電力系統(tǒng)短期需求預測理論與方法PPT學習教案

1、會計學1電力系統(tǒng)短期需求預測理論與方法電力系統(tǒng)短期需求預測理論與方法預測原理分析預測原理分析數據分析與處數據分析與處理理預測方法庫預測方法庫同類型日同類型日信號預測信號預測綜合預測模型綜合預測模型因素映射因素映射負荷規(guī)律性分負荷規(guī)律性分析析正常日預正常日預測測節(jié)假日預測節(jié)假日預測預測內容預測內容預測機制預測機制新息利用新息利用頻域分解頻域分解實時氣象實時氣象特色預測特色預測自適應技術自適應技術發(fā)展新方向發(fā)展新方向主要因素分析主要因素分析體會與思考體會與思考第1頁/共73頁第2頁/共73頁在計劃經濟體制下，如果發(fā)現(xiàn)預測的偏差較大，機組出在計劃經濟體制下，如果發(fā)現(xiàn)預測的偏差較大，機組出力的安排不滿

2、足要求，將在實時運行過程中盡可能通過力的安排不滿足要求，將在實時運行過程中盡可能通過調度手段進行調整，由于廠網不分，因此預測偏差較大調度手段進行調整，由于廠網不分，因此預測偏差較大所造成的運行費用的增加并沒有被深入追究。所造成的運行費用的增加并沒有被深入追究。由于引進了市場機制，發(fā)電側市場中預測工作的重要性由于引進了市場機制，發(fā)電側市場中預測工作的重要性顯得更為突出。此時，負荷預測的誤差直接影響購電計顯得更為突出。此時，負荷預測的誤差直接影響購電計劃的制定，例如，日前市場中負荷預測偏低，將導致在劃的制定，例如，日前市場中負荷預測偏低，將導致在實時市場上購買昂貴的高峰電力；日前市場中負荷預測實時

3、市場上購買昂貴的高峰電力；日前市場中負荷預測偏高，將導致更多的機組在日前的預調度計劃中組合進偏高，將導致更多的機組在日前的預調度計劃中組合進來，由此會支付過多的容量成本和啟停費用。這將直接來，由此會支付過多的容量成本和啟停費用。這將直接影響電力企業(yè)的經濟效益。影響電力企業(yè)的經濟效益。因此，必須加倍重視發(fā)電側市場中的預測工作，努力提因此，必須加倍重視發(fā)電側市場中的預測工作，努力提高系統(tǒng)運行的效益。高系統(tǒng)運行的效益。第3頁/共73頁第4頁/共73頁第5頁/共73頁歷史數據歷史數據-預測結果預測結果第6頁/共73頁第7頁/共73頁日、月、季、年負荷特性分析、按預測種類分正常日與節(jié)假日特性分析，其它指

4、標特性分析第8頁/共73頁nn中秋節(jié)日負荷曲線第9頁/共73頁第10頁/共73頁第11頁/共73頁第12頁/共73頁負荷的分析不夠全面n如此的負荷分析：n負荷自身變化規(guī)律的檢測與識別第13頁/共73頁第14頁/共73頁)(0tDa ( )W t( )L t( )H t第15頁/共73頁第16頁/共73頁第17頁/共73頁第18頁/共73頁第19頁/共73頁負荷完整曲線第1日第2日第3日第20頁/共73頁第21頁/共73頁第22頁/共73頁時間本年度本年度節(jié)前相關日間隔時間上年度上年度節(jié)前相關日間隔待預測日基準日待預測日的上年度同類型日第23頁/共73頁第24頁/共73頁第25頁/共73頁第26

5、頁/共73頁123124351X2X3X5w4w3w1w2w11W12W35W25WY第27頁/共73頁 輸出層隱含層輸入層預測日兩周前一周前一天前預測日圖 1 前向多層 ANN 結構圖第28頁/共73頁現(xiàn)成的經驗可參考：氣象部門獲取信息的細節(jié)要求其他地方應用時的技術協(xié)議氣象數據接口第29頁/共73頁P相似日的確定P氣象因素的校正補償第30頁/共73頁第31頁/共73頁第32頁/共73頁特征量名稱 特征量描述映射前取值映射后取值日類型日類型星期一星期一1 10.100.10日類型日類型星期二星期二2 20.150.15日類型日類型星期三星期三3 30.180.18最高溫度最高溫度2828攝氏度

6、攝氏度28280.200.20最高溫度最高溫度3333攝氏度攝氏度33330.580.58最高溫度最高溫度3535攝氏度攝氏度35350.880.88自動識別相關因素影響的靈敏度第33頁/共73頁n可靈活增加相關因素的個數（比如有了新的相關因素的數據積累，可增加一個新的相關因素，而不需要修改預測程序）；第34頁/共73頁qmkqjkikijXXd1mkjkikjkikijXXXXd1 mkjkmkikmkjkikijXXXXr12121第35頁/共73頁P各地區(qū)選擇不同參數輸入映射數據庫P改造已有方法第36頁/共73頁第37頁/共73頁n所謂的自適應算法必須是能夠針對不同地區(qū)或者同一個地區(qū)不同

7、的時間（比如四季，各個月份都會有不同）根據歷史負荷的變化情況以虛擬預測最優(yōu)化為目標的方法自動的調整各個相關因素的映射函數采樣點映射后的取值；第38頁/共73頁時間軸E1E2E3F1F2F3時間軸歷史值起始日評價起始日評價終止日評價區(qū)間第39頁/共73頁日期日期訓練前訓練前MAPE（）（）訓練后訓練后MAPE（）（）00/09/011.51.400/09/022.01.900/09/031.91.700/09/042.32.000/09/051.61.700/09/062.82.100/09/072.52.000/09/081.31.500/09/092.42.1平均值平均值2.031.82第4

8、0頁/共73頁相關因素名相關因素名該因素映射前取值該因素映射前取值映射后未訓練取值映射后未訓練取值映射后訓練后取值映射后訓練后取值日類型日類型星期日星期日0.90.758日類型日類型星期一星期一0.080.001日類型日類型星期二星期二0.150.099034日類型日類型星期三星期三0.140.259083日類型日類型星期四星期四0.150.185585日類型日類型星期五星期五0.190.279358日類型日類型星期六星期六0.80.648445日類型日類型元旦元旦0.810.81日類型日類型中秋節(jié)中秋節(jié)0.760.76日類型日類型五一勞動節(jié)五一勞動節(jié)0.560.56日類型日類型國慶節(jié)國慶節(jié)0

9、.850.85第41頁/共73頁第42頁/共73頁第43頁/共73頁第44頁/共73頁第45頁/共73頁第46頁/共73頁第47頁/共73頁第一種是直接從預測機理的深度將單一的預測模型進行第一種是直接從預測機理的深度將單一的預測模型進行組合，這種技術在在短期預測中比較常見，例如神經網組合，這種技術在在短期預測中比較常見，例如神經網絡與小波分析的結合、神經網絡與專家系統(tǒng)的結合、自絡與小波分析的結合、神經網絡與專家系統(tǒng)的結合、自組織理論與組織理論與ARMA的結合等。的結合等。第二種是單一模型預測結果的直接加權組合。其主要出第二種是單一模型預測結果的直接加權組合。其主要出發(fā)點是，不同方法的預測結果一

10、般都有差異，應設法在發(fā)點是，不同方法的預測結果一般都有差異，應設法在這些預測結果的基礎上綜合判斷，給每個預測模型賦予這些預測結果的基礎上綜合判斷，給每個預測模型賦予不同的權重，由此得到一個預測效果更好的綜合模型。不同的權重，由此得到一個預測效果更好的綜合模型。第48頁/共73頁各種方法的預測結果在每個時刻的權重均不同。第49頁/共73頁第50頁/共73頁自備電自備電廠廠小水電小水電小火電小火電影響因素影響因素自然規(guī)律自然規(guī)律日類型日類型節(jié)假日特性節(jié)假日特性電價電價天氣類型（晴、陰、多云。）天氣類型（晴、陰、多云。）溫度：最高溫度：最高/最低最低/平均平均濕度濕度：最高：最高/最低最低/平均平均

11、降雨降雨風速風速燃料供應能力燃料供應能力燃料價格燃料價格網供網供/統(tǒng)調部分統(tǒng)調部分照明用電照明用電工業(yè)用電工業(yè)用電。全社會用電全社會用電省外交換，網損。省外交換，網損。大用戶用電的非計劃性造成負荷的變化氣象條件造成的變化農業(yè)用電的波動天氣突然變化-降雨后小水電發(fā)電小電廠非計劃性開停機或發(fā)電隨意性降溫負荷空調降溫負荷空調等等第51頁/共73頁影響因素影響因素非統(tǒng)調出力非統(tǒng)調出力全社會用電全社會用電網供網供/統(tǒng)調部分統(tǒng)調部分n全社會=f1(歷史數據1，影響因素1)n非統(tǒng)調=f2(歷史數據2，影響因素2)難點：非統(tǒng)調信息（歷史實際/未來計劃）無法及時、準確地搜集第52頁/共73頁第53頁/共73頁(0.550.55) (58)HLHTHITHT1450.8(235)43.44030(235)lndddTTHITTRH第54頁/共73頁(0.550.55) (58)HLHTHITHT第55頁/共73頁1450.8(235)43.44030(235)lndddTTHITTRH第56頁/共73頁012WTHITHITHITHI1第57頁/共73頁第58頁/共73頁模型應用的關鍵：模型應用的關鍵： 樣本集選取滾動訓練預測第59頁/共73頁第60頁/共73頁第61頁/共73頁第62頁/共73頁第