CN105787606A - 一种基于超短期负荷预测的电力调度在线趋势预警*** - Google Patents

Abstract

本发明涉及将在线安全分析结果应用在负荷预测的技术领域，尤其涉及一种基于超短期负荷预测的电力调度在线趋势预警***，具体是通过对负荷数据进行统计、分析和预测，计算出电网未来潮流，形成电网短期趋势预警及事故后处理预案。本发明包括以下操作步骤：基于用电量大数据分析的短期负荷预测；基于ARIMA算法得出的超短期负荷进行潮流趋势分析；电网风险评估告警；设备检修进度管理；数据接入全景化监视；事故中处理；事故后恢复供电。本发明能够实现在线趋势预警和调度计划变动信息的联动，构成省地一体化的趋势分析预警和辅助决策体系。

Description

一种基于超短期负荷预测的电力调度在线趋势预警***

技术领域

本发明涉及将在线安全分析结果应用在负荷预测的技术领域，尤其涉及一种基于超短期负荷预测的电力调度在线趋势预警***，具体是通过对负荷数据进行统计、分析和预测，计算出电网未来潮流，形成电网短期趋势预警及事故后处理预案。

背景技术

目前，各省调电网安全稳定分析逐步由离线化向在线化发展。基于D5000平台的包含静态、暂态、动态、电压、频率、小干扰稳定计算及短路电流计算的在线安全分析***得到广泛应用。但是，当电网处于非正常状态时，仍需依赖人工经验进行判断和处理，而调度人员在短时间内需要处理海量信息时容易出现认知障碍。使得电网调度的发展无法摆脱调度人员认为因素负面影响，智能程度不高。

为降低智能调度人为因素干扰，提高调度时效性和快速反应能力，电力调度趋势感知技术应运而生。在现有的在线分析预警技术基础上，把针对当前运行状态的预警功能拓展到超短期，有效弥补在线预警和日前96点安全校核之间的趋势分析功能空白，帮助调度运行人员掌握未来一段时间内电网的发展趋势，做到有备而来，全面实现安全稳定多时间尺度的综合全面评估。

发明内容

针对上述现有技术中存在的不足之处，本发明提出一种基于超短期负荷预测的电力调度在线趋势预警***，目的是通过对负荷数据进行统计、分析和预测，计算出电网未来潮流，形成电网短期趋势预警及事故后处理预案。

为了达到上述发明目的，本发明是通过以下技术方案实现的：

一种基于超短期负荷预测的电力调度在线趋势预警***，包括以下操作步骤：

(1)基于用电量大数据分析的短期负荷预测；

(2)基于ARIMA算法得出的超短期负荷进行潮流趋势分析；

(3)电网风险评估告警；

(4)设备检修进度管理；

(5)数据接入全景化监视；

(6)事故中处理；

(7)事故后恢复供电。

所述基于用电量大数据分析的短期负荷预测，包括：使用时间序列方法进行短期负荷预测；时间序列法是一种定量预测方法，在数据挖掘中作为一种常用的预测手段被广泛应用；对时间序列建模的两个任务，一是分析当期数据如何受前几期的数据影响，二是变量在时间变化上的规律性。

所述的时间序列算法为ARIMA模型，ARIMA模型全称为自回归移动平均模型(AutoRegressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名时间序列预测方法，所以又称为Box-Jenkins模型、博克思-詹金斯法；其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归,p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数；ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列；这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值；现代统计方法、计量经济模型在某种程度上已经能够帮助企业对未来进行预测；

ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型；在ARIMA模型的识别过程中，主要用到两个工具：自相关函数，简称ACF；偏自相关函数，简称PACF；以及它们各自的相关图，即ACF、PACF相对于滞后长度描图；对于一个序列y来说，它的第k阶自相关系数(r_K)定义为它的k阶自协方差除以它的方差；

$r_k=\frac{\underset{t=1}{\overset{n-k}{\Σ}}(y_t-\stackrel{\‾}{y})(y_{t+k}-\stackrel{\‾}{y})}{{\Σ}_{t=1}^n{(y_t-\stackrel{\‾}{y})}^2}---\left(1\right);$

式中:y为序列；r_K为k阶自相关系数；n表示上界，t表示下界；

式(1)是关于k的函数，也称之为自相关函数ACF(k)；偏自相关函数PACF(k)度量了消除中间滞后项影响后两滞后变量之间的相关关系；

ARIMA(p,d,q)模型是经过d阶差分变换后的ARMA(p,q)模型，ARMA(p,q)模型的一般形式为式(2)：

y_t＝c+φ₁y_t-1+...+φ_py_t-p+ε_t+θ₁ε_t-1+...+θ_qε_t-q(2)；

式中：c为噪声均值；φ₁,φ₂...φ_p为自回归参数；θ₁，θ₂...θ_q为移动平均参数；ε_t,ε_t-1...ε_t-q为白噪声过程；

因此，通过ARIMA模型可以对电网超短期负荷进行预测，进而开展下一步趋势分析。

所述基于ARIMA算法得出的超短期负荷进行潮流趋势分析，包括：在线趋势分析预警***基于下15分超短期负荷预测、超短期风电和光伏预测和实时发电计划进行未来态潮流计算，然后利用现有DSA应用的硬件和软件环境进行趋势分析；先算当前断面再算未来断面，在线数据整合后，启动当前断面的计算，同时进行趋势数据检查和未来态潮流计算；当前断面计算完成后，利用已有机群和计算功能进行未来15分钟断面的计算，分析电网演变趋势；同时，通过即实时采集、对比设备潮流变化，进行监视设备潮流突变、实时感知各类电网扰动；通过在大屏幕上展示某一设备前后时刻突变情况和今昨天同一时刻变化率，帮助调度员分析某一元件的潮流的变化主要原因。

所述趋势分析功能模块位于在线安全稳定分析中，首先，将ARIMA算法得出的超短期负荷预测作为调度计划类应用中的预测模块进行输入；然后，将预测模块配合调度计划类应用中的检修计划、发电计划模块推入至在线安全稳定分析中的未来潮流计算功能模块中；同时，未来潮流计算功能模块也综合考虑了来自数据整合功能模块的在线整合潮流，及短期交易管理的直流线计划和省际联络线计划等等数据进行综合分析；接下来，未来潮流计算功能模块输出趋势潮流作为趋势分析功能模块的输入；最后，趋势分析功能模块的趋势分析结果输入至电网实时监控与智能告警、运行分析与评价、调度运行辅助决策应用中进行展示和预警，完成了趋势分析的计算、运行和输出全过程。

所述电网风险评估告警，包括：将电网潮流、设备检修、实时天气、在线安全分析、发供电平衡等引入风险评估***，通过不断的深入分析省内电网的数据，按风险影响因素进行分类、分层、分级的人工神经网络模型和体系；电网运行风险评估流程包括信息采集、风险辨识、风险评估与定级、风险预警；信息采集功能为收集并加工“风险辨识”与“风险评估”环节需要的各类信息；风险辨识即对影响电网安全运行的各类风险因素、风险指标进行分类量化，建立以百分比为指标的评级分数。

所述设备检修进度管理，包括：实现各电压等级，各类检修设备分别展示及查询；利用时间进度甘特图实时展示检修进度；采用设备实际开关状态接入方式实时掌握设备状态；自动获取电网潮流控制临时断面。

所述数据接入全景化监视，包括：***接入多种不同数据类型的业务***，接口类型丰富，信息量大，实现了数据筛选优化，并具有继续扩展的空间；***接入遥测、遥信点18万个，潮流突变每次计算遥测点1200多个，按照***每15秒刷新一次，76778个动态遥测点计算，每天计算存储数据达4.5亿条。

所述事故中处理，包括：当电网中发生事故时，为保证电网稳定，调控人员需要查阅大量先关信息作为***稳定参考，比如查阅规程信息、预案信息、负荷情况、线路参数、事故处理历史信息等；但这些信息量大、彼此之间没有关联关系，查询费时费力；为此通过平台统一收集这些相关信息，并建立信息之间的关联关系；当电网发生事故，根据事故信息内容，平台可以直接将事故相关信息的分析查询结果推送在调控人员面前，为调控人员对事故的处理提供数据支撑。

所述事故后恢复供电，包括：以往恢复供电过程需要调控人员通过电话的形式逐一汇报；在线趋势分析预警***平台建立后，调度人员可以通过平台发布恢复供电的操作命令，大多数恢复供电的操作命令可以通过以往的事故处理历史中直接引用，缩短整体恢复时间。

本发明的优点效果是：

我国目前电网数据应用停留在基本层面，除了日常业务管理外其他高级应用很少。本发明提出将在线安全分析结果应用在负荷预测领域，将主网在线安全分析与应急指挥平台、智能化预案***、电网风险评估等应用相融合，形成电网短期趋势预警及事故后处理预案。实现了在线趋势预警和调度计划变动信息的联动，构成省地一体化的趋势分析预警和辅助决策体系。

短期负荷预测的基础是用户用电量大数据分析技术。通过某地区历史用电量，分析负荷特性，建立负荷的时间模型。电力公司通过监测运营用电量大数据变化，感知到地区负荷突变，进而将负荷预测信息反馈给一线调度部门，从而触发调度部门在线趋势计算，在事故前有效预警，并缩短事故后停电及抢修时间。

附图说明

图1为本发明***框图；

图2为电网风险评估模型。

具体实施方式

本发明是一种基于超短期负荷预测的电力调度在线趋势预警***，具体包括以下操作步骤：

1、基于用电量大数据分析的短期负荷预测。

使用时间序列方法进行短期负荷预测。时间序列法是一种定量预测方法，在数据挖掘中作为一种常用的预测手段被广泛应用。对时间序列建模的两个任务，一是分析当期数据如何受前几期的数据影响，二是变量在时间变化上的规律性。本发明选用的时间序列算法为ARIMA模型。ARIMA模型全称为自回归移动平均模型(AutoRegressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名时间序列预测方法，所以又称为Box-Jenkins模型、博克思-詹金斯法。其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归,p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。现代统计方法、计量经济模型在某种程度上已经能够帮助企业对未来进行预测。

ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。在ARIMA模型的识别过程中，主要用到两个工具：自相关函数，简称ACF；偏自相关函数，简称PACF；以及它们各自的相关图，即ACF、PACF相对于滞后长度描图。对于一个序列y来说，它的第k阶自相关系数(r_K)定义为它的k阶自协方差除以它的方差。

$r_k=\frac{\underset{t=1}{\overset{n-k}{\Σ}}(y_t-\stackrel{\‾}{y})(y_{t+k}-\stackrel{\‾}{y})}{{\Σ}_{t=1}^n{(y_t-\stackrel{\‾}{y})}^2}---\left(1\right);$

式中:y为序列；r_K为k阶自相关系数。n表示上界，t表示下界。

式(1)是关于k的函数，也称之为自相关函数ACF(k)。偏自相关函数PACF(k)度量了消除中间滞后项影响后两滞后变量之间的相关关系。

ARIMA(p,d,q)模型是经过d阶差分变换后的ARMA(p,q)模型，ARMA(p,q)模型的一般形式为式(2)：

y_t＝c+φ₁y_t-1+...+φ_py_t-p+ε_t+θ₁ε_t-1+...+θ_qε_t-q(2)；

式中：c为噪声均值；φ₁,φ₂...φ_p为自回归参数；θ₁，θ₂...θ_q为移动平均参数；ε_t,ε_t-1...ε_t-q为白噪声过程。

因此，通过ARIMA模型可以对电网超短期负荷进行预测，进而开展下一步趋势分析。

2、基于ARIMA算法得出的超短期负荷预测进行趋势分析。

在线趋势分析预警***基于下15分超短期负荷预测、超短期风电和光伏预测和实时发电计划进行未来态潮流计算，然后利用现有DSA应用的硬件和软件环境进行趋势分析。先算当前断面再算未来断面，在线数据整合后，启动当前断面的计算，同时进行趋势数据检查和未来态潮流计算。当前断面计算完成后，利用已有机群和计算功能进行未来15分钟断面的计算，分析电网演变趋势。同时，通过即实时采集、对比设备潮流变化，进行监视设备潮流突变、实时感知各类电网扰动。通过在大屏幕上展示某一设备前后时刻突变情况和今昨天同一时刻变化率，帮助调度员分析某一元件的潮流的变化主要原因。

如图1所示，趋势分析功能模块位于在线安全稳定分析中。首先，将ARIMA算法得出的超短期负荷预测作为调度计划类应用中的预测模块进行输入。然后，将预测模块配合调度计划类应用中的检修计划、发电计划模块推入至在线安全稳定分析中的未来潮流计算功能模块中。同时，未来潮流计算功能模块也综合考虑了来自数据整合功能模块的在线整合潮流，及短期交易管理的直流线计划和省际联络线计划等等数据进行综合分析。接下来，未来潮流计算功能模块输出趋势潮流作为趋势分析功能模块的输入。最后，趋势分析功能模块的趋势分析结果输入至电网实时监控与智能告警、运行分析与评价、调度运行辅助决策应用中进行展示和预警，完成了趋势分析的计算、运行和输出全过程。

3、电网风险评估告警。

将电网潮流、设备检修、实时天气、在线安全分析、发供电平衡等引入风险评估***，通过不断的深入分析省内电网的数据，按风险影响因素进行分类、分层、分级的人工神经网络模型和体系。如图2所示，电网运行风险评估流程包括信息采集、风险辨识、风险评估、风险定级、风险预警。信息采集功能为收集并加工“风险辨识”与“风险评估”环节需要的各类信息。风险辨识即对影响电网安全运行的各类风险因素、风险指标进行分类量化，建立以百分比为指标的评级分数。

4、设备检修进度管理。

实现各电压等级，各类检修设备分别展示及查询；利用时间进度甘特图实时展示检修进度；采用设备实际开关状态接入方式实时掌握设备状态；自动获取电网潮流控制临时断面。

5、数据接入全景化监视

***接入多种不同数据类型的业务***，接口类型丰富，信息量大，实现了数据筛选优化，并具有继续扩展的空间。***接入遥测、遥信点18万个，潮流突变每次计算遥测点1200多个，按照***每15秒刷新一次，76778个动态遥测点计算，每天计算存储数据达4.5亿条。

6、事故中处理。

当电网中发生事故时，为保证电网稳定，调控人员需要查阅大量先关信息作为***稳定参考，比如查阅规程信息、预案信息、负荷情况、线路参数、事故处理历史信息等。但这些信息量大、彼此之间没有关联关系，查询费时费力。为此通过平台统一收集这些相关信息，并建立信息之间的关联关系。当电网发生事故，根据事故信息内容，平台可以直接将事故相关信息的分析查询结果推送在调控人员面前，为调控人员对事故的处理提供数据支撑。

7、事故后恢复供电。

以往恢复供电过程需要调控人员通过电话的形式逐一汇报。在线趋势分析预警***平台建立后，调度人员可以通过平台发布恢复供电的操作命令，大多数恢复供电的操作命令可以通过以往的事故处理历史中直接引用，缩短整体恢复时间。

Claims (9)

1.一种基于超短期负荷预测的电力调度在线趋势预警***，其特征是：包括以下操作步骤：

(1)基于用电量大数据分析的短期负荷预测；

(2)基于ARIMA算法得出的超短期负荷进行潮流趋势分析；

(3)电网风险评估告警；

(4)设备检修进度管理；

(5)数据接入全景化监视；

(6)事故中处理；

(7)事故后恢复供电。

2.根据权利要求1所述的一种基于超短期负荷预测的电力调度在线趋势预警***，其特征是：所述基于用电量大数据分析的短期负荷预测，包括：

使用时间序列方法进行短期负荷预测；时间序列法是一种定量预测方法，在数据挖掘中作为一种常用的预测手段被广泛应用；对时间序列建模的两个任务，一是分析当期数据如何受前几期的数据影响，二是变量在时间变化上的规律性。

3.根据权利要求2所述的一种基于超短期负荷预测的电力调度在线趋势预警***，其特征是：所述的时间序列算法为ARIMA模型，ARIMA模型全称为自回归移动平均模型(AutoRegressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名时间序列预测方法，所以又称为Box-Jenkins模型、博克思-詹金斯法；其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归,p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数；ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列；这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值；现代统计方法、计量经济模型在某种程度上已经能够帮助企业对未来进行预测；

ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型；在ARIMA模型的识别过程中，主要用到两个工具：自相关函数，简称ACF；偏自相关函数，简称PACF；以及它们各自的相关图，即ACF、PACF相对于滞后长度描图；对于一个序列y来说，它的第k阶自相关系数(r_K)定义为它的k阶自协方差除以它的方差；

$r_k=\frac{\underset{t=1}{\overset{n-k}{\Σ}}(y_t-\stackrel{\‾}{y})(y_{t+k}-\stackrel{\‾}{y})}{{\mathrm{\Σ}}_{t=1}^n{(y_t-\stackrel{\‾}{y})}^2}---\left(1\right);$

式中:y为序列；r_K为k阶自相关系数；n表示上界，t表示下界；

式(1)是关于k的函数，也称之为自相关函数ACF(k)；偏自相关函数PACF(k)度量了消除中间滞后项影响后两滞后变量之间的相关关系；

ARIMA(p,d,q)模型是经过d阶差分变换后的ARMA(p,q)模型，ARMA(p,q)模型的一般形式为式(2)：

y_t＝c+φ₁y_t-1+...+φ_py_t-p+ε_t+θ₁ε_t-1+...+θ_qε_t-q(2)；

式中：c为噪声均值；φ₁,φ₂...φ_p为自回归参数；θ₁，θ₂...θ_q为移动平均参数；ε_t,ε_t-1...ε_t-q为白噪声过程；

因此，通过ARIMA模型可以对电网超短期负荷进行预测，进而开展下一步趋势分析。

4.根据权利要求1所述的一种基于超短期负荷预测的电力调度在线趋势预警***，其特征是：所述基于ARIMA算法得出的超短期负荷进行潮流趋势分析，包括：

在线趋势分析预警***基于下15分超短期负荷预测、超短期风电和光伏预测和实时发电计划进行未来态潮流计算，然后利用现有DSA应用的硬件和软件环境进行趋势分析；先算当前断面再算未来断面，在线数据整合后，启动当前断面的计算，同时进行趋势数据检查和未来态潮流计算；当前断面计算完成后，利用已有机群和计算功能进行未来15分钟断面的计算，分析电网演变趋势；同时，通过即实时采集、对比设备潮流变化，进行监视设备潮流突变、实时感知各类电网扰动；通过在大屏幕上展示某一设备前后时刻突变情况和今昨天同一时刻变化率，帮助调度员分析某一元件的潮流的变化主要原因；

所述趋势分析功能模块位于在线安全稳定分析中，首先，将ARIMA算法得出的超短期负荷预测作为调度计划类应用中的预测模块进行输入；然后，将预测模块配合调度计划类应用中的检修计划、发电计划模块推入至在线安全稳定分析中的未来潮流计算功能模块中；同时，未来潮流计算功能模块也综合考虑了来自数据整合功能模块的在线整合潮流，及短期交易管理的直流线计划和省际联络线计划等等数据进行综合分析；接下来，未来潮流计算功能模块输出趋势潮流作为趋势分析功能模块的输入；最后，趋势分析功能模块的趋势分析结果输入至电网实时监控与智能告警、运行分析与评价、调度运行辅助决策应用中进行展示和预警，完成了趋势分析的计算、运行和输出全过程。

5.根据权利要求1所述的一种基于超短期负荷预测的电力调度在线趋势预警***，其特征是：所述电网风险评估告警，包括：

将电网潮流、设备检修、实时天气、在线安全分析、发供电平衡等引入风险评估***，通过不断的深入分析省内电网的数据，按风险影响因素进行分类、分层、分级的人工神经网络模型和体系；电网运行风险评估流程包括信息采集、风险辨识、风险评估与定级、风险预警；信息采集功能为收集并加工“风险辨识”与“风险评估”环节需要的各类信息；风险辨识即对影响电网安全运行的各类风险因素、风险指标进行分类量化，建立以百分比为指标的评级分数。

6.根据权利要求1所述的一种基于超短期负荷预测的电力调度在线趋势预警***，其特征是：所述设备检修进度管理，包括：

实现各电压等级，各类检修设备分别展示及查询；利用时间进度甘特图实时展示检修进度；采用设备实际开关状态接入方式实时掌握设备状态；自动获取电网潮流控制临时断面。

7.根据权利要求1所述的一种基于超短期负荷预测的电力调度在线趋势预警***，其特征是：所述数据接入全景化监视，包括：

***接入多种不同数据类型的业务***，接口类型丰富，信息量大，实现了数据筛选优化，并具有继续扩展的空间；***接入遥测、遥信点18万个，潮流突变每次计算遥测点1200多个，按照***每15秒刷新一次，76778个动态遥测点计算，每天计算存储数据达4.5亿条。

8.根据权利要求1所述的一种基于超短期负荷预测的电力调度在线趋势预警***，其特征是：所述事故中处理，包括：

当电网中发生事故时，为保证电网稳定，调控人员需要查阅大量先关信息作为***稳定参考，比如查阅规程信息、预案信息、负荷情况、线路参数、事故处理历史信息等；但这些信息量大、彼此之间没有关联关系，查询费时费力；为此通过平台统一收集这些相关信息，并建立信息之间的关联关系；当电网发生事故，根据事故信息内容，平台可以直接将事故相关信息的分析查询结果推送在调控人员面前，为调控人员对事故的处理提供数据支撑。

9.根据权利要求1所述的一种基于超短期负荷预测的电力调度在线趋势预警***，其特征是：所述事故后恢复供电，包括：

以往恢复供电过程需要调控人员通过电话的形式逐一汇报；在线趋势分析预警***平台建立后，调度人员可以通过平台发布恢复供电的操作命令，大多数恢复供电的操作命令可以通过以往的事故处理历史中直接引用，缩短整体恢复时间。