【精彩论文】基于精准气象数据的地区电网短期负荷智能预测系统设计

基于精准气象数据的地区电网短期负荷智能预测系统设计

李丹¹, 张远航¹, 李黄强³, 童华敏³, 王凌云²

（1. 三峡大学 电气与新能源学院，湖北 宜昌 443002; 2. 梯级水电站运行与控制湖北省重点实验室（三峡大学），湖北 宜昌 443002; 3. 国网湖北省电力公司宜昌供电公司，湖北 宜昌 443000）

摘要：基于分时分区精细化气象数据，研发地区电网短期负荷智能预测系统，实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加，并针对各功率分量特点和影响因素，提供多种特征选择模式、预测方法以及历史参照日，以提高短期负荷预测的精度、自动化程度和工作效率。

引文信息

李丹, 张远航, 李黄强, 等. 基于精准气象数据的地区电网短期负荷智能预测系统设计[J]. 中国电力, 2022, 55(7): 128-133.

LI Dan, ZHANG Yuanhang, LI Huangqiang, et al. Design of a short-term load intelligent forecasting system for regional power grid based on accurate weather data[J]. Electric Power, 2022, 55(7): 128-133.

引言

短期负荷预测是市场环境下编排调度计划、供电计划、交易计划的基础。随着新能源和分布式电源的不断接入，电网调度对负荷预测的准确性、实时性、可靠性提出了更高的要求。负荷预测的精准度和自动化程度已经成为衡量现代化电力系统调度运行水平的一个重要标志。

在短期负荷预测中，气象因素有着至关重要的影响^[1-5]。目前许多文献在短期负荷预测中考虑了气象因素^[6-10]，文献[6]将温度与降雨量作为相关气象因素，对具有相似性的负荷样本日进行分类，提高了相似日与预测日之间的相似度。文献[7]提出了人体舒适度模型，较好地考虑到了气象因素对气象敏感负荷的影响。文献[8]针对负荷受气温影响所存在的累积效应，提出了一种动态选取相似日的思路，对日平均负荷进行预测。文献[9]以气象数据作为影响因素选取气象相似工作日，对节假日最大日负荷进行预测。虽然以上文献在短期负荷预测中考虑了气象因素，但用电负荷特性和气象条件在同一地区的不同区县之间存在较大差异，导致预测误差增大。文献[10]根据协整理论采用统计分析系统软件（statistical analysis system, SAS）建立起电力负荷序列与输入序列“温度”之间的 自回归滑动平均模型 (auto regression and moving average model with exogenous input, ARMAX) 模型，充分挖掘序列的内部自相关信息以及序列与序列之间的相关关系。

对此，基于气象部门提供的气象数据精细化预报服务，引入分时分区气象数据，分析清洁能源和用电负荷等多种功率分量的规律性，结合专家经验，根据各功率分量特点采取多种特征选择模式和预测方法，开发地方电网短期负荷预测系统，改变目前主要依赖人工经验的短期负荷预测工作模式，提高负荷预测工作的自动化和规范化程度，促进地区电网负荷管理工作水平的提升。
1  系统模块功能设计本文开发了以地区电网为主要应用对象的日前负荷曲线预测系统。预测系统采用结构化、模块化和开放式接口设计的程序设计思想，至上而下逐级细化，在满足总体功能的同时，进一步优化各子模块的细节设计。预测系统的设计架构如图1所示。

图1  系统架构设计

Fig.1  System architecture design

（1）数据管理模块。该模块实现对负荷数据、气象数据记录的“增、删、改、查”操作，确保预测所需数据的完备性和正确性。针对数据采集与监视控制系统(supervisory control and data acquisition, SCADA)导出的负荷数据和气象部门提供的气象预测数据格式。本模块提供了Excel数据表形式的数据批量导入功能。

（2）负荷预测模块。该模块是短期负荷预测系统的核心，它不仅可预测地区用电负荷，而且还可实现对多种功率分量的预测。针对不同类型负荷的特点，本模块设计了多种特征选择模式和预测方法供用户灵活选用。当用户选取预测日期后，系统会自动显示该预测日特征，如节假日、季节等与当前预测的功率分量相关联的气象特征。根据这些特征信息，用户可更准确地选择历史参照日，从系统提供的特征选择模式和预测方法库中选择更适合的特征模式和预测方法，实现对指定预测日功率分量曲线的定制化预测。预测结束后，可显示预测曲线与历史负荷曲线的对比图，供预测人员参考。

（3）预测结果评价模块。该模块实现对指定时间段内负荷预测误差的统计分析和预测数据文件的批量输出。通过对比负荷预测曲线与实际曲线，评价分析预测结果的准确性，帮助预测人员实时了解当前负荷预测精度水平。

（4）接口模块。本系统与地方电网能量管理系统(energy management system，EMS)和该地方气象台通过接口实现数据传输。其中所需要的历史负荷数据来自该电网EMS的万维网服务器上的数据库。2  预测特征模式及算法库特征选择模式及方法库如图2所示。根据气象数据的精细化程度，本系统提供了3种特征选择模式供用户结合实际情况选取，可通过分析不同功率分量的规律，根据各自特点分别选取针对性的方法建立相应模型。
图2  特征选择模式及方法库Fig.2  Feature selection modes and method library

（1）地区网供负荷。由于地区网供负荷受到清洁能源上网功率不确定性的影响，因此其规律性较差。对此本系统采用两阶段还原法^[11]对地区网供负荷进行预测，其总体思想为分解、预测、还原，将网供负荷分解为多种功率分量分别预测，然后组合还原得到网供负荷预测结果。

（2）小水电功率。通过对小水电功率特性分析可知，受到降雨量滞后效应和累积效应的影响，小水电功率曲线的波动性较大，而最大、最小功率的变化则较有规律。为此，本系统采用特征组合预测模型对小水电功率进行预测，预测流程如图3所示。
图3   特征组合预测模型流程Fig.3   Flow of feature combination prediction model

（3）区域互供负荷和风/光上网功率。由于本开发系统所在地区新能源历史上网功率数据及相关精细化气象数据资料较少，难以针对其分析建立良好的模型。而区间互供负荷，在时间序列上存在延续性。故对新能源上网功率和区间互供负荷，采用灰色预测法^[12-14]、回归分析法^[15-17]和指数平滑法^[18-19]等方法进行预测。

（4）地区用电负荷。目前对于地区用电负荷的研究方法多为智能预测法^[20-25]。本系统围绕其数据时序性和非线性的特点，采用兼顾数据时序性和非线性关系的时间序列神经网络、动态神经网络和长短期记忆网络（long-short term memory, LSTM）建立模型，对其进行回归预测。3  系统工作流程

本系统针对地区用电负荷P_L、小水火电功率P_w、新能源上网功率P_N和区间互供负荷P_H进行影响因素分析。输入量为地区用电功率、小水火电功率、新能源上网功率及区间互供负荷功率，并包含了预测日d的分时分区气温、降雨量、太阳辐照度、风速。确定各功率分量的输入量后，用户可针对不同功率分量，选用特征选择模式和预测方法。系统负荷预测流程如图4所示。

图4  系统负荷预测流程Fig.4  Load forecasting flow of the system4  算例分析在该地区电网日常考核中，对网供负荷及地区用电负荷平均日负荷预测精度要求应在96%以上，仅依靠调度人员的人工经验，难以保证预测的及时性和准确性。

供电公司日负荷预测准确率A为

式中：P_Fi、P_Ri分别为预测日i时刻负荷的预测值和实际值；n为日负荷预测总点数。

以2018年6月4日为例，在3种预测模式下，采用特征组合预测法和时间序列神经网络进行预测。预测曲线对比如图5~6所示。

图5  2018年6月4日负荷预测曲线对比

Fig.5  Comparison of load forecasting curves on Jun. 4,2018

图6  2018年6月4日小水火电功率预测曲线对比

Fig.6  Comparison of power forecast curves of small hydro & thermal power unit on Jun. 4, 2018

根据式（1），得到在不同预测模式下地区用电负荷及小水火电功率预测准确率，如表1所示。从表1中可以看出，当输入气象数据精细化程度提高时，各功率分量预测精度得到了一定改善。

表1  地区用电负荷及小水火电功率预测精度

Table 1  Prediction accuracy of regional load and small hydro & thermal power units

在分时分区精细化气象数据模式下，对2018年6月4日各功率分量预测，得到了功率预测曲线对比，如图7所示。同时，小水火电功率、新能源上网功率、区域互供负荷、地区用电负荷、网供负荷预测精度分别为98.71%、84.79%、95.23%、98.85%、98.09%。

图7  各功率分量预测曲线对比

Fig.7  Comparison of the prediction curves of various power components

由图7和各功率分量预测精度可知，虽然由于新能源历史上网功率数据及相关精细化气象数据资料较少，未能针对其建立良好的模型，导致预测准确率较低，但新能源上网功率只占全地区用电负荷的1.58%。地区用电负荷和网供负荷预测准确率均高于98%，具有良好的预测精度。

2018年6月网供负荷的预测误差统计如图8所示。由图8可知，网供负荷最大、最小和平均预测误差分别为5.95%、0.59%、3.76%，故本系统所采用预测方法能够满足地方电网日常负荷预测需求。

图8  网供负荷曲线预测精度统计

Fig.8  Forecast accuracy statistics of the superior network supply load curve

5  结语本文设计开发了基于精准气象数据的地区电网短期负荷智能预测系统。系统紧密结合地区电网的实际需求，引入分时分区精细化气象要素，较好地考虑到了气象因素对气象敏感负荷的影响。此外，针对不同功率分量，根据各自特点建立了相应模型。本系统不仅有较高的预测精度，还具有良好的鲁棒性，可改变地区电网目前主要依赖人工经验的短期负荷预测工作模式，有利于提高地区电网短期负荷预测自动化程度和工作效率。

（责任编辑　杨彪）

作者介绍

李丹（1980—） ，女，博士，副教授，从事新能源负荷预测研究，E-mail：[e-mail];

★

张远航（1994—） ，男，通信作者，硕士研究生，从事负荷预测研究，E-mail：[e-mail].

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

◀

编辑：杨彪

校对：蒋东方

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。