一种馈线基线负荷预测方法与流程

本发明涉及一种电力系统中的负荷预测方法，具体涉及一种馈线基线负荷预测方法。

背景技术：

馈线基线负荷，即在电力系统紧急情况下未实施需求响应措施时馈线本应达到的负荷量，它是根据历史负荷、气象等因素估算得到的一条负荷曲线，是对未发生情况的一个估计值。一个设计合理的馈线基线负荷预测方法也许是任何一个电力需求响应方案取得成功的最重要的因素，它使得电网调度人员和电力公司能够量化需求响应资源的性能。准确的馈线基线负荷预测可为定量地评估各种电力需求响应方案对重载线路负荷削减程度及其方案的性能提供重要依据，同时也将为线路过载或事故状态下电力公司制定合理的需求响应方案决策提供指导。

目前国内外基线负荷预测研究的主体主要是电力用户或建筑个体，主要用于对需求响应方案的性能的评估和对用户奖惩的计算，未见有关于馈线基线负荷预测算法研究的报道。

目前国外主要有两大类主流的基线负荷计算方法：基于历史负荷的平均值法和基于气象因子的回归法。平均值法，即采用需求响应事件前几天的每小时负荷值进行线性组合，这类方法主要通过对历史负荷数据进行统计、分析和计算来预测基线负荷。回归法，即根据电力需求与其它变量(通常为天气，如温度、湿度)之间的特殊关系，采用确定的公式来预测负荷，大多数回归模型都使用的是线性模型。国外的这些基线负荷预测方法的主要特点是计算方法简单，易于用户的理解和接受，适用于面向用户的基线负荷预测，但是对于其预测结果的精度离电力公司判定需求响应方案对于负荷的削减效果还是有一定的距离的。

国内对于电力需求响应的研究起步得较晚，但是也有一些学者开始尝试进行基线负荷预测的研究，面向的对向主要为电力用户和建筑。文献【办公建筑空调系统用能优化研究】提出了一种基于模糊C均值法相似日选择和基于BP神经网络的公共建筑基线负荷预测方法，该方法在一定的程度上提高了基线负荷预测的精度，但模糊C均值法寻找到相似日的数量具有一定的随机性，有可能会出现相似日数量极少的情况，且FCM算法复杂度高；同时BP神经网络与RBF神经网络相比存在着收敛速度慢和局部极小的局限性。文献【基于信息双向互动的用户基线负荷计算方法】提出了一种用户基线负荷预测方法，该方法类似于平均值法，考虑了气象调整因子、用户的检修计划和保电计划，但要求用户上传次日检修计划和保电计 划，适用于面向用户的基线负荷计算，便于客户理解，但不适用于电网层面的基线负荷的计算。文献【基于径向基人工神经网络的用户基线负荷计算方法】提出了一种基于径向基人工神经网络的电力用户的基线负荷预测方法，该方法具有较小的运算量和一定的预测精度，但是在典型日的选取上未考虑气象因素。

技术实现要素：

为解决上述现有技术中的不足，本发明的目的是提供一种电力系统中馈线基线负荷预测方法。

本发明的目的是采用下述技术方案实现的：

本发明提供一种馈线基线负荷预测方法，其改进之处在于，所述方法包括下述步骤：

(1)导入历史气象数据、馈线上所有用户历史负荷数据和预测时段气象数据至内存；

(2)历史负荷数据修正；

(3)气象相似历史日选择，包括：节假日、需求响应事件日、预定削减日和负荷低于阈值日排除以及灰色关联度法气象相似历史日选择；其中，需求响应事件日为曾实施需求响应的日期，预定削减日为实施有序用电的日期；

(4)采用RBF径向基人工神经网络对馈线所有用户基线负荷进行预测；

(5)运用调整因子调整馈线所有用户基线负荷预测值；

(6)馈线所有用户基线负荷预测结果求和。

进一步地，所述步骤(1)包括如下步骤：

A.历史气象数据导入：导入馈线基线负荷预测日前Y日指定预测时段内的气象数据，每个历史日的气象参数包括温度、湿度和风速；历史数据导入时段不超出夏季高峰月份6-9月，若本年回溯区间不足Y日，用上年度6-9月日期补足；

B.历史负荷数据导入：导入待预测馈线所有用户在预测日前Y天指定预测时段内的历史负荷数据；历史数据导入时段不超出夏季高峰月份6-9月，若本年回溯区间不足Y日，用上年度6-9月日期补足；

C.预测时段气象数据导入：导入预测时段内的气象数据，包括温度、湿度和风速。

进一步地，所述步骤(2)包括：对本年度回溯区间不足Y日的情况进行历史负荷数据修正，通过加权平均系数δ对上年度的历史负荷数据进行调整；加权平均系数δ的计算公式为：

式中，n为本年度回溯区间的日期数，Y-n为上年度回溯区间的日期数；Y为年度回溯区间的日期数；δ为加权平均系数；L_k为本年度第k日的历史负荷值，为本年度回溯的n日预测时段历史负荷平均值；为上年度第k₁日的历史负荷值，为上年度Y-n日预测时段历史负荷的平均值；k为本年度第k日；k₁为上年度第k₁日。

进一步地，所述步骤(3)包括如下步骤：

A.节假日、需求响应事件日和预定削减日排除：从预测日前的Y日中排除节假日、需求响应事件日和预定削减日排除；

B.阈值排除：设定一个阈值Z％，将历史日中指定预测时段的历史负荷低于所选样本的平均负荷Z％及以上的日子排除在样本之外；

C、灰色关联度法气象相似历史日选择：分别计算排除节假日、需求响应事件日、预定削减日和负荷低于阈值日的剩余历史日指定预测时段内的h个气象因子特征值与预测日的灰色关联系数，再将每个历史日的h个选定的作为特征向量的气象因素与预测日的灰色关联系数相加得到每个历史日与预测日之间的灰色关联度，关联度越大，则气象条件相似程度越高；最终选择灰色关联度最大的M日作为相似历史日。

进一步地，灰色关联度法相似历史日选择包括如下步骤：

①确定参考数列与比较数列：设X₀、Xi(i＝1,2,…N)分别为预测日和经过节假日、需求响应事件日、预定削减日和阈值排除后的剩余历史日的气象因素特征向量，N为剩余历史日天数；预测日气象因素特征向量X₀＝(X₀(1)，X₀(2)，...X₀(h))，其中h为选定的作为特征向量的气象因素的个数；第i个剩余历史日的气象因素特征向量表示为Xi＝(Xi(1)，Xi(2)，..Xi(h))；i为第i个剩余历史日；X₀(1)，X₀(2)，..X₀(h)分别表示预测日第1个气象因素特征向量，预测日第2个气象因素特征向量，...以及预测日第h个气象因素特征向量，Xi(1)，Xi(2)，..Xi(h)分别表示第i个剩余历史日的第1个气象因素特征向量，第i个剩余历史日的第2个气象因素特征向量，...以及第i个剩余历史日的第h个气象因素特征向量；

②指标差异计算和无纲量化处理：

第i个剩余历史日第f个气象因素特征向量与预测日第f个气象因素特征向量之间的差异值为Δ_i(f)：

Δ_i(f)＝|X_i(f)-X₀(f)|

采用极差归一法对差异值Δ_i(f)进行处理，极差归一后的差异值Δ'_i(f)为：

式中：X_i(f)、X₀(f)分别表示第i个剩余历史日第f个气象因素特征向量和预测日第f个气象因素特征向量；分别表示经过节假日、需求响应事件日、预定削减日和阈值排除后的剩余历史日与预测日第f个气象因素特征向量之间的差异值的最小值和最大值；

③参考数列与比较数列的灰色关联系数计算：

预测日与第i个剩余历史日第f个气象因素特征向量的关联系数ξ_i(k)的计算公式为：

式中，为第一级最小差，即第i个剩余历史日中与预测日差异最小的特征向量；为第二级最小差，即所有历史日中与预测日差异最小的特征向量；第一级最大差，即第i个剩余历史日中与预测日差异最大的特征向量；为第二级最大差，即所有历史日中与预测日差异最大的特征向量；ρ为分辨系数，在0-1之间；

④灰色关联度计算：

各个特征值灰色关联系数的平均值即为预测日与第i个剩余历史日的灰色关联度Ri，灰色关联度的计算公式为：

式中：h为选定的作为气象因素特征向量的个数；

⑤灰色关联度大小排序：

每个剩余历史日与预测日的气象因素特征向量差异值越小，关联度系数越大，关联度也越大，两个日期之间的气象因素相似程度越大，最终选择灰色关联度最大的M日作为相似历史日。

进一步地，所述步骤(4)的RBF径向基人工神经网络所选择的输入向量为最终选择的M个相似历史日预测时刻的M*h个选定的作为特征向量的气象因素、M个相似历史日馈线上所有S个用户指定预测时刻的M*S个历史负荷数据以及预测日预测时刻的h个选定的作为特征向量的气象因素组成；输出向量为S个用户指定基线负荷预测时刻的负荷预测值；其中，M表示最终选定的相似历史日天数，h表示选定的作为气象因素特征向量的个数，S为馈线上所有用户的个数。

进一步地，所述输入向量包括：

输入向量1：M个相似历史日的预测时刻气象因素特征向量：

第i个历史日指定预测时刻的气象因素特征向量为1*h矩阵：

Xi＝(Xi(1)，Xi(2)，..Xi(h))；

那么M个最终选定的相似历史日预测时刻的气象因素特征向量则为M*h矩阵：

输入向量2：M个最终选定的相似历史日预测时刻历史负荷值

S个用户在M个相似历史日预测时刻历史负荷值表示为S*M矩阵L，则有：

输入向量3：预测日预测时刻的气象因素特征向量

预测日预测时刻的气象因素特征向量X₀为1*h矩阵：

X₀＝[X₀(1) X₀(2) … X₀(h)]

其中：h为选定的作为气象因素特征向量的个数；i为第i个剩余历史日；Xi(1)，Xi(2)，..Xi(h)分别表示第i个剩余历史日的第1个气象因素特征向量，第i个剩余历史日的第2个气象因素特征向量，...以及第i个剩余历史日的第h个气象因素特征向量； X₀(1)，X₀(2)，..X₀(h)分别表示预测日第1个气象因素特征向量，预测日第2个气象因素特征向量，...以及预测日第h个选定的作为特征向量的气象因素；X₁(1),X₁(2),...,X₁(h)分别表示的第1个相似历史日的第1个预测时刻的气象因素特征向量，第1个相似历史日的第2个预测时刻的气象因素特征向量，...以及第1个相似历史日的第h个预测时刻的气象因素特征向量；X₂(1),X₂(2),...,X₂(h)分别表示的第2个相似历史日的第1个预测时刻的气象因素特征向量，第2个相似历史日的第2个预测时刻的气象因素特征向量，...以及第2个相似历史日的第h个预测时刻的气象因素特征向量；X_M(1),X_M(2),...,X_M(k)分别表示的第M个相似历史日的第1个预测时刻的气象因素特征向量，第M个相似历史日的第2个预测时刻的气象因素特征向量，...以及第M个相似历史日的第h个预测时刻的气象因素特征向量；L₁(1),L₁(2),...,L₁(M)分别表示第1个用户在第1个相似历史日的预测时刻历史负荷值，第1个用户在第2个相似历史日的预测时刻历史负荷值，...以及第1个用户在第M个相似历史日的预测时刻历史负荷值；L₂(1),L₂(2),...,L₂(M)分别表示第2个用户在第1个相似历史日的预测时刻历史负荷值，第2个用户在第2个相似历史日的预测时刻历史负荷值，...以及第2个用户在第M个相似历史日的预测时刻历史负荷值；L_S(1),L_S(2),...,L_S(M)分别表示第S个用户在第1个相似历史日的预测时刻历史负荷值，第S个用户在第2个相似历史日的预测时刻历史负荷值，...以及第S个用户在第M个相似历史日的预测时刻历史负荷值。

进一步地，所述步骤(5)的馈线用户基线负荷调整因子为需求响应事件周期前t小时实际负荷与预测负荷的比值adju，用adju作为乘法因子来乘以每小时的基线负荷预测值实现对预测结果的调整，设t的值为2，需求响应事件开始时间为H₀时，则有：

式中，adju为负荷调整因子，H₀为事件开始时间；al(H＝H₀-1)和al(H＝H₀-2)分别为事件开始时间前1小时与前两小时的实际负荷；pl(H＝H₀-1)和pl(H＝H₀-2)分别为事件开始时间前1小时与前两小时的基线负荷预测值；H为需求响应事件响应式时间；

预测时刻调整后的基线负荷预测值pl'(H₀)为：

pl'(H₀)＝pl(H₀)*adju

其中：pl(H₀)为未调整的事件开始时间H₀的基线负荷预测值，pl'(H₀)为经过调整因子调整后的基线负荷预测值。

进一步地，所述步骤(6)的馈线所有用户基线负荷预测结果L(p)是将馈线上S个用户的基线负荷的预测值进行相加来得到馈线的基线负荷预测值，公式如下：

L(p)＝L_p(1)+L_p(2)+…+L_p(S)

其中：L(p)表示馈线所有用户基线负荷预测结果，L_p(1)、L_p(2)、…、L_p(S)分别表示馈线上第1个用户、第2个用户、…第S个用户的基线负荷的预测值。

本发明提供的技术方案具有的优异效果是：

本发明在进行相似历史日的选择中既考虑了气象因素对负荷的影响，又进行了节假日、需求响应事件日、预定削减日、负荷低于阈值日的剔除，保证了相似历史日选择的合理性。采用灰色关联度法进行剩余日期中相似日的选择，与常用的聚类算法相比，具有较小的算法复杂度。在对历史负荷数据的处理中，考虑了我国整体负荷的逐年上升的趋势，运用一个加权平均系数对往年的历史负荷数据进行一个修正。馈线基线负荷的计算方法选择径向基人工神经网络，径向基人工神经网络较电力系统负荷预测常用的BP神经网络具有收敛速度快、易寻到全局最小值等优点。本发明将有助于提高基线负荷预测的精度，为线路过载或事故状态下电力公司制定合理的需求响应方案决策提供指导。

附图说明

图1是本发明提供的一种馈线基线负荷预测方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并 且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

如图1所示，一种馈线基线负荷预测方法，包括以下六个步骤：

(1)历史气象数据、历史负荷数据、预测时段气象数据导入，包括：

1.1.历史气象数据导入：导入馈线基线负荷预测日前Y日指定预测时段内的气象数据，每个历史日的气象参数包括温度、湿度、风速等等。历史数据导入时段不超出我国夏季高峰月份6-9月，若本年回溯区间不足Y日，则用上年度6-9月日期补足。

1.2历史负荷数据导入：导入待预测馈线上N个用户在预测日前Y天指定预测时段内的历史负荷数据。历史数据导入时段不超出我国夏季高峰月份6-9月，若本年回溯区间不足Y日，用上年度6-9月日期补足。

1.3预测时段气象数据导入：导入预测时段内的气象数据，包括温度、湿度、风速等。

(2)历史负荷数据修正阶段：

考虑到我国整体负荷水平的逐年上升的趋势，这里通过一个加权平均系数δ对上年度的历史负荷数据进行一个调整，仅适用于本年度回溯时间区间不足Y日的情况。加权平均系数δ的计算公式为：

式中，n为本年度回溯区间日期数，Y-n为上年度回溯区间的日期数；Y为年度回溯区间的日期数；δ为加权平均系数；L_k为本年度第k日的历史负荷值，为本年度回溯的n日预测时段历史负荷平均值；为上年度第k₁日的历史负荷值，为上年度Y-n日预测时段历史负荷的平均值；k为本年度第k日；k₁为上年度第k₁日。

(3)相似历史日选择阶段

3.1.节假日、需求响应事件日、预定削减日排除：从预测日前的Y日中排除节假日、需求响应事件日和预定削减日排除。

3.2阈值排除：设定一个阈值Z％，将历史日中指定预测时段的历史负荷低于所选样本的平均负荷Z％及以上的日子排除在样本之外。此时，在进行完节假日、需求响应事件日、预定削减日和阈值排除之后，剩余可用历史日为Y1日。

3.3灰色关联度法气象相似历史日选择：分别计算剩余的剩余历史日指定预测时段内的h个气象因子特征值与预测日的灰色关联系数，再将每个历史日的h个特征值与预测日的灰色关联系数相加得到每个历史日与预测日之间的灰色关联度，关联度越大，则气象条件相似程度越高。最终选择灰色关联度最大的M日作为相似历史日。

灰色关联度法相似历史日选择又可分为如下五个子步骤：

①确定参考数列与比较数列：设X₀、Xi(i＝1,2,…N)分别为预测日和经过节假日、需求响应事件日、预定削减日和阈值排除后的剩余历史日的气象因素特征向量，N为剩余历史日天数；预测日气象因素特征向量X₀＝(X₀(1)，X₀(2)，..X₀(h))，其中h为选定的作为气象因素特征向量的个数；第i个剩余历史日的气象因素特征向量表示为Xi＝(Xi(1)，Xi(2)，..Xi(h))，i表示第i个剩余历史日；X₀(1)，X₀(2)，..X₀(h)分别表示预测日第1个气象因素特征向量，预测日第2个气象因素特征向量，...以及预测日第h个气象因素特征向量，Xi(1)，Xi(2)，..Xi(h)分别表示第i个剩余历史日的第1个气象因素特征向量，第i个剩余历史日的第2个气象因素特征向量，...以及第i个剩余历史日的第h个气象因素特征向量；

②指标差异计算和无纲量化处理：

第i个剩余历史日第f个气象因素特征向量与预测日第f个气象因素特征向量之间的差异值为Δ_i(f)：

Δ_i(f)＝|X_i(f)-X₀(f)|

采用极差归一法对差异值Δ_i(f)进行处理，极差归一后的差异值Δ'_i(f)为：

式中：X_i(f)、X₀(f)分别表示第i个剩余历史日第f个气象因素特征向量和预测日第f个气象因素特征向量；分别表示经过节假日、需求响应事件日、预定削减日和阈值排除后的剩余历史日的剩余历史日与预测日在第f个气象因素特征向量之间的差异值的最小值和最大值。

③参考数列与比较数列的灰色关联系数计算：

预测日与第i个剩余历史日第f个气象因素特征向量的关联系数ξ_i(k)的计算公式为：

式中，为第一级最小差，即第i个剩余历史日中与预测日差异最小的特征值；为第二级最小差，即所有历史日中与预测日差异最小的特征值；第一级最大差，即第i个历史日中与预测日差异最大的特征值；为第二级最大差，即所有历史日中与预测日差异最大的特征值；ρ为分辨系数，在0-1之间；

④灰色关联度计算：

各个特征值灰色关联系数的平均值即为预测日与第i个剩余历史日的灰色关联度Ri，Ri的计算公式为：

其中：h为选定的作为气象因素特征向量的个数。

⑤灰色关联度大小排序：

每个历史日与预测日的气象因素特征向量差异值越小，关联度系数越大，关联度也越大，两个日期之间的气象因素相似程度越大，最终选择灰色关联度最大的M日作为相似历史日。

(4)RBF径向基人工神经网络法馈线基线负荷预测阶段

RBF径向基人工神经网络所选择的输入向量为最终选择的M个相似历史日预测时刻的M*h个气象因子、馈线上S个用户在M个历史日指定预测时刻的S*M个历史负荷数据以及预测日预测时刻的h个气象因子组成，输出向量为指定基线负荷预测时刻的负荷预测值。

输入向量：

输入向量1：最终选择的M个相似历史日预测时刻气象因素特征向量

第i个历史日指定预测时刻的气象因素特征向量为1*h矩阵Xi＝(Xi(1)，Xi(2)，…Xi(h))。

那么M个相似历史日预测时刻的气象因素特征向量则为M*h矩阵：

输入向量2：S个用户在M个最终选择的相似历史日预测时刻历史负荷值

S个用户在M个历史日预测时刻历史负荷值可表示为S*M矩阵L，则有：

输入向量3：预测日预测时刻的气象因素特征向量

预测日预测时刻的气象因素特征向量X₀为1*h矩阵：

X₀＝[X₀(1) X₀(2) … X₀(h)]

输出向量：

输出向量L_p为指定预测日预测时刻馈线上S个用户的基线负荷的预测值。

L_p＝[L_p(1) L_p(2) … L_p(S)]

其中：i为第i个剩余历史日；Xi(1)，Xi(2)，..Xi(h)分别表示第i个剩余历史日的第1个气象因素特征向量，第i个剩余历史日的第2个气象因素特征向量，...以及第i个剩余历史日的第h个气象因素特征向量；X₀(1)，X₀(2)，..X₀(h)分别表示预测日第1个气象因素特征向量，预测日第2个气象因素特征向量，...以及预测日第h个气象因素特征向量；X₁(1),X₁(2),...,X₁(h)分别表示的第1个相似历史日的第1个预测时刻的气象因素特征向量，第1个相似历史日的第2个预测时刻的气象因素特征向量，...以及第1个相似历史日的第h个预测时刻的气象因素特征向量；X₂(1),X₂(2),...,X₂(h)分别表示第2个相似历史日的第1个预测时刻的气象因素特征向量，第2个相似历史日的第2个预测时刻的气象因素特征向量，...以及第2个相似历史日的第h个预测时刻的气象因素特征向量；X_M(1),X_M(2),...,X_M(h)分别表示的第M个相似历史日的第1个预测时刻的气象因素特征向量，第M个相似历史日的第2个预测时刻的气象因素特征向量，...以及第M个相似历史日的第h个预测时刻的气象因素特征向量；L₁(1),L₁(2),...,L₁(M)分别表示第1个用户在第1个相似历史日的预测时刻历史负荷值，第1个用户在第2个相似历史日的预测时刻历史负荷值，...以及第1个用户在第M个相似历 史日的预测时刻历史负荷值；L₂(1),L₂(2),...,L₂(M)分别表示第2个用户在第1个相似历史日的预测时刻历史负荷值，第2个用户在第2个相似历史日的预测时刻历史负荷值，...以及第2个用户在第M个相似历史日的预测时刻历史负荷值；L_S(1),L_S(2),...,L_S(M)分别表示第S个用户在第1个相似历史日的预测时刻历史负荷值，第S个用户在第2个相似历史日的预测时刻历史负荷值，...以及第S个用户在第M个相似历史日的预测时刻历史负荷值。

(5)馈线所有用户基线负荷预测值调整阶段

馈线用户基线负荷调整因子为需求响应事件周期前t小时实际负荷与预测负荷的比值adju，用adju作为乘法因子来乘以每小时的基线负荷预测值来实现对预测结果的调整。一般t取值为2或3，这里假定t的值为2，需求响应事件开始时间为h₀时，则有：

式中，adju为负荷调整因子，H₀为事件开始时间，al(H＝H₀-1)和al(H＝H₀-2)分别为事件开始时间前1小时与前两小时的实际负荷；pl(H＝H₀-1)和pl(H＝H₀-2)分别为事件开始时间前1小时与前两小时的基线负荷预测值。

预测时刻调整后的基线负荷预测值为：

pl'(H₀)＝pl(H₀)*adju

(5)馈线所有用户基线负荷预测结果求和。

馈线基线负荷的预测结果L(p)为馈线上S个用户的基线负荷预测值求和的结果。

L(p)＝L_p(1)+L_p(2)+…+L_p(S)

本发明在负荷相似历史日的选择中既考虑了气象因素对负荷的影响，又进行了节假日、需求响应事件日、预定削减日、负荷低于阈值日的剔除，保证了相似历史日选择的合理性。馈线基线负荷的计算方法选择径向基人工神经网络，径向基人工神经网络较电力系统负荷预测常用的BP神经网络具有收敛速度快、易寻到全局最小值等优点。本发明将提高基线负荷预测的精度，为线路过载或事故状态下电力公司制定合理的需求响应方案决策提供指导。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。