(1.新智能源系统控制有限责任公司 天津市 300384;2.天津天大求实电力新技术股份有限公司 天津市 300380)
摘要：在我们国家的经济飞速发展的带动下，电力已经被广泛的应用于更行各业，也同样渗透到人类生活的各个方面.短期负荷预测是电力系统运行和分析的基础，提高负荷预测精度，是保障电力系统优化决策科学性的重要手段。在现代电力系统中，考虑气象因素成为相关部门改进负荷预测精准度的重要方法之一。基于我国某两个地区的长期电力负荷数据和气象因素数据，建立多元回归气象选择模型和时间序列预测模型，综合运用 EVIEWS 与 MATLAB 软件，分析日最高负荷、日最低负荷、日平均负荷与日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量 5 个气象因素的关系，并对未来短时间内的电力负荷进行预测，可以为城市电网的科学发展规划提供有价值的参考依据．
关键词：城市；电力负荷；短期预测
引言
近些年来，我国每个行业对电能的需求都愈来愈大。需要精准并科学的电能调度和配送方案来满足各类用户的不同需求，保证高准确度的预测结果是电力系统电力调度的重点内容，因此电力负荷预测具有重大意义。短期电力负荷预测就是通过已有的历史负荷数据，同时分析对负荷波动有影响的各类数据，研究影响及变化规律，对未来短期负荷进行预测。短期用电负荷中预测日负荷峰值在线路安全和用户使用中有较重要的意义，保证高准确度的预测结果才能制定合理的电网调度策略，保证电力系统安全、经济、可靠的运行。
1短期负荷影响因素及数据预处理方法
短期电力负荷预测是依据历史数据，构建科学的数学模型，能够预测未来短时间内电力负荷变化。电力系统短期负荷具有不确定性和随机性特点，这就使得电力系统负荷预测具有四个显著特点:(1)预测结果具有不确定性:负荷预测要受到诸多复杂因素影响，且各影响因素多是时变的，故被预测对象的变化规律难以保证实时的准确性;(2)预测行为的条件性:不论负荷特性是什么性质的，预测均在一定的条件下进行的，故预测结果受多种特定条件限制;(3)预测结果的时效性:影响因素的多变性使得预测行为及预测结果都有一定的时间范围内有效;(4)预测方案具有多样性:因为预测结果不准确以及预测行为的条件性使得预测方案具有多样性。
依据实践表明，影响短期负荷预测的关键因素大概总结为如下四点:(1)经济因素。国家经济变动，直接导致电力用户变化。目前，我国经济快速增长使得电力用户数量不断增加。国家的行业规划、经济环境以及政策倾向等均会对负荷水平以及曲线分布产生重要的导向作用。除此之外，电力系统网络所在地的经济环境也会对负荷需求有着明显的影响。(2)内部因素。内部因素的主要特征是周期变化以及线性变化，根据线性变量可以预测出 24 小时的负荷变化情况。(3)气候因素。电力系统中安装许多气候敏感负荷，这类设备的开启和关闭均与天气因素有着较大的关系。天气因素主要有:雨雪、风力、温度以及阴晴等，尤其是湿度和温度对负荷的影响显著(4)时间因素。法定节假日、季节变化以及周循环等均可以导致区域负荷变化。季节事件可造成电力负荷需求模式以及结构性变化，周循环的原因是区域内人口休息工作模式导致的结果，法定节日则会改变电力需求模式。(5)数据样本因素。历史数据样本选取好坏直接反映负荷的周期性、趋势性以及和影响因素间的关系，尤其是地区级及以下的样本，其预测结果可信度更低;(6)不定因素。冲击性电力负荷所引起负荷波动、自然灾害、电力调度事件等随机因素均可引起负荷模式变化。
2多元回归的气象因素选择
2.1 研究思路
根据 2012 年 1 月 1 日至 2014 年 12 月 31 日的数据，首先运用 Eviews 软件分别对两个地区的日最高负荷、日最低负荷、日平均负荷与各气象因素的关系进行多元线性回归，再通过对回归误差的分析以及两个地区相关系数矩阵的建立剔除部分气象因素，在剔除变量后重新拟合两地区的日最高负荷、日最低负荷、日平均负荷与各气象因素间的关系，最终选择出合适的气象因素来提高负荷预测精度．
2.2 初步回归拟合
设地区一的日最高负荷、日最低负荷、日平均负荷分别为 Y 1 、Y 2 、Y 3 ，地区二的日最高负荷、日最低负荷、日平均负荷分别为 Y 4 、Y 5 、Y 6 ，影响因素日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量作为自变量分别为 X 1 、X 2 、X 3 、X 4 、X 5 ．对两个地区分别进行多元线性回归，得出如下结果:
为了比较各个气象因素对于因变量的拟合效果，我们对回归方程进行了 t 检验与 F 检验，检验结果见表 1 和表 2．
由表 1 和表 2 可以看出，该模型中 F 检验值均明显大于临界值，因此模型显著． 在显著性水平 α =0. 05 下，查 t 分布表得临界值 t 0． 05/2 (n － k) = t 0． 05/2 (∞ ) =1. 960，通过比较可以得出:对于地区一，日最高温度 X 1 、日平均温度 X 3 以及日降雨量 X 5不显著，未通过显著性检验;对于地区二，日最高温度 X 1 未通过显著性检验． 此外，地区一和地区二的日最高温度 X 1 的符号与预期相反，未通过经济意义检验，这表明模型可能存在严重的多重共线性，因此需要对模型进行改进．
3电力负荷预测
3.1研究思路
在对两个地区 2015 年1 月11 日至17 日共7 天的电力负荷进行预测(间隔15 min)的时候，要求负荷的预测结果尽可能的准确，而时间序列预测技术就是通过对预测目标自身时间序列的处理来研究其变化趋势． 首先，采用移动平均法进行预测，根据预测标准误差的大小选择合理的移动平均项数，然后再使用加权移动平均法，给不同年份数据设置权重，得到更准确的预测结果．
3.2 时间序列预测模型的建立与求解
（1）移动平均模型
以 2009 年 ～2014 年的 T0000 时刻为例，由于年份较少，不适宜选择过大的移动平均项数，否则会造成数据信息的损失，因此，我们分别选择移动平均项数 N = 2 和 N = 3 进行分析，预测公式为
计算的结果表明，N = 3 时，预测的标准误差较小，所以移动平均项数选择 3．
（2）移动加权平均模型
在简单移动平均公式中，每期数据求平均的作用是等同的．但由于每期数据所包含的信息量不一样，近期数据往往包含着更多关于未来情况的信息，因此把各期数据等同看待是不合理的． 我们进一步考虑各期数据具有不同的重要性，对近期数据给予较大的权重．设时间序列为 y 1 ，y 2 ，…，y t ，则加权移动平均公式为
式中，M tw 为t期加权移动平均数，w i 为y t－i+1 的权数，它体现了相应的各期电力负荷值在加权移动平均中的重要性． 利用加权移动平均数进行预测，预测公式为 y^t+1= M tw ，即以第 t 期加权移动平均数作为第 t + 1 期的预测值。
根据近期数据包含信息更多的原理，我们对越近的年份赋予越大的权重，分别取w 1 = 3，w 2 = 2，w 3 =1，按预测公式计算两个地区2015 年1 月11 日至17 日共7 天的电力负荷加权移动平均预测值。 因为数据较多，我们以 2009 年 ～2014 年地区一的 T0000 时刻电力负荷为例，取加权移动平均项数为 3，运用 MAT-LAB 预测出 2015 年 1 月 11 日 T0000 时刻的电力负荷，预测值如表3 所示，其余各期预测值可以同理得出。
表 1 T0000 时刻的电力负荷预测(单位:MW)
Tab． 5 Power load forecast for T0000 (unit: MW)
3.3 模型的修正
根据各年移动平均的相对误差情况，我们对 2015 年的预测值进行修正，具体方法为，先计算各年预测值与实际值的相对误差(表3)，再计算总的平均相对误差:
由于总预测值平均比实际值低 5． 9 %，所以可将 2015 年 1 月 11 日 T0000 的预测修正为 6 106． 024MW．
结语
总而言之，电力负荷预测能够辅助电力规划、运行和调度部门了解用户的用电规律和变化趋势，也有助于电力企业了解用户用电需求，从而制定合理的营销计划和发展战略，具有现实意义．
参考文献:
［1］ 伊瑞． 电力负荷预测中的数学方法及应用研究［D］． 中南大学，2006．
［2］ 李小燕． 考虑气象因素的电力系统短期负荷预测研究［D］． 华南理工大学，2013．
论文作者:李宁1,周维宏2
论文发表刊物:《电力设备》2018年第1期
论文发表时间:2018/5/30
标签：负荷论文; 电力论文; 因素论文; 平均论文; 数据论文; 地区论文; 气象论文; 《电力设备》2018年第1期论文;