王朝+海伦

摘 要 随着我国经济的跨越式发展，电力行业日趋发展壮大，这对电力负荷预测的准确度和及时性提出了较高要求。超短期负荷预测在电力负荷预测的重要组成部分，其对电力系统规划、运行、控制起着尤为重要的作用，其不但能提高系统运行的安全性，而且能增强系统运行的经济性。文章利用经典时间序列方法，采用MATLAB软件编程，针对一个具体负荷算例进行预测，所得结果证明了时间序列法的准确性和实用性。

关键词 电力系统；短期负荷预测；时间序列模型

中图分类号：TM715 文献标识码：A 文章编号：1671-7597（2014）07-0059-01

1 时间序列方法简介

实际上，电力系统时间序列预测就是根据负荷历史资料去建立时间序列的一个数学模型，用该数学模型来描述电力负荷变化过程的规律性，并在该模型规律性的基础上建立负荷预测的数学表达式，然后对表达式进行验证，最后对负荷进行科学预测，得到比较实际的结果。

在电力系统负荷预测中，一般所知道的是负荷历史记录，所以用时间序列法进行负荷预测时，有以下几个步骤：

第一步就是模型的识别，即是一个选择合适的模型描述产生实际序列的过程；第二步是计算自相关函数和偏相关函数，这是建立模型的重要部分；第三步是自相关函数和偏相关函数“截尾”性的判断，这对预测的准确性起着很大作用；第四步是是模型的检验，这是模型是否合适的反馈。

即当给定显著性水平，从—分布表中查出满足的临界值，则有：

当时，拒绝H0，即认为选定的随机模型不合适；

当时，接受H0，即认为选定的随机模型是合适的。

2 具体算例分析

本文的算例是已知某县自2001年7月1日至2002年12月31日连续一年半的日负荷量，且每半个小时采样一次，采样值用有序值1，2，…来表示，用此来确定预测模型并进行负荷预测，最终验证时间序列法的实用性。

2.1 思路介绍

本文中的数据给出了一年半的日负荷量，由于数据量之大，不可能全部用到，所以本文选择日最小负荷为对象来进行预测。且在时间序列法中，样本序列长度大于200比较好，这里选用其中的300个数来预测剩余的数据。此例可以用确定模型和随机模型的结合来解决。对于确定部分用滑动平均模型，先预测出80个值，再将这80个值与实际值做差，则差值即为随机数，由此可以利用随机模型来预测后面的数据。根据中间的变换关系，将预测的随机值与确定值结合即得到我们想要的预测值。本文采用MATLAB软件编程，实现预测过程的计算机化。

2.2 算例过程及结果

在算例中，所得差值序列并非平稳，可作一阶差分消除序列的线性趋势，这样可得到序列的增长趋势已基本消除。为了使过程中自相关函数和偏相关函数较快的衰减，本文对差值序列作二阶差分，消除序列的二次曲线趋势。

现对二阶差分序列进行零均值化，得。对求自相关函数和偏相关函数，以确定模型，从中可以直观的看出：当p>2和q>2时，所有的自相关函数和偏相关函数值均落在内，由此可得，自相关函数在p=1时拖尾，偏相关函数在q=1时拖尾，故可识别产生二阶差分序列的原时间序列为模型。

计算模型检验统计量的值

由于，所以模型通过检验，即的预测模型是合适的。

模型预测公式为：

其中：为差值二阶差分零均值化序列；

为白噪声序列。

预测结果如表1。

2.3 结果分析

由上述预测结果可见，预测值与实际值的相对误差较小，说明所选的时间序列预测模型具有一定的实用性和准确性。但是，误差整体呈现增大趋势，尤其预测的序号为371值时相对误差达到14.54%，究其原因如下。

确定模型中的滑动平均模型本身就决定了预测数据会呈增长趋势，预测值本身就含有不准确的信息。作差分后的虽然为平稳序列，但是由其得到的模型的阶数较低，很快会变化为模型，准确度降低，对结果产生影响。选择数据的多少，差分时分组的数目都会影响置信区间的大小，还影响到的性质。本模型中所选置信度下，的白噪声性质并不是太明显，结果中用到的值，致使出现偏差。

针对所选模型出现的问题，模型还可以有所改进。在确定模型部分，如果选用指数平滑法，就可以把其中某些影响预测的数据的权值缩小，减小其影响度。在随机部分的预测中，阶数的大小将直接影响精度，所选的数据和差分分组影响相关函数的截尾和拖尾性，从而影响阶数的确定，如果改变所取的数据量，改变模型的阶数，得到的结果会更加理想。

3 结论

本文仅对超短期负荷预测做了较为粗浅的探讨，有待于继续研究和进一步实践。但是可以预见，随着预测理论的不断发展和学者们对相关领域研究的深入，必然有更多的新兴学科应用到电力系统超短期负荷预测技术当中去，使负荷预测技术更加科学、合理，实用性和有效性更强，适用范围更广，预测精度更高。

参考文献

[1]魏伟，牛东晓，常征.负荷预测技术的新进展[J].华北电力大学学报，2002，29（1）：10-15.

[2]杨叔子，吴雅，等.时间序列分析的工程应用[M].华中理工大学出版社，1991.

[3]王燕.应用时间序列分析[M].中国人民大学出版社，2005.endprint