电力负荷预报中异常数据的补遗.docxVIP

电力负荷预报中异常数据的补遗 短期能源负荷预测是能量管理系统（ems）的基本功能之一。准确的报告结果是能源系统的安全运行和运营基础，也是能源市场运营模式下分配计划、供电计划和交易计划的基础。电力负荷预测是依赖于大量历史资料及相关因素资料的被动型预测,预报者占有资料的翔实可靠程度,对基于任何方法的预报结果都会有很大影响。目前,在我国各级电力调度中心,历史负荷数据采集系统多为SCADA系统。在电力系统实际运行时,数据采集系统中的量测、记录、转换、传输过程的任意环节都可能引起故障而导致观测数据的反常态势,以致与大多数观测值不一致;另一方面,当数据采集系统正常,由于特殊事件(如切负荷停电,线路检修停电,大用户、大事件冲击等)引起负荷的异常变化,也会导致观测数据的违背常规。所有这些非正常的观测数据统称为异常值。如果这些异常数据得不到有效的校正,它们将以伪信息、伪变化规律的方式提供给负荷预测作为参考,必然误导负荷预测模型的建立,影响预测结果的精确度及可靠性。 1 干扰了对负荷的规律认识 假设可以找一种万能的预测方法,准确地预测未来某时刻的负荷值LF(t),而一个不良的负荷量测系统实际测得的负荷为LR(t),那么,对t时刻而言,负荷预测效果的评价仍存在一个误差△L=LF(t)-LR(t)。这显然不是预报方法的过错。在实际负荷预报中,历史数据中的异常值会产生两方面的影响:其一,作为建模数据时,干扰了对负荷变化规律的正确认识;其二,作为检测预测结果的预测值时,能导致对负荷预测结果的误判。因而,异常数据犹如一把双刃剑,其影响是严重的。 假设量测系统是正常的,由于特殊事件的发生而产生的异常数据应当另行处理。在人们日常的生产生活中并不具有规律性。对于事先已知的特殊事件(如线路的检修,计划停电),和随机发生的特殊事件(如线路的突然故障,大用户负荷的突然投切等),他们对负荷的影响在数值上表现为规律性的负荷与冲击负荷的叠加。对这样的数据采取补足(对前者)或将冲击负荷剥离(对后者)的措施,能够减少由于数据的异常而对预报结果造成的影响。 表1引用文献中的Table9来说明异常数据对短期负荷预报的影响。 从表1中可以看出,对于一组用于预报的不含异常值的历史数据来说,无论采用何种预报方法,它的拟合误差和预测误差最小。当该组数据中含有异常值时,随着异常值数目的增多,其拟合误差和预报误差都随之增大。鲁棒性强的负荷预测方法能够在一定程度上抑制异常数据的作用,但是其拟合误差却仍然难以避免异常数据的负面影响,并且随异常数据的增多而增大。 2 异常数据的分类 在实际数据系统中,异常数据的产生往往是随机的,以多种类型存在于数据库中。可统分为两大类。 (一) 邻日峰、谷时段负荷异常 A.缺失值。这类异常数据在数据库中的表格单元中表现为空值; B.极大极小值。这类异常数据在数值上表现为在非负荷峰、谷时刻超出当日负荷的峰值或低于谷值。亦或在峰、谷时刻的负荷值大量超出相邻日峰、谷时刻负荷值; C.负荷毛刺。这类异常数据在数值上表现为在相邻时段数据间的突然增大或减小。有突变幅度大小之分,极大极小值属于突变幅度过大的毛刺。 (二) 同时段和时段间负荷的影响 这类数据通常是在量测系统正常情况下由于特殊事件的发生造成的。表现为自然正常数据叠加随机事件引起的负荷波动而产生的负荷畸变。主要表现为两类。 A.待补足数据。这类数据主要由于线路检修,某用电大户设备停电检修,或某些变电所在一段时期内测量表计损坏等预知因素造成。这类异常数据在数值上看似正常值,但是如果与近期同类型日相同时段负荷比较,有明显的增大或减小; B.含冲击负荷数据。这类数据主要由于突发事件或某些社会政治经济生活中的大事件、或电力市场模式中的随机因素造成。如某用电大户的设备的突然停、投而引起的连续时段内的负荷下降和负荷增加,沙尘暴天气会造成人们照明负荷增加,为庆祝节日偶尔举办的灯会,奥运会等也会引起负荷增加。这类负荷应分解为正常的自然负荷和受诸类因素影响的冲击负荷。 3 异常数据的修正 异常数据产生是随机的,因而在数据库中分布也具有不确定性,各类异常数据或在某一时刻单独出现,或在同一日连续的时段内交叉混合出现,或在连续多日同一时段上交叉分布等众多情形。为了进行准确的数据修正,必须综合考虑多种因素,进行多方比较。在文献都涉及到异常数据的识别及处理问题。 对负荷进行修正,其潜在的前提是: (1) 电力负荷既有规律性又具有随机性。规律性决定了负荷是可以被修正的,随机性决定修正值在概率统计意义下的置信度和置信区间; (2) 电力负荷相邻时段之间是具有粘性的,亦即前后相邻时段的负荷不会发生突变; (3) 相似日具有近似相同的负荷模式。 在实际预测中对于待检测的历史负荷,常用的异常数据修正方法有以下几类: (1) 经验修正法。由现场负荷预测人员