第三章负荷预测.pptVIP

第三章 负荷预测 第一节 概论 1.两个含义：一是负荷的电压及频率特性，二是负荷的时空特性。 2.安全经济运行中所需要的负荷模型主要是指它未来的时空特性。本书只侧重最优运行所需要的短期负荷预测，包括周、日及实时（小时）负荷预测。 3.负荷预测的关键是提高精度，主要用概率统计的方法，其中时间序列分析是最有力的工具。 第二节 周（日）符合预测指数平滑模型 3.2.1.模型的基本思路 这里所说的周负荷预测是指未来一周七天按小时为间隔的负荷曲线预测。 （1）最近一个月或两个月内的同一类型日（例如星期一）的历史日负荷曲线如3.1（a）所示。 （2）近期相同类型日（如每个星期一）的日平均负荷x按时序先后的曲线如3.1（b）所示。 （3）同一类型日中的负荷变化系数z随时间变化的曲线如3.1（c）所示。 3.2.2.指数平滑法 指数平滑法进行预测有以下模型： （1）对具有水平趋势的时间序列{xt}，用t期一次指数平滑值作为t+1期预测值，称一次指数平滑模型 （2）对于具有线性趋势的时间序列{xt}，用下面的线性模型进行预测，称为二次指数平滑型 平滑指数法的优点： （1）对不同时间的数据作非等权处理，这比一般的等权平均值更符合实际。 （2）能通过平滑作用，自动清除数据中序列中的随机波形，尤其是那些不符合统计特征的偶然性波动。 平滑指数法的缺点： 对数据的趋势性转折点鉴别能力不够。 3.2.3.周（日）负荷预测模型及算法 由于同类型日的同时负荷变化系数具有水平趋势，即可以用一次指数平滑模型，也可以用二次指数平滑模型。 假设有N个同类型日的24小时负荷数据，写成矩阵y为： 第一步：计算每个同类型日中日平均负荷，即y中每行的平均值，得到序列{xi}，其每个元为： 第二步：计算每个同类型日中每小时的负荷变变化系数，组成的矩阵为z，其每个元为z矩阵的每列为一个时间序列，记为{zi,l} 第三步：从l=1,…,24,将每个序列{zi,l}作为一组观察值，代替{xi},并带入以指数平滑模型，算的第N+1个同类型日的预测值zi,l。 第四步：将第一步算得的序列{xi}带入一次指数平滑模型，得到序列{St（1）}，在带入二次指数平滑模型，然后按矩阵y计算出N+1个同类型日的日平均负荷 第五步：第N+1个同类型日的负荷曲线为 指出以下几点： （1）上述步骤以一个类型日的负荷预测为例，七个同类型日的计算过程是相同的。 （2）上述模型俺类型日分别计算，所以实质上可以作为日负荷曲线预测的方法。 （3）模型中进行指数平滑时，要选定加权系数α。 （4）指数平滑公式都是迭代公式，因此有一个确定的初始值S0（1） ，S0（2）的问题。 第三节 实时（日）符合预测的随机型时间序列模型 3.3.1.模型的基本思路 上一节所述的模型实质上是将负荷随时间变化的函数看作两个分量，一个是线性趋势分量，另一个是周期性分量，根据电力负载的变化规律提取这两个分量以后，分别预报。 随机型时间序列预报技术有以下几个环节： （1）原始序列平稳化，并进行平稳性检验。 （2）模型识别。 （3）模型系数估计并建模预报。 （4）预报模型的精度检验。 3.3.2.建模预测的几个环节 1.负荷时间序列平稳化几平稳性检验 2.模型识别 第一步:用30页3.12式计算负荷差分序列{wt}的相关系数rk。 第二步：按3.12式计算的rk 代入下面递推公式求得偏置相关系数（3.13式）。 第三步：如果序列{wt}满足AR(p)模型，首先使用该模型，如不满足AR(p)模型，则使用MA(q)模型，如不满足MA(q)模型，最后才使用ARMA(p,q)模型。 3.模型系数估计及负荷预测 （1）系数估计 如果是AR(p)模型，它的系数Φi按递推公式3.13式计算。如果是MA(q)模型或ARMA(p,q)模型，由于涉及非线性回归，系数Φi及θi的计算较复杂，具体方法见附录G。 （2）负荷差分序列预报方程 求得模型后就可以建立起实时（日）负荷差分序列的预报方程（3.14式） 对于预报方程作如下说明： （a）如果是AR(p)模型，方程中系数θi=0；如果是MA(q)模型，方程中系数Φi=0。 （b）N是表现现在和过去时刻的下标，l是表示未来时刻的下标，所以如只预测下一小时的负荷，仅取l=1，而预测后续24h的负荷，则l=1，…,24。 （c）式中wN+j的取值原则：当j=0,wN+j为现在和过去的观察值，当j0时，wN+j为预测值；残差aN+j的取值原则：当j=0,aN+j为预报方程的估计值，当j0时，未来残差aN+j=0. 3.差分逆运算求负荷预测值 将符合差分序列的预测值记为wN+l（l=1,…,24）,进行差分运算，即可以得到相应的实际负荷预测值。 4.模型精度检验