许陈德

广州供电局，广东广州 510000

0 引言

在电力系统中，可再生能源如风能和太阳能等规模的增加，使得电力负荷数据具有波动性和不确定性。由于可再生能源的不可控性，电力系统需要更准确的负荷预测来平衡供需，并保证电力网络的稳定运行。电力负荷数据概率区间的预测实际上是一种十分复杂且繁琐的工作，涉及电力系统日常的安全、稳定以及经济运行等，预测结果的真实可靠，一定程度上可以进一步扩大实际的电力负荷控制强度，减少控制缺陷及误差的出现，营造更加具体、完整的电力负荷管控环境。因此，预测电力动态负荷数据具有重要意义。

传统的电力动态负荷数据概率区间预测形式多为单向的，如传统SARIMA 模型动态负荷数据概率区间预测方法[1]、传统改进双向GABP 神经网络动态负荷数据概率区间预测方法[2]，此类方法虽然能够实现当前设定的预测需求及标准，但是缺乏针对性与稳定性，在复杂的电力负荷控制环境下，难以实现多目标协同调度，且在调控或者区间预测的过程中出现的预测误差也会增加电力动态负荷的可控程度[3-4]。此外，单向的动态负荷数据概率区间预测结构整体的效率较低，对于负荷数据概率区间的预测速度较慢，这也是导致最终预测结果难以达到设定标准的关键因素之一。随着电力市场的变化和负荷需求的复杂性增加，采用传统方法预测负荷面临着较大的不确定性。因此，需要引入概率区间预测来提供更准确的预测结果，并为电力系统运营商提供决策支持。

设计一种电力动态负荷数据概率区间预测方法，并从多个角度设计更加灵活多变的预测结构，在保证预测结果精准的同时，强化预测结果的可靠性，总结出对应的预测规律，为后续相关技术与行业的发展奠定坚实基础。

1 电力动态负荷数据概率区间预测方法设计

1.1 电力动态负荷数据预处理

由于电力负荷数据具有动态性与针对性，在不同的电力执行环境下所形成的数据、信息也是不同的，且存在测量误差、设备故障、数据缺失等，使得采集的数据质量和可靠性较低。因此，在针对负荷数据概率区间预测之前，必须先对采集的电力动态负荷数据预处理，避免后期出现不可控的预测误差[5-6]。采集的数据中，缺失数据、异常数据的处理方式有所不同。

由于缺失数据是电力设备故障、系统故障或者传输网络不稳定等复杂因素形成的，一般较难控制和捕捉，如果不及时处理，则会影响后期动态负荷区间预测的准确性[7]。考虑到电力负荷的周期波动性，结合传感技术，对数据及相邻数据加权处理，对其插补，电力负荷数据插补标准值x(a,b)如公式（1）所示：

式中，w表示可控制动态预测范围；a表示基础负荷感知区间；b表示偏振态重叠区间。结合当前的测算，采用调整预测数据插补的方式，强化缺失数据预处理感知整合效果。

由于复杂环境的变化、设备故障，甚至是突发事件，较容易出现异常用电情况，导致电路负荷动态管控过程中掺杂些许的异常数据。通过负荷感知技术采集外界信号，如线路中的电流与电压以及功率信号、电力设备的温度、设备检测环境湿度与光照强度等信息，筛选出异常信号和异常值，以纵向对比法进行多感知范围修正处理，得出单元性的感知处理标准值，异常感知标准值VS(E)如公式（2）所示：

式中，m表示可控异常数值总量；n表示异常值延伸规律，结合当前测试，完成对异常处理值的计算。基于得出的异常值和缺失数值，构建一个基础性的负荷数据变动区间，完成对电力动态负荷数据预处理，汇总整合，以待后续的实践应用。

1.2 电力负荷数据概率区间范围压缩

电力负荷的波动性和不确定性增加了电力系统的调度和运营难度，需要更多的灵活性和弹性。通过计算预处理后的电力动态负荷数据概率感知区间，可以提供更全面的预测结果，包括上下界情况，以应对不确定性和突发情况[8]。利用负荷传感技术获取预处理后的电力动态负荷数据的最佳偏振态可控区段，其中，合适值指在电力动态负荷管控区间内所形成的最佳预测感知标准数。

由于负荷传感预测工作往往更加注重高准确率或者高合格率，但是测算的过程较容易受到外部环境及特定因素的影响，风险较大。所以，基于当前的预测需求，可以先压缩预测的区间，将此区间划分为多个区域，设置工作频带宽，并明确对应的动态范围，此时，每一等宽度传感区间形成的中间值也是区间感知测算得出的等效值，计算出小区间的预测合适值P：

式中，i表示等效测算次数；h1和h2分别表示基础区间和实际区间；hi表示重复预测调制区间。结合当前的测算，获取合适值和合适区间，完成区间压缩。

1.3 负荷概率区间多层级划分

由于传统的电力动态负荷数据概率区间预测结构多设定为目标式，虽然可以实现预期的动态感知预测效果，但是较为单一，整体的预测效率较低，导致感知预测结果并不真实可靠，存在误差。因此，利用获取的数据概率感知区间合适值，设计采用多层级预测算法的逻辑结构，结合神经网络技术，进行电力动态负荷区间层级分化，如图1 所示。

结合图1，经负荷数据概率动态感知区间层级的分化处理，将当前的电力动态负荷概率合适区间划分为多个识别敏感覆盖层级。在各个层级之中设定对应的定向感知负荷参数，并设定多层级区间预测的可控指标及参数，如表1 所示。

结合表1，实现对多层级区间划分，调整当前概率区间多层级区间，以多层级负荷区间的预测目标作为引导，获取电力动态负荷概率区间的实时预测数值和信息。

1.4 电力动态负荷数据概率区间预测

根据多层级负荷概率区间层级划分结果，设计电力动态负荷数据概率区间预测流程。在电力设备的总控平台中设置负荷数据传感的识别控制节点，节点的覆盖区域不定，且节点之间相互关联，形成对应的识别预测区域，便于实时数据、信息的采集汇总。通过相位调制的方式，对捕捉的外界异常信号进行动态化解析，结合传播的负荷信号相位发生响应的变化程度，建立对应的负荷传感信号映射变化量。每一个划分的负荷数据概率区间都需要增设可识别控制阶段，明确当前预测的频带宽[9]。实时的负荷数据动态响应的概率区间范围M如公式（4）所示：

式中，U表示实时覆盖区域；K表示重复预测区域；σ表示预测可控差值；O表示预测周期；b表示损失函数。基于此，完成电力动态负荷数据概率区间预测的设计，流程如图2 所示。

结合图2，完成对动态负荷数据概率区间预测流程的设计与实践应用。利用节点对电力动态负荷数值的变化以及区间进行调整，并采集相对应的实时数据、信息。以统一的格式对数据信息进行转换，通过信道传输至预设的位置上，进行负荷概率区间预测调整处理。针对每一个区间进行实时负荷数据变化情况的预测，并对异常值作出标定，异常数值的出现一定程度上也代表预测误差的形成。所以，利用传感节点对电力负荷数据概率区间的预测结果进行实时调整，不仅可以保证负荷数据概率区间的稳定，还可以提升模型的综合预测精度。

由于电力负荷数据的概率区间是不断更新和变化的，为了及时更新和调整预测区间，以适应动态的负荷变化和系统需求的变化，采用多目标 PF-Elman 感知集成处理方法，对电力负荷数据概率区间预测结果展开短期的感知振态修正[10]，从而提供更准确和可靠的概率区间预测结果。集成处理方式主要划分为4个阶段，分别为分解聚类、子序列预测、帕累托最优方案设计以及多目标预测波长集成。

对预测区间的信号多层级解析，控制PF-Elman 感知集成差为1.02～2.15 之间，保证当前的传感覆盖感知区域在合理的范围之内，针对模型中的预测感知矩阵，构建子序列预测目标，将原始的负荷数据分解为若干量，序列的层级分别为高频子序列、低频子序列以及趋势子序列。选择最优帕累托解集，获取当前各个区间的预测数据，将数据与目标进行整合，测算出实时的预测集成值，一般控制在3.55～6.18 之间，判定当前动态负荷的预测结果是否精准，提升预测结果的真实可靠。需要注意的是，区间的预测标准以及集成范围并不是固定的，可以随着实际的需求作出改变和调整，扩大对应的预测范围，为后续预测方法的创新与升级奠定坚实基础。

2 方法测试与结果分析

为了验证电力动态负荷数据概率区间预测方法的实际应用效果，对其展开分析与验证研究。考虑到最终测试结果的真实性与可靠性，采用对比的方式展开分析，选定G 电力覆盖区域作为测试的主要目标对象，选取文献[1]的传统SARIMA 模型动态负荷数据概率区间预测测试组、文献[2]的传统改进双向GABP 神经网络动态负荷数据概率区间预测测试组以及此次所设计的动态负荷数据概率区间预测测试组，对最终得出的预测结果比照研究。

2.1 测试准备

结合传感技术，对选定的G 电力覆盖区域电力动态负荷数据概率区间预测环境进行实时搭建，明确区间的预测范围，并将其划分为6 个测试感知区间。在G 电力覆盖的区域布置电力负荷监测传感器，将其安装在变电站、配电箱、电缆线路等位置，实时采集电力系统的负荷数据。同时，在感知区间之内设置多个预测识别节点，节点之间互相搭建，形成循环性的预测结构。选取PowerFactory 作为实验的软件环境，其是一款功能强大的电力系统仿真和分析软件，可以用于模拟和分析电网运行状态、负荷变动和系统稳定性等。因此，利用该软件实现分析G 电力覆盖区域电力动态负荷变动情况。其中，预测等级表示对电力负荷未来变化的预测精度等级，在电力负荷预测中常用来评估方法的准确性和可靠性。同时，为了衡量电力负荷的变动程度，获取G 电力覆盖区域的波动比，即短期内电力负荷变动量与总负荷平均值之比。波动比较大时，表示负荷变动剧烈；波动比较小时，表示负荷相对稳定。此时，结合当前的电力状态，进行电力负荷变动情况的分析，如图3 所示。

结合图3，完成对G 电力覆盖区域电力动态负荷变动情况的分析。其中，初期负荷波动区域是指电力负荷发生剧烈波动的时间段，通常表现为高频率的变动，与突发事件、设备故障等因素有关；而后期负荷波动区域指电力负荷在较长时间内出现变动的时间段，通常表现为低频率的波动，与季节变化、功率需求变化等因素有关。以此为基础，对相应的区间进行振动覆盖处理，并计算出允许出现的最大预测限制差值F：

2.2 测试过程及结果分析

在上述搭建的测试环境中，对G 电力覆盖区域电力动态负荷数据概率区间预测方法进行设计与验证分析，对选定的概率区间进行最优负荷相位感知预测值K的计算，如公式（6）所示：

式中，π表示基础预测单元区间；ζ表示预测均值；ρ表示数据转换比；λ表示预测实际值；T表示预测次数；B表示可控预测误差。

APFE（Absolute Percentage Forecast Error）是电力动态负荷数据概率区间预测中常用的误差指标，将其作为实验的评价指标，用于衡量概率区间预测与实际观测值之间的误差，APFE 值越低，表明概率区间预测可信度越高，能够准确地反映负荷真实情况。将获取的最优负荷相位感知预测值作为预测标准值，通过捕捉电力负荷动态变化的信号，明确数据概率区间的实际预测定值，计算出APFE 值，如公式（7）所示：

式中，I表示APFE 值；γ表示初始预测波动范围；β表示实际波动范围；ϑ表示定向预测差值；τ表示重复预测均值；Z表示实时预测范围。结合当前测试，完成对测试结果数据的分析，具体如表2 所示。

表2 测试结果数据分析表

结合表2，可以得出以下测试结论：对比于传统SARIMA 模型动态负荷数据概率区间预测测试组、传统改进双向GABP 神经网络动态负荷数据概率区间预测测试组，此次所设计的动态负荷数据概率区间预测测试组最终得出的APFE 值均被较好地控制在4 以下，说明当前所设计的预测方法更加灵活、高效，预测的效率更佳，具有实际的应用价值。

为了进一步验证不同方法概率区间预测的有效性，将区间覆盖率作为评估指标，区间覆盖率越高，表示预测结果越可靠。由于时间是评估动态负荷预测方法的重要维度，选择时间维度为一天24 h，每3 h 进行一次预测，观察和比较不同方法预测结果的区间覆盖率随时间的变化情况，如图4 所示。

根据图4 可知，所提方法在一天时间内，预测结果的区间覆盖率都在95%以上，表明与实际负荷数据之间的一致性和可靠性较高，而其他两种方法的区间覆盖率低于91%，从而验证了所提方法具有较高的应用性能。这是因为所提方法采用了多层级的方式，扩大了预测范围，提升了模型的综合预测精度。

3 结束语

上述分析是对本文的电力动态负荷数据概率区间预测方法的设计与验证。与初始的电力动态负荷数据概率区间预测结构相比，此次结合当前的测试需求，先依据传感技术，设计更加灵活多变的预测结构，从多个角度强化实际的预测空间与实际覆盖范围，通过概率区间法的辅助，最大程度上摆脱对负荷数据概率区间预测经验的依赖，实现人机交互预测处理，消除影响最终预测结果的不稳定因素，为该项技术的发展提供参考。