超短期负荷预测的新方法研究
|
摘要
随着我国电力工业的发展和电网规模的扩大,电网的结构和运行方式变得越来越复杂。在电力市场化过程中,负荷预测的精度直接关系到各方利益。负荷的突然增加或者减少会对电力系统的安全运行带来不良的影响,因此有必要进行有效的负荷预测,提高超短期负荷预测的精度。
超短期负荷预测通常是指预测一小时之内的电网负荷。其对电力系统控制、运行和计划都是非常重要的,提高其精度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性。
本文在对传统预测方法的算法进行分析的基础上,研究了三种新型超短期负荷预测方法。
基于局部形相似的超短期负荷预测方法,该方法在对电力负荷局部特性分析的基础上,定义了负荷曲线形系数,该方法强调基于形相似基础进行值预测,克服了现有预测方法中对各相似日采用相同权重所导致的平滑效应对拐点负荷预测的影响。
基于形态相似准则的曲线拟合算法,该方法以保证拟合曲线与实际曲线的形态最相似为准则,同时引入时间影响因子,将拟合曲线方程参数的求解转化为约束极值问题。该算法对超短期负荷预测中的曲线拟合预测方法进行了改进。
基于元学习的时变非线性负荷预测组合算法,该算法在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识,作为元预测器的输入,从而发现并且纠正基预测器的系统偏差。同时通过门控网络确定各基预测器的权重。
研究表明,前两种预测方法在保证运算速度的同时,提高了总体预测准确性和拐点处的预测准确性。第三种预测算法能纠正基预测器的系统偏差,提高超短期负荷预测的精度。
Along with our country’s electric power industry developing and the electrical network’s expansive, the structure and the movement way of the electrical network are becoming more and more complex. In the course of electric power marketing, the accuracy of power load forecasting is directly related to the interests of all parties. The sudden increasement or the reduction both can bring bad influence to the electrical power system safe operation. It is the necessory to forecast the load effectively on line.
Very short-term load forecasting means forecasting the load in an hour. It is very important to the control, the operation of the electrical power system. Improving its accuracy can strengthen the security and the efficiency of the electrical power system.
This paper mainly analysises the Algorithmic structure, arithmetic speed, accuracy and error of tranditional methods, the three new very short-term load forecasting methods are studied.
The first one is very short-term load forecasting method based on the local shape similarity. This mothod defines load curve shape coefficient based on analysis of power load local characteristic. It emphasizes on that the value forecasting should base on shape similarity. The influence of smoothing effect on inflexion point load forecasting caused by using homology weights commonly used in the existing forecasting methods is overcome.
The second one is shape similarity criteyion based curve fitting algorithm. The criterion ensures the shape of the fitted curve should be most similar to that of actual curve is abided and at the same time the time-concerning impact factor is inducted, so the solution of parameters of fitting curve equation is transformed into constrained minimization problem. The proposed algorithm improves the curve fitting forecasting method in ultra-short-term load forecasting.
The last one is time-varying nonlinear power load combined forecasting algorithm based on meta-learning. Meta knowledge formed by the results of base predictors and feature attributes of series is used as inputs of meta predictor when combined forecasting is applied. System bias can be founded and rectified. at the same time, the weights of base predictors are calculated using gating network.
Results show that the first two method can improve forecasting precision including inflexion point, the third one can rectify system bias and improve forecasting accuracy in very short-term load forecasting.
超短期负荷预测通常是指预测一小时之内的电网负荷。其对电力系统控制、运行和计划都是非常重要的,提高其精度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性。
本文在对传统预测方法的算法进行分析的基础上,研究了三种新型超短期负荷预测方法。
基于局部形相似的超短期负荷预测方法,该方法在对电力负荷局部特性分析的基础上,定义了负荷曲线形系数,该方法强调基于形相似基础进行值预测,克服了现有预测方法中对各相似日采用相同权重所导致的平滑效应对拐点负荷预测的影响。
基于形态相似准则的曲线拟合算法,该方法以保证拟合曲线与实际曲线的形态最相似为准则,同时引入时间影响因子,将拟合曲线方程参数的求解转化为约束极值问题。该算法对超短期负荷预测中的曲线拟合预测方法进行了改进。
基于元学习的时变非线性负荷预测组合算法,该算法在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识,作为元预测器的输入,从而发现并且纠正基预测器的系统偏差。同时通过门控网络确定各基预测器的权重。
研究表明,前两种预测方法在保证运算速度的同时,提高了总体预测准确性和拐点处的预测准确性。第三种预测算法能纠正基预测器的系统偏差,提高超短期负荷预测的精度。
Along with our country’s electric power industry developing and the electrical network’s expansive, the structure and the movement way of the electrical network are becoming more and more complex. In the course of electric power marketing, the accuracy of power load forecasting is directly related to the interests of all parties. The sudden increasement or the reduction both can bring bad influence to the electrical power system safe operation. It is the necessory to forecast the load effectively on line.
Very short-term load forecasting means forecasting the load in an hour. It is very important to the control, the operation of the electrical power system. Improving its accuracy can strengthen the security and the efficiency of the electrical power system.
This paper mainly analysises the Algorithmic structure, arithmetic speed, accuracy and error of tranditional methods, the three new very short-term load forecasting methods are studied.
The first one is very short-term load forecasting method based on the local shape similarity. This mothod defines load curve shape coefficient based on analysis of power load local characteristic. It emphasizes on that the value forecasting should base on shape similarity. The influence of smoothing effect on inflexion point load forecasting caused by using homology weights commonly used in the existing forecasting methods is overcome.
The second one is shape similarity criteyion based curve fitting algorithm. The criterion ensures the shape of the fitted curve should be most similar to that of actual curve is abided and at the same time the time-concerning impact factor is inducted, so the solution of parameters of fitting curve equation is transformed into constrained minimization problem. The proposed algorithm improves the curve fitting forecasting method in ultra-short-term load forecasting.
The last one is time-varying nonlinear power load combined forecasting algorithm based on meta-learning. Meta knowledge formed by the results of base predictors and feature attributes of series is used as inputs of meta predictor when combined forecasting is applied. System bias can be founded and rectified. at the same time, the weights of base predictors are calculated using gating network.
Results show that the first two method can improve forecasting precision including inflexion point, the third one can rectify system bias and improve forecasting accuracy in very short-term load forecasting.
引文
[1] 于尔铿,刘广一,周京阳. 能量管理系统[M].北京:科学出版社,1998:359
[2] 腾欢.在线超短期负荷预测的分析与应用[D]. 四川:四川大学,2004:64
[3] 杨争林,宋燕敏,曹荣章等. 超短期负荷预测在发电市场中的应用[J].电力系统自动化,2000,24(11):14-17
[4] Payman Shamsollahi, Kwok W. Cheung, Quan Chen, Edward H. Germain . A Neural Network Based Very Short Term Load Forecaster for The Interim ISO New England Electricity Market Systerm[C]. IEEE,2001,9(2):217-222
[5] Liu K, Subbarayan S, Shoults, et al. Comparison of Very Short-term Load Forecasting of Power Systems[J]. IEEE Trans on Power Systems,1996,11(2):877-882
[6] Trudnowskid J, Mcreynolds L,Johnson M. Real-time Very Short-term Load Prediction for Power System Automatic Generation Control[J]. IEEE Transactions on Power Systems,2001,9(2): 254-260
[7] 魏伟,牛东晓. 负荷预测技术的新进展[J]. 华北电力大学学报,2002,29(l): l0-11
[8] 张智晟,孙雅明,张世英等.基于数据挖掘多层次细节分解的负荷序列聚类分析[J].电网技术,2006,30(2):51-56
[9] 朱六璋.短期负荷预测的组合数据挖掘算法[J].电力系统自动化,2006, 30(14): 82-86
[10] 李庆扬,王能超,易大义.数值分析[M].北京:清华大学出版社,1984:409
[11] 丁军威,孙雅明.基于混沌学习算法的神经网络短期负荷预测[J].电力系统自动化,2000,24(2):32-35
[12] 杨争林,宋燕敏,曹荣章等.超短期负荷预测在发电市场中的应用[R].南京:国家电力公司自动化研究院,2000,24(11):14-17
[13] 谢开,汪峰,于尔铿等.应用 Kalman 滤波方法的超短期负荷预报[J].中国电机工程学报,1996,16(4):245-249
[14] 陆海峰.超短期负荷预测及其在优化调度中的应用[D].南京:东南大学,2001:67
[15] Alfuhaid, M.A.E1-sayed, M.S.Mahmoud. Cascaded Artificial Neural Networks for Short Term Load Forecasting[J]. IEEE Transactions on Power Systems,1997,12(4):1524-1529
[16] 张锋,吴劲晖,张怡,胡若云.基于负荷趋势的新型超短期负荷预测法[J].电网技术, 2004,28(19):64-67.
[17] 吴劲晖.负荷求异法在电网超短期负荷预测中的实践[J].中国电力,2003,36(3): 81-82
[18] 朱向阳,林鹤云.一种基于 RAN 和专家系统的短期负荷预测方法[J]. 华东电力,2004,32(9):42-44
[19] 包丹.一种简单易行的超短期负荷预测方法[J].东北:东北电力技术,2000,3: 50-52
[20] 马新, 潘明惠.东北电网超短期负荷预报[J].东北电力技术,1996,17(7):5-7
[21] 陈允平,王旭蕊等.人工神经网络原理及其应用[M].北京:中国电力出版社, 2002:244
[22] 杨争林,唐国庆,宋燕敏等.改进的基于聚类分析的超短期负荷预测方法[J].电力系统自动化,2005,29(24):83-86
[23] 丁恰,卢建刚,钱玉妹等.一种实用的超短期负荷预测曲线外推方法[J].电力系统自动化,2004,28(16):83-85
[24] 杨腾栋 ,彭志炜 .电力负荷预测常用方法的分析及应用 [C].广西电业 ,2006, (78):83-86
[25] 张锋,吴劲晖,张怡等.基于负荷趋势的新型超短期负荷预测法[J].电网技术, 2004,28(19):64-67
[26] 汪峰,谢开,于尔铿.一种简单实用的超短期负荷预报方法[J].电网技术,1996, 20(3):41-43.
[27] 陆 海 峰 , 单 渊 达 . 电 力 系 统 的 递 推 自 适 应 超 短 期 负 荷 顶 报 [J]. 电 网 技术,2000,24(3):28-31
[28] 杨正瓴,田勇,张广涛等.相似日短期负荷预测的非线性理论基础与改进[J].电网技术,2006,30(6):63-66
[29] 蔡佳宏,刘俊勇.超短期负荷预测中相似日的选择方法[J].华北电力大学学报, 2006,30(1):38-41
[30] 王颖,翟晓磊,王海林等.基于 C/S 模式的电网短期负荷预测及负荷分析管理信息系统[J].国际电力,2002,6(4):9-12
[31] 朱常青,王秀和,张鑫等.基于灰关联加权组合模型的电力负荷预测研究[J].电力系统及其自动化学报,2006,18(2):79-81
[32] 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,2004,44(1):106-109
[33] 汤胤.时间序列相似性分析方法研究[J].计算机工程与应用,2006,(1):68-71
[34] 阎惠芳,李社宗,黄跃青等.常用相似性判据的检验和综合相似系数的使用[J]. 气象科技,2003,31(4):211-215
[35] 李明,王智灵.突变期电力负荷预测方法及其应用[J].电力系统自动化,2006, 30(11):93-96
[36] 谢开贵,李春燕,周家启.基于神经网络的负荷组合预测模型研究[J].中国电机工程学报,2002,22(7):85-89
[37] 牛东晓,陈志业,邢棉等.具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型[J].中国电机工程学报,2002,21(1):29-22
[38] 卢建昌,王柳.基于时序分析的神经网络短期负荷预测模型研究[J].中国电力, 2005,38(7):11-14
[39] 朱成骐,孙宏斌,张伯明.基于最大信息熵原理的短期负荷预测综合模型[J].中国电机工程学报,2005,25(19):1-6
[40] 余健明,燕飞,杨文宇.中长期电力负荷的变权灰色组合预测模型[J].电网技术, 2005,29(17):26-29.
[41] 邢棉,杨实俊,牛东晓等.多元指数加权电力负荷灰色优化组合预测[J].电网技术,2005,29(4):8-11
[42] Chan P., Stolfo S. Experiments on Multistrategy Learning by Meta-learning [A]. Conference on Information and Knowledge Management,1993,24(4):314-323
[43] 杨利英 ,覃征 ,胡广伍 ,张选平 .元学习策略及性能评价 [J].西安交通大学学报,2005,39(6):570-573
[44] 韦 艳 艳 , 李 陶 深 . 一 种 基 于 叠 加 框 架 的 元 学 习 策 略 [J]. 通 讯 和 计 算机,2006,3(4):26-29
[45] 杨利英,张军英,覃征.元学习算法选择机制及关联对性能的影响[J].电子科技大学学报,2007,36(2):278-280
[46] 李梅花,王黎明,许红涛.利用抽样技术和元学习的分布式关联规则挖掘算法[J].计算机应用,2006,26(4):872-874
[47] 王浩畅,赵铁军,郑德权,于浩.基于元学习策略的分类器融合方法及应用[J].通信学报,2007,28(10):7-13
[48] 丁军威,孙雅明.基于混沌学习算法的神经网络短期负荷预测[J].电力系统自动化,2000,24(2):32-35
[49] 杨延西,刘丁,李琦,郑岗.小波及混沌学习神经网络在短期电力负荷预测中的应用[J].计算机工程与应用,2003,39(23):217-220
[50] 刘恒玲,李克平.基于混沌算法神经网络的高校师资预测[J].淮北煤师院学报:自然科学版,2003,24(2):39-42
[51] 李祥飞,邹恩,邹莉华,秦斌.前馈神经网络的混沌学习方法研究[J].小型微型计算机系统,2004, 25(2):233-236
[52] 丁恰,卢建刚,钱玉妹等.一种实用的超短期负荷预测曲线外推方法[J].电力系统自动化,2004,28(16): 83-85.
[53] 路轶,王民昆.基于短期负荷预测的超短期负荷预测曲线外推法[J].电力系统自动化,2006,30(16):102-104
[54] 李钷,李敏,刘涤尘.基于改进回归法的电力负荷预测[J].电网技术,2006,30(1): 99-104
[55] 闫冬,赵建国.一种实用化的配电网超短期负荷预测方法[J].电力系统自动化, 2001,25(22):45-48
[56] 刘健,勾新鹏,徐精求等.基于区域负荷的配电网超短期负荷预测[J].电力系统自动化,2003,27(19):34-37
[57] O.Hyde, P.F.hodnett. An Adaptable Automated Procedure for Short-Term Electricity Load Forecasting[J].IEEE,1997,12(1):84-94
[58] 李邦云,程莉.数据挖掘在电力负荷相似性研究中的应用初探[J].湖南电力, 2003,23(5):1-3
[59] Wiktor Charytoniukand, Mo-Shing Chen. Very Short-Term Load Forecasting Using Artificial Neural Networks[J].IEEE Transactions on Power Systems,2000,15(1):263-268
[60] Michanos, S.P., Tsakoumis, A.C., Fessas, P. Short-term Load Forecasting Using A Chaotic Time Series[C].International Symposium on Signals, Circuits and Systems,2003,16(3):437-440
[2] 腾欢.在线超短期负荷预测的分析与应用[D]. 四川:四川大学,2004:64
[3] 杨争林,宋燕敏,曹荣章等. 超短期负荷预测在发电市场中的应用[J].电力系统自动化,2000,24(11):14-17
[4] Payman Shamsollahi, Kwok W. Cheung, Quan Chen, Edward H. Germain . A Neural Network Based Very Short Term Load Forecaster for The Interim ISO New England Electricity Market Systerm[C]. IEEE,2001,9(2):217-222
[5] Liu K, Subbarayan S, Shoults, et al. Comparison of Very Short-term Load Forecasting of Power Systems[J]. IEEE Trans on Power Systems,1996,11(2):877-882
[6] Trudnowskid J, Mcreynolds L,Johnson M. Real-time Very Short-term Load Prediction for Power System Automatic Generation Control[J]. IEEE Transactions on Power Systems,2001,9(2): 254-260
[7] 魏伟,牛东晓. 负荷预测技术的新进展[J]. 华北电力大学学报,2002,29(l): l0-11
[8] 张智晟,孙雅明,张世英等.基于数据挖掘多层次细节分解的负荷序列聚类分析[J].电网技术,2006,30(2):51-56
[9] 朱六璋.短期负荷预测的组合数据挖掘算法[J].电力系统自动化,2006, 30(14): 82-86
[10] 李庆扬,王能超,易大义.数值分析[M].北京:清华大学出版社,1984:409
[11] 丁军威,孙雅明.基于混沌学习算法的神经网络短期负荷预测[J].电力系统自动化,2000,24(2):32-35
[12] 杨争林,宋燕敏,曹荣章等.超短期负荷预测在发电市场中的应用[R].南京:国家电力公司自动化研究院,2000,24(11):14-17
[13] 谢开,汪峰,于尔铿等.应用 Kalman 滤波方法的超短期负荷预报[J].中国电机工程学报,1996,16(4):245-249
[14] 陆海峰.超短期负荷预测及其在优化调度中的应用[D].南京:东南大学,2001:67
[15] Alfuhaid, M.A.E1-sayed, M.S.Mahmoud. Cascaded Artificial Neural Networks for Short Term Load Forecasting[J]. IEEE Transactions on Power Systems,1997,12(4):1524-1529
[16] 张锋,吴劲晖,张怡,胡若云.基于负荷趋势的新型超短期负荷预测法[J].电网技术, 2004,28(19):64-67.
[17] 吴劲晖.负荷求异法在电网超短期负荷预测中的实践[J].中国电力,2003,36(3): 81-82
[18] 朱向阳,林鹤云.一种基于 RAN 和专家系统的短期负荷预测方法[J]. 华东电力,2004,32(9):42-44
[19] 包丹.一种简单易行的超短期负荷预测方法[J].东北:东北电力技术,2000,3: 50-52
[20] 马新, 潘明惠.东北电网超短期负荷预报[J].东北电力技术,1996,17(7):5-7
[21] 陈允平,王旭蕊等.人工神经网络原理及其应用[M].北京:中国电力出版社, 2002:244
[22] 杨争林,唐国庆,宋燕敏等.改进的基于聚类分析的超短期负荷预测方法[J].电力系统自动化,2005,29(24):83-86
[23] 丁恰,卢建刚,钱玉妹等.一种实用的超短期负荷预测曲线外推方法[J].电力系统自动化,2004,28(16):83-85
[24] 杨腾栋 ,彭志炜 .电力负荷预测常用方法的分析及应用 [C].广西电业 ,2006, (78):83-86
[25] 张锋,吴劲晖,张怡等.基于负荷趋势的新型超短期负荷预测法[J].电网技术, 2004,28(19):64-67
[26] 汪峰,谢开,于尔铿.一种简单实用的超短期负荷预报方法[J].电网技术,1996, 20(3):41-43.
[27] 陆 海 峰 , 单 渊 达 . 电 力 系 统 的 递 推 自 适 应 超 短 期 负 荷 顶 报 [J]. 电 网 技术,2000,24(3):28-31
[28] 杨正瓴,田勇,张广涛等.相似日短期负荷预测的非线性理论基础与改进[J].电网技术,2006,30(6):63-66
[29] 蔡佳宏,刘俊勇.超短期负荷预测中相似日的选择方法[J].华北电力大学学报, 2006,30(1):38-41
[30] 王颖,翟晓磊,王海林等.基于 C/S 模式的电网短期负荷预测及负荷分析管理信息系统[J].国际电力,2002,6(4):9-12
[31] 朱常青,王秀和,张鑫等.基于灰关联加权组合模型的电力负荷预测研究[J].电力系统及其自动化学报,2006,18(2):79-81
[32] 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,2004,44(1):106-109
[33] 汤胤.时间序列相似性分析方法研究[J].计算机工程与应用,2006,(1):68-71
[34] 阎惠芳,李社宗,黄跃青等.常用相似性判据的检验和综合相似系数的使用[J]. 气象科技,2003,31(4):211-215
[35] 李明,王智灵.突变期电力负荷预测方法及其应用[J].电力系统自动化,2006, 30(11):93-96
[36] 谢开贵,李春燕,周家启.基于神经网络的负荷组合预测模型研究[J].中国电机工程学报,2002,22(7):85-89
[37] 牛东晓,陈志业,邢棉等.具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型[J].中国电机工程学报,2002,21(1):29-22
[38] 卢建昌,王柳.基于时序分析的神经网络短期负荷预测模型研究[J].中国电力, 2005,38(7):11-14
[39] 朱成骐,孙宏斌,张伯明.基于最大信息熵原理的短期负荷预测综合模型[J].中国电机工程学报,2005,25(19):1-6
[40] 余健明,燕飞,杨文宇.中长期电力负荷的变权灰色组合预测模型[J].电网技术, 2005,29(17):26-29.
[41] 邢棉,杨实俊,牛东晓等.多元指数加权电力负荷灰色优化组合预测[J].电网技术,2005,29(4):8-11
[42] Chan P., Stolfo S. Experiments on Multistrategy Learning by Meta-learning [A]. Conference on Information and Knowledge Management,1993,24(4):314-323
[43] 杨利英 ,覃征 ,胡广伍 ,张选平 .元学习策略及性能评价 [J].西安交通大学学报,2005,39(6):570-573
[44] 韦 艳 艳 , 李 陶 深 . 一 种 基 于 叠 加 框 架 的 元 学 习 策 略 [J]. 通 讯 和 计 算机,2006,3(4):26-29
[45] 杨利英,张军英,覃征.元学习算法选择机制及关联对性能的影响[J].电子科技大学学报,2007,36(2):278-280
[46] 李梅花,王黎明,许红涛.利用抽样技术和元学习的分布式关联规则挖掘算法[J].计算机应用,2006,26(4):872-874
[47] 王浩畅,赵铁军,郑德权,于浩.基于元学习策略的分类器融合方法及应用[J].通信学报,2007,28(10):7-13
[48] 丁军威,孙雅明.基于混沌学习算法的神经网络短期负荷预测[J].电力系统自动化,2000,24(2):32-35
[49] 杨延西,刘丁,李琦,郑岗.小波及混沌学习神经网络在短期电力负荷预测中的应用[J].计算机工程与应用,2003,39(23):217-220
[50] 刘恒玲,李克平.基于混沌算法神经网络的高校师资预测[J].淮北煤师院学报:自然科学版,2003,24(2):39-42
[51] 李祥飞,邹恩,邹莉华,秦斌.前馈神经网络的混沌学习方法研究[J].小型微型计算机系统,2004, 25(2):233-236
[52] 丁恰,卢建刚,钱玉妹等.一种实用的超短期负荷预测曲线外推方法[J].电力系统自动化,2004,28(16): 83-85.
[53] 路轶,王民昆.基于短期负荷预测的超短期负荷预测曲线外推法[J].电力系统自动化,2006,30(16):102-104
[54] 李钷,李敏,刘涤尘.基于改进回归法的电力负荷预测[J].电网技术,2006,30(1): 99-104
[55] 闫冬,赵建国.一种实用化的配电网超短期负荷预测方法[J].电力系统自动化, 2001,25(22):45-48
[56] 刘健,勾新鹏,徐精求等.基于区域负荷的配电网超短期负荷预测[J].电力系统自动化,2003,27(19):34-37
[57] O.Hyde, P.F.hodnett. An Adaptable Automated Procedure for Short-Term Electricity Load Forecasting[J].IEEE,1997,12(1):84-94
[58] 李邦云,程莉.数据挖掘在电力负荷相似性研究中的应用初探[J].湖南电力, 2003,23(5):1-3
[59] Wiktor Charytoniukand, Mo-Shing Chen. Very Short-Term Load Forecasting Using Artificial Neural Networks[J].IEEE Transactions on Power Systems,2000,15(1):263-268
[60] Michanos, S.P., Tsakoumis, A.C., Fessas, P. Short-term Load Forecasting Using A Chaotic Time Series[C].International Symposium on Signals, Circuits and Systems,2003,16(3):437-440