基于最大阀值法的异常负荷数据的修正.docVIP

基于最大阈值法的异常电力负荷数据的修正 冯瑶1 王威2 曲绍君3 1、吉林省气象服务中心，130062 2、吉林省蛟河市气象局，132500 3、吉林省气象探测保障中心,130062 摘要：分别采用灰色模型法和最大阈值处理法对电力负荷数据进行修正，检验结果证明最大阈值法可用于对异常电力负荷数据的修正，精度高于灰色模型法，最后利用最大阈值法对异常负荷数据进行了修正，修正结果达到了预期目的。 关键词: 电力负荷 最大阀值 灰色模型 修正 1.问题的提出 我们在研究电力负荷与气象条件之间的关系课题中，经常要对原始电力负荷数据进行分析、拆解、计算、预测等，负荷预测需要采用已知时间段数据运用各种方法去测算未来时间段的负荷数据[1]。因此，负荷数据的真实准确性是决定预测准确性的重要因素。 课题引用了长春市电力部门提供的2012和2013两年长春地区24点负荷数据，经整理绘制逐月负荷曲线图，从图1.1中可以看出2012年和2013年长春市电力负荷曲线整体走势是一致的,由于电力负荷具有随国民经济增长而增长的趋势[2]，所以2013年曲线要高于2012年，两条曲线差异之处在2012年8月数据明显低于6、7月份，曲线在8月转折较大，而2013年8月略高于6、7月份，曲线较平整。 图1.1 2012、2013年长春市月负荷曲线图 图1.2 2012、2013年长春市日平均气温曲线图 气象因素对电力负荷变化影响最大，各种气象要素中，气温是最主要的一项，与负荷变化相关度最高，夏季高温会导致用于降温负荷显著增加，冬季低温会导致用于取暖负荷显著增加[3]。从2012年和2013年日平均气温曲线（见图1.2）可看出，2012年8月日平均气温与6、7月相差不大，不会导致负荷剧烈变化，因此2012年8月负荷数据存在较大失真，正常负荷数据应与7月负荷数据相差不多。负荷数据失真的具体原因我们无法考究，为保证负荷数据完整连续和准确性，以利于更科学准确的负荷预测，有必要采取方法对异常负荷数据进行修正。 2.异常负荷数据的修正 在只有一种变量的情况下，对异常负荷数据的修正，可采用灰色模型法[4]和最大阈值处理法对单一数据进行处理预测。 2.1灰色模型法 灰色模型法是应用灰色理论建立微分方程预测模型，GM（1，1）是最常用的一种灰色模型，它是由一个只包含单变量的一阶微分方程构成的模型。 设有变量为x(0)的原始序列 x(0)=[ x(0)(1), x(0)(2),…, x(0)(n)] (2.1) 用1-AGO生成一阶累加生成序列 x(1)=[ x(1)(1), x(1)(2),…, x(1)(n)] (2.2) 其中 x(1)(k)= (2.3) 序列x(1)满足下述一阶线性微分方程模型 （2.4） 对式（2.4）求取近似解得 k=(0,1,2…) （2.5） 对此式做累减还原，得原始数列的灰色预测模型为 （0）=（1）-（1）= (k=0,1,2,…) （2.6） 灰色模型的建模优劣精度通常用后验差检验方法进行分析。后验差检验的两个重要参数： 后验差比值 C= （2.7） S2为历史数据方差的平方根，S1为残差方差的平方根 小误差概率： P= （2.8） 为残差，为残差的平均值 评定灰色预测模型精度指标C越小越好，P越大越好。 2.2 数据的最大阈值处理 电力负荷呈现周期性变化，1个月以内相似日的负荷具有相似性，且负荷值应该维持在一定范围内，如果负荷值超出这个范围，就判断该数据属异常数据，公式如下所示： （2.9） （2.10） 当时 （2.11） 当时 （2.12） 式中：yk为被预测日负荷值，yk-1为被预测日前一相似日的负荷值，yk-2等依次类推 为yk前4个相似日负荷平均值 为4个相似日中最大阈值 数据最大阈值法只需要掌握预测时间之前的数据，不需要以后数据，因此可用于本文中对异常数据的修正预测。 3.两种负荷数据修正方法的检验 2012年8月份负荷数据属于异常数据，没有真实值做检验，直接采用技术方法对其修正预测无法检验方法的修正精度和科学合理性，因此我们采用方法先对已知负荷数据进行预测，再用实际数据来检验预测精度。 为保证数据关联度，采用相似日负荷数据进行预测，对7月份前5天的负荷数据进行预测，根据表3.1，7月份前5天分别为周日、周一、周二、周三、周四。因此我们选取6月3日、10日、17日、24日数据来预测7月1日数据，选取6月4