结果，t+Δt时刻判断为分割点，并利用本趋势段的有效样本数据建立新的预测模型，对下一趋势段的负荷数据进行实时预测。具体判别依据如下：

①当|C(t)|＜p_h1时，该点t不是分割点，且当前预测模型适用于下一采样时刻t+Δt，故继续利用当前一段预测模型进行预测。

②当p_h1≤|C(t)|＜p_h2时，该点t不是分割点，当前预测模型适用于下一采样时刻t+Δt，则继续利用当前一段预测模型进行预测，并存储采样时刻t及其对应的实际负荷值y(t)，作为下一负荷趋势段的预测样本数据。

③当p_h2≤|C(t)|时，将下一采样时刻t+Δt作为分割点，并利用p_h1≤|C(t)|＜p_h2时存储的各实际负荷值y(t)，即下一负荷趋势段的预测样本数据，采用最小二乘法线性逼近进行负荷预测，得到下一段预测模型，并将累计误差C(t)重置为0，将存储的实际负荷值清零。

执行完上述判断后返回子步骤2.2.3。满足判据③时，进入新一段数据流实时预测阶段，则再次执行子步骤2.2.3时，当前一段预测模型即为此前执行子步骤2.2.4时获得的预测模型。

通过以上子步骤2.2.1至子步骤2.2.4，已经可以进行超短期负荷预测，然而只考虑了负荷数据本身，并未考虑温度、降雨量等气象因素对负荷的影响，因此还需要利用气象局预测的温度和降雨量这些数据修正预测的负荷数据，即在基础预测曲线的基础上，叠加步骤2.1中得到的将要发生的雷电过程对应的负荷变化量ΔY，从而得到完整的雷电气候下超短期负荷预测曲线。

以上方法中涉及的最小二乘法线性逼近，解释说明如下：负荷数据流在线分割预测模型参数的更新依赖于数据流的实时分割。在新分割点出现之前，对于新到达的数据，只将其代入已建立的模型中进行误差计算与存储，无需对预测模型参数进行更新计算。当新分割点出现时，预测模型参数则依据新的预测样本数据进行实时调整。设上一趋势段负荷预测值序列为负荷实际值序列为对应的时间序列为j表示数据所在的趋势段序号，n_j表示第j段包含的负荷采样数据个数，j,n_j∈N₊。根据线性回归预测模型可得，新一趋势段负荷数据的预测值为

其中，a_j+1与b_j+1表示第j+1段负荷数据的预测模型参数，采用最小二乘法求解式(3-1)中未知参数a_j+1与b_j+1即可获得负荷预测值。令误差平方和

在时间t_j,i(i＝1,2,...,n_j)变化时有最小值，即满足：

从而可以解得式(9-1)中的预测模型参数：

本发明基于数据流在线分割技术，将超短期负荷预测分为多个时间段分别进行预测，同时利用现有较少的雷雨天气负荷数据，考虑天气突变带来的温度和降雨量的变化对负荷变化的影响，对天气变化剧烈时间段的负荷预测结果进行修正，提高在雷电等极端条件下负荷预测的准确性。其优点具体在于：

1.由于本发明只需运用较少的负荷、温度、降雨量数据，计算量小，可以满足超短期负荷预测对实时性的要求。

2.由于本发明是根据最近的历史数据进行预测且有累计误差阈值，考虑了负荷本身的变化规律，具有很高的准确性。

3.由于本发明对雷电来临与雷电结束时刻的负荷预测结果进行了修正，可以大大增加天气突变时负荷预测的准确性，可以很好地适应雷电等极端气候。

在本发明的方案中，步骤2.2中还可以利用其他线性回归方法代替最小二乘法进行预测，可以达到相同或类似的结果。步骤1.1中可以采用其他典型日的选取方法来达到相同或相似的结果。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种雷电气候下超短期负荷预测方法，用于在雷电天气条件下的对电网进行超短期负荷预测，其特征在于：所述雷电气候下超短期负荷预测方法包括预处理方法和实时预测方法；

所述预处理方法包括以下步骤：

步骤1.1：利用已有的非雷电天气下所述电网的负荷数据以及温度数据和降雨量数据得到非雷电天气下所述电网的基础负荷曲线及其对应的基础温度曲线和基础降雨量曲线；

步骤1.2：将非雷电天气下所述电网的基础负荷曲线及其对应的基础温度曲线和基础降雨量曲线结合已有的所述电网在雷电天气下的负荷数据以及温度数据和降雨量数据得到多组负荷差、温度差和降雨量差；

步骤1.3：利用多组负荷差、温度差和降雨量差拟合得到负荷差与温度差、降雨量差的关系式；

所述实时预测方法包括以下步骤：

步骤2.1：利用天气预报中对将要发生的雷电过程的预报信息，包括雷电开始后一段时间内和雷电结束后一段时间内的温度数据和降雨量数据，结合非雷电天气下的基础温度曲线和基础降雨量曲线，得到将要发生的雷电过程中的温度差和降雨量差，并将将要发生的雷电过程中的温度差和降雨量差带入负荷差与温度差、降雨量差的关系式而得到将要发生的雷电过程对应的负荷变化量；

步骤2.2：利用负荷数据流对电网进行超短期负荷预测而得到基础预测曲线，并在所述基础预测曲线的基础上，叠加将要发生的雷电过程对应的负荷变化量，从而得到雷电气候下超短期负荷预测曲线。

2.根据权利要求1所述的雷电气候下超短期负荷预测方法，其特征在于：所述步骤1.1中，选取多个非雷电天气下的典型日，将各个所述典型日的负荷曲线、温度曲线、降雨量曲线分别取平均值而作为非雷电天气下所述电网的基础负荷曲线及其对应的基础温度曲线和基础降雨量曲线。

3.根据权利要求1所述的雷电气候下超短期负荷预测方法，其特征在于：所述典型日选取春节和秋季中温度低于20℃且无雷雨天气的多个日期。

4.根据权利要求1所述的雷电气候下超短期负荷预测方法，其特征在于：所述步骤1.3中，利用多元线性拟合得到所述负荷差与温度差、降雨量差的关系式。

5.根据权利要求1所述的雷电气候下超短期负荷预测方法，其特征在于：所述步骤2.1中，利用雷电开始后25分钟和雷电结束后25分钟的温度数据和降雨量数据。

6.根据权利要求1所述的雷电气候下超短期负荷预测方法，其特征在于：所述步骤2.2中，利用负荷数据流对电网进行超短期负荷预测而得到基础预测曲线的方法为：采用分段直线方法分割所述符合数据流而对所述电网的负荷进行实时趋势偏移分析，从而根据不同的负荷趋势确定对应的分段预测模型以及分割相邻两段所述预测模型的分割点，进而得到所述基础预测曲线。

7.根据权利要求6所述的雷电气候下超短期负荷预测方法，其特征在于：所述步骤2.2中，利用负荷数据流对电网进行超短期负荷预测而得到基础预测曲线的方法包括以下子步骤：

子步骤2.2.1：利用待预测时间段中前n分钟的实际负荷数据，采用线性回归方法对待预测时间进行负荷预测，得到初步预测结果，并将所述初步预测结果作为当前一段预测模型；

子步骤2.2.2：预设误差累计值的阈值下限p_h1和阈值上限p_h2，然后循环执行子步骤2.2.3至子步骤2.2.4；

子步骤2.2.3：获取当前时刻对应的当前一段预测模型，将所述电网的实际负荷数据与当前一段预测模型中的预测数据进行比较，并得到当前一段预测模型对应的各次比较的累计误差C(t)，t为采样时刻；

步骤2.2.4：判断所述累计误差C(t)与所述阈值下限p_h1、所述阈值上限p_h2的大小关系：

当|C(t)|＜p_h1时，继续利用当前一段预测模型进行预测；

当p_h1≤|C(t)|＜p_h2时，继续利用当前一段预测模型进行预测，并存储采样时刻t及其对应的实际负荷值y(t)；

当p_h2≤|C(t)|时，将下一采样时刻t+Δt作为所述分割点，并利用p_h1≤|C(t)|＜p_h2时存储的各实际负荷值y(t)，采用线性回归方法进行负荷预测，得到下一段预测模型，并将累计误差C(t)重置为0，将存储的实际负荷值清零。

8.根据权利要求7所述的雷电气候下超短期负荷预测方法，其特征在于：按照5分钟的采样间隔对所述电网的实际负荷进行采样而实现利用负荷数据流对电网进行超短期负荷预测并得到基础预测曲线。

9.根据权利要求7所述的雷电气候下超短期负荷预测方法，其特征在于：所述子步骤2.2.1中，利用待预测时间段中前30分钟的实际负荷数据进行负荷预测。

10.根据权利要求7所述的雷电气候下超短期负荷预测方法，其特征在于：采用最小二乘法进行负荷预测而得到预测模型。