一種基于時間序列的短期負荷預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于供電技術(shù)領(lǐng)域，尤其設(shè)及一種用于電力系統(tǒng)的負荷預(yù)測方法。
【背景技術(shù)】
[0002] 負荷預(yù)測是電力系統(tǒng)規(guī)劃的基礎(chǔ)和前提。
[0003] 隨著我國經(jīng)濟社會的迅猛發(fā)展和城市化進程的快速推進，城市已日益成為重要的 負荷中屯、，城市電網(wǎng)負荷預(yù)測工作越來越受到人們的重視。
[0004] 近些年來，城市電網(wǎng)負荷預(yù)測方法不斷發(fā)展，負荷預(yù)測手段也在不斷變化，在滿足 城市電網(wǎng)規(guī)劃和建設(shè)需要的同時，有力地支撐了城市電網(wǎng)發(fā)展的科學(xué)決策。
[0005] 影響城市電網(wǎng)負荷變化的因素很多，與大電網(wǎng)負荷相比，城市電網(wǎng)負荷的波動性 更大、影響因素更微觀。為了提高城市電網(wǎng)負荷預(yù)測的準(zhǔn)確性，在當(dāng)前我國城市電網(wǎng)建設(shè)需 求不斷擴大的形勢下，根據(jù)城市電網(wǎng)的負荷特點和負荷預(yù)測條件，研究符合我國國情和城 市發(fā)展方向的城市電網(wǎng)負荷預(yù)測方法十分必要。
[0006] 隨著城市經(jīng)濟和社會的飛速發(fā)展，供電公司用電負荷屢創(chuàng)新高。一方面電網(wǎng)需要 快速發(fā)展W滿足來自于全社會各行業(yè)的用電需求，充分發(fā)揮電網(wǎng)公司作為能源服務(wù)行業(yè)的 社會效用;而另一方面，電網(wǎng)公司作為企業(yè)實體運行，其投資規(guī)模的有限性W及企業(yè)為自身 健康持續(xù)發(fā)展必須考慮的電網(wǎng)投資效益等問題，使得電網(wǎng)的建設(shè)營運等決策必須建立在社 會效用和企業(yè)效用充分融合的基礎(chǔ)上，運也相應(yīng)賦予了電網(wǎng)規(guī)劃工作更深的含義和更大的 責(zé)任。為了實現(xiàn)電網(wǎng)投資建設(shè)的社會和企業(yè)的雙贏，對地區(qū)電網(wǎng)負荷預(yù)測工作提出了更高 的要求。
[0007] 目前供電公司電網(wǎng)的短期用電量預(yù)測都是由工作人員人工進行，通過尋找相似日 等直觀地預(yù)測，運就完全依賴于工作人員的經(jīng)驗。
[000引供電分公司承擔(dān)著所轄地區(qū)的供電任務(wù)，由于近年來所轄地區(qū)城市建設(shè)日新月 異，供電量相應(yīng)也飛速增長，W往純粹按照經(jīng)驗或者將歷史數(shù)據(jù)作簡單推算的預(yù)測方法已 很難達到理想的預(yù)測精度。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明所要解決的技術(shù)問題是提供一種基于時間序列的短期負荷預(yù)測方法，將待 測電力負荷作為因變量，將電力負荷的過去值作為自變量，所述的因變量和自變均是隨機 變量;所得到的ARIMA模型成功的體現(xiàn)了因變量與自變量二者W及隱藏于其中的干擾因素 之間的關(guān)系，特別適宜于短期日用電量負荷的預(yù)測。
[0010] 本發(fā)明的技術(shù)方案是:提供一種基于時間序列的短期負荷預(yù)測方法，其特征是：
[0011] 對已有的地區(qū)電網(wǎng)歷史負荷進行統(tǒng)計分析，分析地區(qū)電網(wǎng)負荷特性，包括工作日 和休息日的負荷變化特點，分析其負荷變化的周期性W及相關(guān)性特點；
[0012] 對采集到的日用電量數(shù)據(jù)進行預(yù)處理，通過提取趨勢項，零化處理與標(biāo)準(zhǔn)化處理 手段，W得到平穩(wěn)、正態(tài)、零均值的時間序列；
[0013] 根據(jù)日用電量負荷的歷史資料，建立一個數(shù)學(xué)模型，用運個數(shù)學(xué)模型一方面來描 述電力負荷運個隨機變量變化過程的統(tǒng)計規(guī)律性；另一方面在該數(shù)學(xué)模型的基礎(chǔ)上，再確 立日用電量負荷預(yù)測的數(shù)學(xué)表達式，對未來的負荷進行預(yù)測；
[0014] 在對未來的日用電量負荷進行預(yù)測時，采用時間序列模型中的累計式自回歸移動 平均模型，對供電公司的日用電量進行預(yù)測；
[0015] 在進行預(yù)測時，選擇預(yù)測日前28天的日用電量序列作為訓(xùn)練樣本；
[0016] 對日用電量實際值和日用電量預(yù)測值進行比較，剔除法定假日中預(yù)測誤差的平均 絕對百分誤差大于10%的點，W提高所述時間序列模型在對除法定假日之外的日用電量進 行預(yù)測時的準(zhǔn)確性。
[0017] 具體的，所述的數(shù)學(xué)模型由滑動平均模型和自回歸模型兩個部分組成，用來描述 平穩(wěn)隨機過程的自回歸滑動平均模型ARM(p，q)，其形式如下：
[0019] 其中，et是均值為零方差不為零的白噪聲；
[0020] 在所述的自回歸模型中，時序{xt}是白噪聲序列{et}和帶有系數(shù)bo，bi，? ? ?，bn 的N階濾波器生成，其具體表述公式如下： 巧
[002。 .V,=藝 V,-" = V, +相-i + …+ 6八-W 円；0'
[0022] 在所述的自回歸模型中，系列{Yt}的當(dāng)前值由序列{et}從當(dāng)前值前推長度為N的窗 口內(nèi)序列值決定；
[0023] 所述的自回歸模型的具體表述公式如下： M
[0024] 乂 =完。"瓜-~+ 6< m-1
[0025] 在所述的自回歸模型中，序列{Yt}的當(dāng)前值由序列{et}的當(dāng)前值和序列{Yt}的前 一個長度為M的窗口內(nèi)序列值決定；
[0026] 在所述的自回歸滑動平均模型ARM(p，q)中，序列{Yt}的當(dāng)前值由序列{et}的當(dāng)前 值從當(dāng)前值前推長度為Q的窗口內(nèi)序列值及序列{Yt}前一個長度為P的窗口內(nèi)序列值共同 決定。
[0027] 進一步的，所述的平均絕對百分誤差按照下述公式來表述：
[0028] 假設(shè)某一數(shù)據(jù)真實值為y，預(yù)測值為y*;所述的y，y*均為n維向量，則所述的平均絕 對百分誤差MAPE為：
[0030] 具體的，在所述的時間序列ARMA建模中，差分階數(shù)d及參數(shù)P，q通過下列方式來確 定：
[0031] 對所述日用電量的時間序列的原始序列進行平穩(wěn)性檢驗，判斷是否為平穩(wěn)序列， 如果序列非平穩(wěn)，則進行差分，直到變?yōu)槠椒€(wěn)序列，則其中的差分次數(shù)即為模型階數(shù)d;
[0032] 用ARMA(p, q)模型對隨機序列{yt, I < t如}進行擬合，而(p，q.."),是殘差方差，如 果序列均值y也是待估計參數(shù)，那么參數(shù)個數(shù)為P+q+1，
[0033] 定義AIC函數(shù)為：
[0034] .4/〇p.q.//) = logf?.;(p,q，."）+ ：2(p+:q+l)/n
[0035] 選取不同的p，q，y，其中ii是模型參數(shù)，對{yt}進行擬合，并用上述公式計算該模型 的AIC值，然后改變模型的階數(shù)及參數(shù)，使上述公式達到極小的模型，即認為是最佳模型。
[0036] 其所述的ARMA(p，q)模型在實際建模時，確定所述p，q大致范圍為1-10,然后選擇 AIC最小的組合。
[0037] 所述的的短期負荷預(yù)測方法，在所述的電力系統(tǒng)短期負荷預(yù)測過程中，其因變量 是待測電力負荷，自變量是電力負荷的過去值，所述的ARIMA模型體現(xiàn)了待測電力負荷與電 力負荷的過去值二者W及隱藏于其中的干擾因素之間的關(guān)系。
[0038] 與現(xiàn)有技術(shù)比較，本發(fā)明的優(yōu)點是：
[0039] 1.應(yīng)用負荷預(yù)測分析的結(jié)果可有效應(yīng)用于指導(dǎo)電力公司生產(chǎn)運營，提高公司的管 理水平；
[0040] 2.結(jié)合電力公司負荷特性分析，研究日用電量預(yù)測模型，所取得的研究成果無論 是在電力需求預(yù)測的理論研究，還是其對電網(wǎng)負荷分析管理工作的實踐指導(dǎo)作用，都具有 很高的創(chuàng)新性；
[0041] 3.研究中所積累的大量國內(nèi)外相關(guān)資料可用于電力公司其他分析研究工作中，更 加科學(xué)和全面地分析出城市電網(wǎng)的負荷的特點及變化趨勢。
[0042]
[0043]
【具體實施方式】
[0044] 下面結(jié)合實施例對本發(fā)明做進一步說明。
[0045] 通常負荷的歷史資料都是按一定的時間間隔進行采樣記錄的，對于一個負荷記錄 來說，其最主要的特點就是負荷總是一個符合某種統(tǒng)計規(guī)律的變化量，是一個隨機變量，而 由運個變量描述的過程就是一個隨機過程。
[0046] 隨機時間序列分析法的基本原理是，負荷序列Yt可W用一個線性濾波器的輸出來 模擬，濾波器輸入信號為一隨機序列{et}，通常稱為白噪聲。隨機輸入具有一個零均值和未 知的固定方差。
[0047] 根據(jù)線性濾波器特性的不同，處理單時間序列的時間序列模型可分類為：自回歸 模型（Autoregressive Model ,AR)、移動平均模型（Moving Average Model, MA)、自回歸移 動平均模型（Autoregressive Integrated Moving Average Model,ARMA)，累計式自回歸 移動平均模型（Autoregressive Integrated Moving Average Model,ARIMA)等。其中AR主 要是應(yīng)用有限項過去觀測值及現(xiàn)時干擾，來預(yù)測現(xiàn)時值，而MA則是利用現(xiàn)時干擾與過去干 擾的有限項來預(yù)測現(xiàn)時值，將二者結(jié)合起來就得到ARMA模型，對于非平穩(wěn)序列，經(jīng)過有限次 差分后變?yōu)槠椒€(wěn)序列就得到ARIM模型。
[004引進一步的具體描述如下：
[0049] 1、滑動平均模型(MA)
[0050]在M中，時序{xt}是白噪聲序列{et巧P帶有系數(shù)bo，bi，? ? ?，bn的N階濾波器生成 (卷積濾波器)具體公式如下：
CD
[0052]在M模型中，系列{Yt}的當(dāng)前值由序列{et}從當(dāng)前值前推長度為N的窗口內(nèi)序列值 決定。
[0化3] 2、自回歸模型(AR)
[0化4] 具體公式如下：
(2)