CN102663518A - 基于温度还原模型的年最大负荷预测方法 - Google Patents

Abstract

本发明公开了一种用于电网控制领域的基于温度还原模型的年最大负荷预测方法，包括下列步骤：历史数据处理步骤，包括：求取历史各年度的年最大负荷及最大负荷日最高温度工序；对历史各年度的年最大负荷日最高温度进行积温修正工序；求取历史各年度的年基础负荷工序；求取各温度下的温度敏感系数工序。负荷还原步骤，包括：确定最高基准温度工序；求解调整系数工序；求取历史各年度的年还原最大负荷工序；负荷外推预测及结果调整步骤，包括：建立回归模型，用年还原最大负荷外推预测目标年的年还原最大负荷工序；预测目标年的年最高温度，确定目标年的年最高温度预测区间工序；根据目标年的年最高温度预测区间确定目标年的年最大负荷预测区间工序。

Description

基于温度还原模型的年最大负荷预测方法

技术领域

本发明涉及一种用于电网控制领域的基于温度还原模型的年最大负荷预测方法。

背景技术

电网中，温度因素是短期负荷预测重点考虑的影响因素之一，传统中长期负荷预测一般不考虑其影响。然而，随着经济的发展和居民生活水平的提高，近年来，在我国绝大多数大中型城市，尤其是季节分明的南方省市，居民类负荷和第三产业负荷在社会总负荷中所占的比重都呈逐年上升的趋势。分析城市电网的年最大负荷发生时的特点不难发现，上述负荷的出现与天气状况，尤其是温度存在密切关系，表现为对温度的敏感特性。特别是在季节变化特征明显的城市地区，这种特点更加突出。温度已成为影响城市电网负荷变化的一个不可忽略的敏感因素。

在以年为单位的中长期负荷预测中，一般主要以历史各年度的最大负荷为基础进行目标年及各水平年的年最大负荷的预测，而年最大负荷易受年最高温度的影响，历史各年度的最大负荷的数据中往往存在较大的温度敏感分量，或者说是温度随机分量。因此，需要重点研究温度与年最大负荷之间的关联关系，并在预测中剔除温度敏感分量的影响，才能有效提高目标年的年最大负荷预测的准确性。目标年是指需要进行年最大负荷预测的年份。

发明内容

本发明的目的是为了克服现有技术的不足，提供一种基于温度还原模型的年最大负荷预测方法，其能够对目标年的年最大负荷做出准确有效的预测，为电力在电网中的调控提供依据，保障电网的运行安全。

实现上述目的的一种技术方案是：基于温度还原模型的年最大负荷预测方法，对目标年的年最大负荷进行预测，所述年最大负荷预测方法包括下列步骤：

S1历史数据处理步骤，包括：

S11求取历史各年度的年最大负荷及最大负荷日最高温度工序；S12对历史各年度的年最大负荷日最高温度进行积温修正，求取历史各年度的年最大负荷日修正最高温度工序；S13求取历史各年度的年基础负荷工序；S14求取各温度下的温度敏感系数工序；

S2负荷还原步骤，包括：

S21确定最高基准温度工序；S22求解调整系数工序；S23求取历史各年度的年还原最大负荷工序；

S3负荷外推预测及结果调整步骤，包括：

S31建立回归模型，用年还原最大负荷外推预测目标年的年还原最大负荷工序；S32预测目标年的年最高温度，确定目标年的年最高温度预测区间工序；S33根据目标年的年最高温度预测区间预测值确定目标年的年最大负荷预测区间工序。

进一步的，所述S12工序中，所述年最大负荷日修正最高温度的求解公式为：

其中，T′₀为年最大负荷日修正最高温度，T₀为年最大负荷日最高温度，T_i为年最大负荷日i天前最高温度；α为累积效应系数；

n为日最高温度连续高于28℃的天数，p为统计天数。

再进一步的，所述S13工序的方法为：所使用HP滤波器对历史各年度的全年的日最大负荷进行HP滤波，得到历史各年度的日最大负荷的趋势分量和周期分量；求取历史各年度六月至九月的日最大负荷的趋势分量，求取所述趋势分量的平均值，以此作为历史各年度的年基础负荷。

更进一步的，所述S14工序的方法为：读取历史各年度的年最大负荷日修正最高温度，并计算历史各年度的年最大负荷日修正最高温度的算术平均值和均方根值，将所述算术平均值和所述均方根值的平均值作为所述最高基准温度。

还要进一步的，所述S22工序的方法为：读取各温度下的温度敏感系数，并根据根温度下的所述温度敏感系数，建立最优化约束问题方程，分别确定在28℃到所述最高基准温度内的调整系数K1和所述最高基准温度到40℃的调整系数K2。

还要再进一步的，所述S23工序中，求取所述年还原最大负荷的公式为：

其中，P_ref为年还原最大负荷，T_ref最高基准温度，P₀为年最大负荷，T′₀为年最大负荷日修正最高温度。

还要更进一步的，所述S31工序中，依据历史各年度的年还原最大负荷，采用函数回归的方法，外推预测目标年的年还原最大负荷。

再要进一步的，33工序中，计算目标年的年最大负荷预测区间所采用的公式为：

其中，P_ref1为目标年的年还原最大负荷，T_ref最高基准温度，P_max1为目标年的年最大负荷预测区间的上限或者下限，T_max1为目标年的年最高温度预测区间的上限或者下限。

采用了本发明的基于温度还原模型的年最大负荷预测方法的技术方案，即历史数据处理步骤、负荷还原步骤和负荷外推预测及结果调整步骤得到目标年的年最大负荷预测值。其技术效果是：可以克服以历史各年度的最大负荷为基础进行目标年及各水平年的年最大负荷预测所具有的缺陷，历史各年度的最大负荷的数据中温度敏感分量的影响，提高目标年的年最大负荷的准确性，为电力在电网中的调控提供依据，保障电网的运行安全。

附图说明

图1为本发明的基于温度还原模型的年最大负荷预测方法的流程图。

图2为本发明的基于温度还原模型的年最大负荷预测方法的温度还原模型原理图。

具体实施方式

请参阅图1和图2，为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例，并结合附图进行详细地说明：

基于温度还原模型的年最大负荷预测方法，对目标年的年最大负荷进行预测，所述年最大负荷预测方法包括下列步骤：

S1历史数据处理步骤，包括：

S11求取历史各年度的年最大负荷及最大负荷日最高温度工序；S12对历史各年度的年最大负荷日最高温度进行积温修正，求取历史各年度的年最大负荷日修正最高温度工序；S13求取历史各年度的年基础负荷工序；S14求取各温度下的温度敏感系数工序；

S2负荷还原步骤，包括：

S21确定最高基准温度工序；S22求解调整系数工序；S23求取历史各年度的年还原最大负荷工序；

S3负荷外推预测及结果调整步骤，包括：

S31建立回归模型，用年还原最大负荷外推预测目标年的年还原最大负荷工序；S32预测目标年的年最高温度，确定目标年的年最高温度预测区间工序；S33根据目标年的年最高温度预测区间确定目标年的年最大负荷预测区间工序。

S1步骤中，所述S12工序的目的是：修正积温效应对最大负荷的影响，所述积温效应的是指日最大负荷变化以日为单位滞后于日最高温度变化的现象，积温效应的对负荷影响的变化规律可总结如下：

即只有当日最高温度处于28℃～38℃之间时，积温效应对于负荷的影响才是明显，在33℃～34℃之间时，积温效应对于负荷的影响最为明显。

只有在日最高温度连续0-3天高于28℃时，积温效应的影响才是明显的。

基于以上分析，可采用以下两个公式中的一个对当日最高温度进行积温修正：

式中：T′₀为修正最高温度，T₀实际最高温度，T_i为i天前的实际最高温度；

为

天前的实际最高温度，α为累积效应系数；

n为日最高温度连续高于28℃的天数，p为统计积温效应的天数，即统计天数。

关于累积效应系数α的取值，需要根据28-40℃区间内的不同温度区间取不同的值。而每个温度区间α的具体取值，理论上需要对历史数据进行曲线拟合，本实施例中所述累积效应系数α可根据表1进行选取：

表1累积效应系数α在不同温度T取值

温度区间T/℃	累积效应系数α
		＞38	0
(37，38]	0.10
		(36，37]	0.30
(35，36]	0.45
		(34，35]	0.65
(33，34]	0.50
		(31，33]	0.35
(30，31]	0.20
		(28，30]	0.10

传统上，S13工序所采取的方法为：选取历史各年度的四月五月两个月间日最大负荷的最大值，十月单月的日最大负荷的最大值，把将它们取平均值，作为历史各年度的年基础负荷。但是本发明中采用了更为科学的方法。这种方法是读取历史各年度的年最大负荷日修正最高温度，并计算历史各年度的年最大负荷日修正最高温度的算术平均值和均方根值，将所述算术平均值和所述均方根值的平均值作为所述最高基准温度。其中HP滤波器所采用的HP滤波方法是Hodrick和Prescott提出的一种滤波方法。

所述14工序中，所述温度敏感系数k是指各温度下单位温度变化所引起的日最大负荷增量与所述基础负荷的比值：历史上某一年度的所述温度敏感系数的求解方法为：以历史上某一年度的日最高温度为自变量，以该年度的日最大负荷为应变量，进行三次函数拟合，求解所述三次函数在各个日最高温度下的斜率，再将所述斜率除以该年度的所述基础负荷，即为该年度的所述温度敏感系数。本实施例中，所述的温度敏感系数k为近五年各年度的温度敏感系数的平均值，所述温度敏感系数k对应的温度取值范围在28℃～40℃之间。

表2，温度敏感系数k取值列表

还原模型如图2所述，

表示年修正最高温度相对于基准最高温度的变化量；

表示相对于所述基准最高温度下的年最大负荷，即年还原最大负荷的变化量；

轴与

轴交点处的T_ref表示基准最高温度，简称最高基准温度；K1、K2表示：年最高修正温度在低于或高于所述最高基准温度时，年修正最高温度每下降或上升1℃，所述年最大负荷的变化量占年还原最大负荷的比例，即年最高温度在高于或低于所述最高基准温度时的调整系数。成立下述关系式：

上式中，P_max为年实际年最大负荷；P_ref为最高基准温度下年还原最大负荷，对应于所述最高基准温度下的年最大负荷值；T_max表示年修正最高温度，当T′₀低于T_ref时，K为调整系数，当T′₀低于T_ref时，K＝K1；当T′₀高于T_ref时，K＝K2。

因此，所述求解年还原最大负荷的公式为：

S2步骤中，S21工序的方法为：读取历史各年度的年最大负荷当日的修正最高温度，并计算历史各年度的年最大负荷日修正最高温度的算术平均值和历史各年度的年最大负荷日修正最高温度的均方根值，将所述算术平均值和所述均方根值的平均值作为所述最高基准温度。

本实施例中选取了近五年的年最大负荷日修正最高温度，分别为：36.72℃、37.57℃、37.63℃、38.17℃和39.50℃，年最大负荷日修正最高温度的算术平均值为37.9169℃，年最大负荷日修正最高温度的均方根值为37.9280℃。取两者的平均值37.92℃，作为所述最高基准温度。

S22工序的中，求取所述负荷调整系数K是以历史各年度的年最大负荷、年最大负荷日修正最高温度、年还原最大负荷和基础负荷值为基础的，如表3所示。

表3历史各年度年还原最大负荷及基础负荷值列表

这是所述年还原最大负荷与所述基础负荷相关性最大的最优化问题，限定K1的约束范围的上限和下限分别为28℃到所述最高基准温度之间的所述温度敏感系数k的最大值和最小值，限定K2的约束范围的上限和下限分别是所述最高基准温度到40℃之间的所述温度敏感系数k的最大值和最小值，如果所述温度敏感系数k出现负值，则以0.001代替。并以这两个限定条件求解最优化问题的约束方程。

根据表2，本实施例中，K1的约束范围为[0.0062，0.0524]，K2的约束范围为[0.001，0.0062]，解得K1＝0.0396，K2＝0.0062。此时，年还原最大负荷与年基础负荷两个序列的相关系数R＝0.9494，相关性非常高。

根据S23工序，根据年还原最大负荷的求取公式，得到近五个年度的年最大负荷如表4所示。

表4历史各年度的年最大负荷和年还原最大负荷列表

S3步骤的S31工序中，以历史各年度的所述年最大负荷和所述年还原最大负荷为依据，采用函数回归的方法预测目标年的年最大负荷。选取拟合相关性系数R²值最为接近1的5个函数模型，分别外推预测目标年的年还原最大负荷预测值，并根据所述相关性系数R²值及F检验值F的平均比例设定权值，进行加权平均，由此得到目标年的年的年还原最大负荷的预测结果。接着再根据目标年的年修正最高温度区间对预测结果进行调整。如表5所示。预测目标年的年还原最大负荷预测值为3255.300MW。

表5目标年的年还原最大负荷预测值列表

通过表5得到的预测结果是在所述最高基准温度的基础上得到的，需要根据最高温度预测结果进行修正。

S32工序中，从气象部门获得的目标年的年最高温度的预测值为40℃，目标年的年最高温度预测区间的上限或者下限分别是39.5℃-40.5℃。

那么，S33工序中，计算目标年的年最大负荷预测区间的上限和下限。

目标年的年最大负荷预测区间的上限为：

＝年还原最大负荷预测值×[1+0.0062×(39.5-37.92)]

＝3255.300×(1+0.0062×1.58)＝3287.189MW。

目标年的年最大负荷预测区间的上限：

＝目标年还原最大负荷结果×[1+0.0062×(39.5-37.92)]

＝3255.300×(1+0.0062×2.58)＝3307.372MW。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (7)

1.基于温度还原模型的年最大负荷预测方法，对目标年的年最大负荷进行预测，其特征在于：所述年最大负荷预测方法包括下列步骤：

S1历史数据处理步骤，包括：

S11求取历史各年度的年最大负荷及最大负荷日最高温度工序；S12对历史各年度的年最大负荷日最高温度进行积温修正，求取历史各年度的年最大负荷日修正最高温度工序；S13求取历史各年度的年基础负荷工序；S14求取各温度下的温度敏感系数工序；

S2负荷还原步骤，包括：

S21确定最高基准温度工序；S22求解调整系数工序；S23求取历史各年度的年还原最大负荷工序；

S3负荷外推预测及结果调整步骤，包括：

S31建立回归模型，用年还原最大负荷外推预测目标年的年还原最大负荷工序；S32预测目标年的年最高温度，确定目标年的年最高温度预测区间工序；S33根据目标年的年最高温度预测区间确定目标年的年最大负荷预测区间工序。

2.根据权利要求1所述的年最大负荷预测方法，其特征在于：所述S12工序中，所述年最大负荷日修正最高温度的求解公式为：

$T_0^{\′}=T_0+\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\α}}^i(T_i-T_0);$

其中，T′₀为年最大负荷日修正最高温度，T₀为年最大负荷日最高温度，T_i为年最大负荷日i天前最高温度；α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，p为统计天数。

3.根据权利要求2所述的年最大负荷预测方法，其特征在于：所述S13工序的方法为：使用HP滤波器对历史各年度的全年的日最大负荷进行HP滤波，得到历史各年度的日最大负荷的趋势分量和周期分量；求取历史各年度六月至九月的日最大负荷的趋势分量，求取所述趋势分量的平均值，以此作为历史各年度的年基础负荷。

4.根据权利要求3所述的年最大负荷预测方法，其特征在于：所述S14工序的方法为：读取历史各年度的年最大负荷日修正最高温度，并计算历史各年度的年最大负荷日修正最高温度的算术平均值和均方根值，将所述算术平均值和所述均方根值的平均值作为所述最高基准温度。

5.根据权利要求4所述的年最大负荷预测方法，其特征在于：所述S22工序的方法为：读取各温度下的温度敏感系数，并根据根温度下的所述温度敏感系数，建立最优化约束问题方程，分别确定在28℃到所述最高基准温度内的调整系数K1和所述最高基准温度到40℃的调整系数K2。

6.根据权利要求5所述的年最大负荷预测方法，其特征在于：所述S23工序中，求取所述年还原最大负荷的公式为：

$P_{\mathrm{ref}}=\frac{P_0}{1+(T_0^{\′}-T_{\mathrm{ref}})};$

其中，P_ref为年还原最大负荷，T_ref最高基准温度，P₀为年最大负荷，T′₀为年最大负荷日修正最高温度。

7.根据权利要求6所述的年最大负荷预测方法，其特征在于：所述S31工序中，依据历史各年度的年还原最大负荷，采用函数回归的方法，外推预测目标年的年还原最大负荷。

8根据权利要求7所述的年最大负荷预测方法，其特征在于，S33工序中，计算目标年的年最大负荷预测区间所采用的公式为：

P_max1＝P_ref1(1+K(T_max1-T_ref)；

其中，P_ref1为目标年的年还原最大负荷，T_ref最高基准温度，P_max1为目标年的年最大负荷预测区间的上限或者下限，T_max1为目标年的年最高温度预测区间的上限或者下限。

Images