曹松钱

（国网浙江省电力公司宁波供电公司，浙江宁波315200）

提高配电网短期负荷预测准确率的研究

曹松钱

（国网浙江省电力公司宁波供电公司，浙江宁波315200）

以镇海电网作为研究对象，将影响电网负荷的外界因素量化为特征向量，并修正了最高温度，采用相似日选择法选取与待预测日相似程度最高的日期作为输入样本，通过灰色系统的计算得到负荷预测值。通过对镇海电网工作日和节假日分别进行负荷预测分析，验证了此方法的实用性和有效性。

短期负荷预测；气温；相似日；灰色系统

电力系统负荷预测指的是在考虑一些重要的运行特性、增容特性、自然条件以及设备影响的前提下，利用各种计算方法去预测未来负荷变化规律，并能满足一定的精度要求。提高负荷预测水平有利于计划用电、减少能耗和发电成本、合理安排检修计划和调整电网运行方式[1-2]。

以镇海配电网为主要研究的对象，探讨短期负荷预测的方法，即预测未来1～7日的负荷变化趋势。

1 负荷预测方法的选择

电网的短期负荷受到各种因素的影响，其中较为明显的有天气变化、社会活动和节假日类型等因素，从时间序列上来看呈现出非平稳的随机过程，但是影响电力系统负荷的各种因素大部分是具有规律性的，这也就为实现有效的负荷预测奠定了基础。目前常用的负荷预测的方法有回归分析法、时间序列法、神经网络法、灰色系统法等[3-6]。

采用了灰色系统法可以对含有不确定因素的系统进行预测，利用灰色模型（GM）的微分方程作为单一指标（如网供负荷）的预测时，求解微分方程的时间响应函数表达式即为所求的灰色预测模型。对模型的精度和可信度进行校验并修正后，即可据此模型预测未来的负荷，适用于信息匮乏条件下的分析和预测。常用的灰色预测模型是GM（1，1），其优点在于建模时不需要计算统计特征量，用于任何非线性变化的指标预测，需求的负荷数据少，不考虑分布规律和变化趋势。

以下采用的是相似日选择法和灰色系统预测法相结合的方式，先在历史数据中检索出与预测日相似程度较高的几个典型日，完成处理和修正以后作为灰色系统的输入值，通过微分变换得出对应的负荷预测值。

图1是近几年来镇海电网负荷增长情况，从图1可以看到，镇海地区工业发展十分迅速，电网负荷增长明显，近几年维持在15%左右的增速，电网的参数变动较大，历史数据的参考价值不大，所以选择灰色系统法来应对信息量不足的问题，会取得良好的效果。

图1 网供最大负荷变化趋势

2 电网负荷特性分析

图2是某日镇海电网负荷变化情况，通过观察典型日网供负荷曲线可以看到，负荷曲线8∶00开始上升16∶00开始下降，期间出现2次波峰，分别在10∶00和14∶00，由此可见镇海区工业负荷特性较为明显。

图2 镇海电网日负荷变化

镇海地区专线用户有24家，大多数为化工企业，其负荷曲线主要有3类，第1类企业用电负荷基本不变，呈1条直线，典型代表为镇洋化工；第2类企业用电负荷呈现振荡式周期性变化，主要与其生产工艺有关，典型代表为天地特钢；第3类企业用电负荷在以日为周期变化，典型代表为光鑫特钢。

其中第1类和第3类企业的负荷除了出现临时故障或者节假日休息等特殊情况外基本不变，没有研究的价值；第2类企业需要预测生产周期，通过建立大用户每日上报制度，基本能实现准确预测，这些用户负荷几乎不受外界因素的影响。为提高预测的准确度，在研究负荷预测时均将上述几家大用户负荷剔除，得到电网基础负荷，通过灰色系统计算得出预测结果，在此基础上叠加上述专线大用户负荷，最终得到实际的网供负荷值。采用此方法有助于发现外界因素对电网负荷的影响程度。

3 相似日选取与修正

3.1 相似日选择流程

相似日选择的方法有很多，而各种方法的侧重点不同。有纯粹利用历史负荷数据，用负荷的趋势相似度与曲线相似度相结合来选取相似日；有利用气象要素与负荷曲线相结合，将气象数据与负荷数据相结合，用不同季节里温度对负荷的影响来选取相似日[7-8]。

此处采用预测日的日类型和气象要素来选取相似日，选择流程见图3。通过获取待预测日的类型和气象信息，在历史数据库中检索出相似度较高的N天作为样本输入灰色系统进行计算得出预测值。

图3 相似日选择流程

3.2 日期分类

镇海配电网周负荷曲线见图4，观察1周的网供负荷曲线可以发现，周二至周五的负荷曲线基本一致，没有太大的变化，所以将其定义为工作日，在选取时不需要区分。周六负荷整体比工作日偏小，可以参考工作日负荷变化趋势，周日负荷最小，一般最大负荷比工作日减少100 MW左右，周一凌晨时段负荷较工作日明显偏小，所以这3天的负荷定义为周末负荷，选取时只能参考之前的周末负荷。

特殊日指负荷明显不同的特定日期。主要包括一些节日，如元旦、春节等。另外，一些地区的灾害性天气、举办特定活动的日期也可认为是特殊日。一年当中特殊日出现的次数不多，在定义日期类型时未加区分，统一归为一类，在遇到特殊日需要预测时，采用人工选取的方式。

图4 镇海电网周负荷曲线

3.3 日期距离修正

式中：Sim为第x周日期距离因素的相似度；a为衰减系数，定义为历史日所在的周与待预测日每增加1周相似度的缩减比例，一般取值在（0.9，0.99）区间范围内；C为最低相似度。

设置以周为单位主要考虑到一般情况下1周内的负荷变化很小，具有较高的参考价值，设置日期距离相似度系数可以保证其入选。设置最低相似度是为了应对气温突变情况的发生，进入夏季以后刚出现高温时本年度数据无法利用，只能检索历史数据，或者在持续高温情况下出现降温或者降雨导致近期内没有相似日，为了保证距离远的日期在出现上述情况时有入选的可能性，所以设置了最低相似度。

一般来说，距离待预测日越近其负荷曲线相似度越高，因此在选择相似日时，应遵循“近大远小”的规律。日期距离相似度的修正采取下式计算：

3.4 历史数据修正

若研究的配电网处于成熟期，则可以直接参照使用历史数据，此处研究的配电网处于发展期，近2年的负荷数据具有参考价值，在选取历史数据时需要对其作出修正，若直接引用偏差过大。采取的方法是将待预测日所在月份的前1个月某1周负荷取平均值，减去对应前N年月份某1周负荷平均值，估算出2个年份对应月的负荷差值，将其加在下1个月对应工作日的网供负荷上，作为修正后的历史数据。选取上1个月的数据来计算差值主要考虑到用户接入的时间和负荷是随机的，不是按比例平稳增长的，选取时间越接近，修正后得到的电网负荷预测也就越准确。

图5显示2014年和2013年4月份某1周的负荷差值，将其作为增长负荷叠加在5月份的网供负荷上，得到修正以后的历史网供负荷值。

图5 负荷修正

3.5 气温修正

由于人体感官对温度的变化有一个适应的过程，若该地区一直处于高温天气，负荷处于较高水平，如果某1天温度突然下降，则负荷减少不明显。相反，凉爽的天气持续一段时间以后，温度突然上升，负荷上升也不明显。所以在选取相似度时需要将最高温度进行修正，体现出前几日温度的累积效应[9-10]。

考虑到温度的累积效应主要体现在空调负荷上，所以只有温度介于28℃和38℃之间时修正，低于28℃空调负荷未开启，高于38℃时空调已基本全部开启。

式中：T′为考虑累积效应后的待预测日最高气温修正值；T0为待预测日最高气温；Ti为待预测日i天前气温的真实值；k为累积效应系数；p=min（n，3）；n为日最高温度连续高于28℃的天数。

3.6 特征向量

通过对影响负荷预测的各个参数量化以后形成一个特征向量，包括日类型、天气、最高温度、最低温度、相对湿度等。通过矩阵运算可以快速检索出负荷条件的待选日期，再计算最高温度偏差值和日期距离，得到具体的相似度数值，选取相似度最高的N个待选日作为灰色系统的输入值。采用上述方法可以减少计算量，快速得到所需的网供负荷预测值。

特征向量：E=[D，W，H，Tmax，Tmin]，

4 灰色系统的负荷预测

4.1 预测流程

短期负荷预测流程见图6。首先选取相似日负荷值作为输入值，得到预测值，叠加上专线大用户负荷，然后判断网架结构是否正常，有无限电等，若没有就不需要修正。

4.2 灰色GM（1，1）模型

灰色GM（1，1）模型通过累加的方式，将离散的负荷数据转化成非减递增数列，从而削弱原样本数据的随机性，突出其趋势性，以探求数据序列的内在规律，其基本的形式是：

根据新序列x（1）计算灰色模型的背景值序列z（1），可得

GM（1，1）模型的微分方程为

式中：a为发展系数；b为灰作用量。

式中：z（1）（t）为上文定义的背景值。

由最小二乘法求出

图6 短期负荷预测流程

得到灰色模型为

式中：t=1，2，3，…，n.

4.3 预测结果修正

得到预测结果以后，结合近期的配电网检修工作，同时利用现有的PI数据库检索镇海地区负荷较大的用户前几日负荷数据，判断负荷是否出现波动。

各考核点负荷预测偏差率：

日负荷预测偏差率均方根：

日负荷预测准确率：

月负荷预测准确率：

4.4 预测结果

周负荷预测平均准确率见图7，2014年3月份的负荷预测准确率见表1。

可以看到，负荷预测的准确率基本能维持在97%左右的高水平，其中工作日准确率在98%左右，其余在97%左右。主要原因在于工作日参考的历史数据丰富，1周有4天，能选择相似程度高的样本，而其余日期1周只有1天，加上星期天负荷最小，导致准确率相对要略差一点。

图7 周负荷预测平均准确率

表1 2014年3月份负荷预测准确率%

5 节假日负荷预测

节假日负荷预测难度较大，其原因在于电力负荷特性与正常的工作日和周休日的特点明显不同，采用相似日选取的方法存在样本容量不足的问题，不能单纯的以过去某1年的历史数据作为参考。

节假日的负荷预测主要采用比例法，操作步骤：选取相似的参考模型，得到参考的历年节假日的节前节后以及节假日当天历史数据；计算节假日当天各个时刻与节前各个关联日时刻的比值系数，通过该比值系数构成1个序列，利用该序列可以预测出待预测年的比值系数；结合预测年节前关联日各个时刻的负荷数据，依次计算出待预测节假日所有时刻的数据，即可得到该节假日的负荷曲线。其中关联日可以参照前文中提到的相似日的方法选取，一般挑选放假前1周的配电网负荷参数。

比值系数计算如下：

假设共有N年的历史数据，每年节前关联日为m天，先求出第n年第l日t时刻负荷为Pnlt，对第n年节前关联日求平均值

设第n年节假日t时刻负荷为Pnt，则该年的t时刻比值系数为

得出96个点的比值系数后，将其作为输入值构成初始序列X（0），后续的计算方法与正常工作日一致。

在分析了镇海地区历年的网供负荷数据后，发现节假日期间最小负荷均出现在法定节假日的当天，负荷的变化趋势与法定节假日在3天假期中所处的位置有直接的关系。

若第1天为法定节假日，则第1天负荷最低，后面两天负荷逐步回升；若第2天为法定节假日，则第2天负荷最低，第1天、第3天负荷基本相当，3天的最高负荷呈现V字型走势；若第3天为法定节日，则该节假日3天的最高负荷逐日下降，第3天达到最低。其原因在于镇海的网供负荷构成以工业负荷为主，法定节假日当天由于加班费较高以及传统观念的影响，一般企业都选择放假，其余两天负荷的下降比例与是否是正常工作日关系较大，如果是正常工作日，企业的放假比例较小，网供负荷的下降幅度也较小。

如2013年和2014年的清明节法定节日均为放假的第1天，所以负荷曲线基本一致，而2012年法定假日为放假的第3天，所以有较大的区别。清明节负荷曲线见图8。

图8 清明节负荷曲线

在对比3年的负荷曲线以后可以发现，清明、五一、端午这3个节日的负荷曲线与法定假日出现在第几天有直接的联系，2014年清明节的负荷走势与2012年端午节的负荷走势基本一致，也就是说在选取参考模型时，上述3个节日可以相互参照，其他节假日也存在类似的规律。

通过本文介绍的方法对2014年端午的负荷进行了预测，得到3天的网供负荷曲线，其负荷预测准确率分别为97.12%，95.85%，96.23%。考虑到节假日负荷较低，基数小，偏差率比正常工作日要大的多，所以结果是令人满意的。其中第2天和第3天的略低，第2天负荷最小，第3天回升，所以第3天预测准确率要好于第2天。

6 结语

对配电网供负荷做分类处理，筛选出不受外界因素影响的专线负荷，得到基础负荷后采用相似日选择法选取输入样本，并对样本添加了日期距离，修正了最高温度，使得选出的样本与待预测日的相似程度得到了明显的提高，采用灰色系统得到预测负荷值。在节假日预测时采用合理的参照模型和比值法都取得了良好的结果。

[1]康重庆，夏清，张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化，2004，28（17）∶1-11.

[2]康重庆，夏清，刘梅.电力系统负荷预测[M].北京：中国电力出版社，2007.

[3]于海燕，张凤玲.基于模糊神经网络的电力负荷短期预测荷预测中的应用[J].电网技术，2007，31（3）∶68-72.

[4]杨正瓴，王渭巍，曹东波.短期负荷预测的Ensemble混沌预测方法[J].电力系统自动化，2007，31（23）∶9-13.

[5]张振高，杨正瓴.短期负荷预测中的负荷求导法及天气因素的使用[J].电力系统及其自动化学报，2006，18（5）∶79-83.

[6]张林，刘先珊，阴和俊.基于时间序列的支持向量机在负荷预测中的应用[J].电网技术，2004，28（19）∶38-41.

[7]莫维仁，张伯明，孙宏斌，等.短期负荷预测中选择相似日的探讨[J].清华大学学报：自然科学版，2004，44（1）∶106-109.

[8]钱卫华，姚建刚，龙立波，等.基于负荷特性分析的短期负荷预测相似日选择方法[J].华中电力，2007，20（1）∶17-21.

[9]金义雄，段建民，徐进，等.考虑气象因素的相似聚类短期负荷组合预测方法[J].电网技术，2007，31（19）∶60-64.

[10]王鹏，邰能灵，王波，等.针对气象因素的短期负荷预测修正方法[J].电力系统自动化，2008，32（13）∶93-96.

（本文编辑：杨勇）

Study on Accuracy Improvement of Short-term Load Forecast of Distribution Networks

CAO Songqian
（State Grid Ningbo Power Supply Company，Ningbo Zhejiang 315200，China）

This paper investigates on Zhenhai power grid and quantifies external factors that influence grid load as characteristic vectors.Furthermore，it corrects the maximum temperature，adopts the date which is very well similar to the forecast day as the forecast day by using similar day selection method and concludes load forecast value by grey system calculation.By forecast and analysis on load in working day and festivals and holidays，practicality and effectiveness of the method are verified.

short-term load forecast；air temperature；similar days；grey system

TM715

：B

：1007-1881（2014）11-0009-06

2014-09-11

曹松钱（1988－），男，浙江宁波人，助理工程师，从事电力系统调度工作。