李冰冰
華北水利水電大學,河南 鄭州450046
在國家出臺“雙碳”目標的背景下,對不同行業進行電力負荷預測,有利于了解各行業的生產經營狀況,評判各行業的發展趨勢,引導其正向發展,對國家電力發展意義重大[1]。
負荷預測需要建立在龐大的數據基礎上,文章結合某地區的每15 min負荷數據、行業日負荷數據和氣象數據深入分析相關數據,最終解決以下問題:對某地區每15 min的用電負荷進行量化分析,建立用電負荷趨勢的數學模型,在此基礎上確定未來10 d每15 min的負荷[2]。
首先,對該地區電網未來10 d每15 min的負荷數據進行預處理。然后,對新的數據表進行可視化分析[3]??紤]到所用數據會影響模型的準確度,選擇2020年8月31日—2021年8月31日近一年的數據進行預測。文章將氣象條件作為解釋變量,每15 min測得的總有功功率作為被解釋變量進行短期預測。采用聚類分析與BP神經網絡相結合的預測方法,先對該地區的歷史數據進行k-means聚類,然后將聚類結果作為BP神經網絡的輸入層進行訓練,得到BP神經網絡的預測結果。為了測試模型的精度,選取后一個月的數據作為樣本進行訓練,將所得預測結果與真實結果進行對比,得出模型的精度,即誤差。為了預測未來10 d的負荷,需要得知未來的氣象條件,因此對氣象條件中的因素進行簡單的時間序列預測,根據所得的氣象條件及一天中每15 min的變化情況,得出最終的結果[4]。
影響電力系統短期負荷預測精度的因素眾多,文章選取多個因素(最高溫度、最低溫度、白天風力風向、夜晚風力風向、天氣)作為解釋變量從而提高模型的精度。經過可視化分析,天氣的晴朗程度與總有功功率成反比,惡劣的天氣會導致用電的增加,電能的增加使得總有功功率也增加[5]。
天氣和白天風力風向、夜晚風力風向3個因素與總有功功率的數字關系不明顯,根據風級和天氣晴朗程度的不同,賦予各因素不同的等級;每天的天氣均有變化,將天氣劃分為兩個部分。給天氣(晴、局部多云、多云、陰、小雨、中雨、大雨)賦予不同等級(1~7);根據風級的不同,編序為無持續風向<3級、北風3~4級、北風4~5級。
k-means(k均值)聚類算法作為無監督算法,可以根據各個因素的相關性,以歐式距離為參照,找出最優的質心,將因素分為不同的簇[6]。k-means聚類算法可以根據各個影響因素的歐式距離的差異,以歐式距離的反比反映兩個不同影響因素之間的相關性,以此聚成不同的簇[7]。
文章選取了眾多影響因素作為負荷短期預測的解釋變量,而各個影響因素之間具有一定的關系。因此,除了計算各因素對負荷的影響,還應將各因素之間的相關性納入考慮范圍。需要先對該地區的歷史數據進行k-means聚類,然后將聚類結果作為輸入層并使用BP神經網絡預測,能夠達到很好的效果[8]。
各地區的負荷與其影響因素之間是一種非線性關系,存在較嚴重的隨機性[9]。BP神經網絡兼具非線性映射數學能力、自學習與自適應性、泛化能力及容錯性等多重優勢,使用BP神經網絡進行預測能夠避開一些限制問題,讓負荷的短期預測更加順利[10]。BP神經網絡算法的基本公式如下。
對于輸出層:
式中:ok為第k個輸出變量的實際輸出;f(netx)為變換函數;k為輸出變量的個數;netj為神經網絡輸入層;m為輸入層的個數;j為第j個輸入層;wjk與θt為隱含層到輸出層的權值與閾值;yj為隱含層輸出。
對于隱含層:
式中:f(netj)為變換函數;vjk與θi為輸入隱含層的權值與閾值;xi為隱含層輸入層;n為隱含層輸入層的個數;i為第i個隱含層的輸入層。
使用上述方法搭建的負荷預測模型如圖1所示。
圖1 負荷預測模型框架
2018—2019 年,該地區的總有功功率出現明顯的波動,之后,該地區的總有功功率的大小和波動趨勢逐漸穩定。根據總有功功率的走勢可以推出,在2019年之后負荷近似呈現以年為單位的周期性變化,因此采用2019年8月一個月的數據進行跨度為10 d(2021年9月1日—9月10日)的負荷預測。
使用k-means聚類算法,根據最高溫度、最低溫度、天氣、白天風力風向和夜晚風力風向等因素將數據大致聚為4類。聚類分析得到的結果如表1所示。
表1 聚類分析結果
聚類之后,使用近期一個月的數據進行預測。首先,使用前25 d(2019年8月1日—8月25日)的數據預測未來6 d(2019年8月26日—8月31日)的總有功功率,測試模型精度;然后,預測未來10 d(2021年9月1日—9月10日)的總有功功率。
4.2.1 未來6 d的負荷預測
部分預測值與真實值的誤差如表2所示。預測值波動較小,且都位于合理區間,可以進行下一步預測。
表2 部分預測值與真實值的誤差
4.2.2 未來10 d的負荷預測
最高溫度和最低溫度具有季節性特征,對最高溫度和最低溫度需要采用三次指數平滑法。預測未來10 d總有功功率時,需要得到未來10 d的氣象條件,因此使用SPSS對天氣、最高溫度、最低溫度、白天風力風向、夜晚風力風向進行簡單的時間序列預測,得到的結果如表3所示。
表3 不同解釋變量的時間序列預測結果
將預測得到的各個解釋變量的值代入聚類結果,尋找與其最接近的聚類中心作為輸入層進入BP神經網絡進行計算,預測未來10 d的負荷,部分預測值如表4所示。預測結果的走勢和大小與歷史相近,預測值波動較小,且都位于合理區間,說明預測結果相對合理。
表4 未來10 d的部分預測值
文章介紹了一種結合k-means聚類與BP神經網絡的新型預測方式并進行了實證分析。結果顯示,構建的模型精度較高,并且能夠較好地解決解釋變量間存在非線性關系的問題。同時,模型還存在一定的不足,在預測電負荷之前,還需要對解釋變量(即氣候條件等眾多因素)進行預測,這不僅增加了操作難度,還在一定程度上降低了預測的精度??偟膩碚f,該新型預測方式可操作性強、結果精確度良好,可以推廣應用。