CN104616075A - 一种适合于台风天气下的短期负荷预测方法 - Google Patents

Abstract

本发明公开了一种适合于台风天气下的短期负荷预测方法，包括获取基本相似日样本数据以及对短期负荷影响较大的气象数据，根据气象数据计算气象关联度，根据气象关联度获得最优相似日，根据日类型差异和年度类型差异对最优相似日的负荷进行修正；根据修正后的最优相似日的负荷，获得待预测台风日的负荷。本发明可以应对台风天气下的负荷波动性，以历史台风日作为基本相似日，基于灰关联方法，从中选取与待预测台风日气象特征接近的作为最优相似日，利用日类型差异和年度类型差异对最优相似日负荷进行修正，大大提高了台风天气下的负荷预测精度，从而指导电网调度做好台风日的负荷预测工作，制定针对台风破坏的有序用电方案，保证电网的安全稳定运行。

Description

一种适合于台风天气下的短期负荷预测方法

技术领域

本发明属于负荷预测技术领域，更具体地，涉及一种适合于台风天气下的短期负荷预测方法。

背景技术

台风是造成严重灾害的主要因素之一，给电网带来了严峻的考验，如强台风往往会导致线路故障、设备损坏等。因此，分析台风对电力负荷的影响，提高台风期间电力负荷预测精度，对电网运行的安全性、经济性以及电能质量都有着重要意义。在现有公开技术中，尚未有充分考虑台风天气下的短期负荷预测技术。现有技术中，主要是研究正常天气下的短期负荷预测技术，而台风天气下的负荷预测研究更具挑战性。

中国专利公开号CN103268524A，公开日是2013年8月28日，公开了一种提高电网短期负荷预测准确度的方法，包括有如下步骤：(1)采集历史负荷值和影响因素信息；(2)按设定时长从数据库抽取历史数据；(3)通过误差确定对短期电网负荷值影响最大的影响因素；(4)建立短期电网负荷预测计算公式；(5)对历史电网负荷值进行参数估计；(6)计算短期电网负荷预测值；(7)通过测试周期对负荷预测值进行修正。

但上述方法需要大量的历史负荷数据和气象数据作为样本，而且现有技术尚未对台风天气下的负荷需求有充分的考虑。台风天气下的负荷需求无明显波动规律，单单采用常规方法进行负荷预测，无法满足台风天气下的负荷预测精度要求。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种适合于台风天气下的短期负荷预测方法，旨在解决现有负荷预测技术中仅考虑正常天气(相对于台风天气)情况导致无法满足台风天气下的负荷预测精度的问题。

本发明提供了一种适合于台风天气下的短期负荷预测方法，包括以下步骤：

(1)获取基本相似日样本数据以及对短期负荷影响较大的气象数据；

基本相似日是指从历史日中选取的和待预测台风日具有相同气象特征的台风日；

(1.1)根据该地区是否在台风最外围风圈内作为标准，若该地区在台风最外围风圈以内，则称该台风对该地区有明显影响。选取近N年对某地有明显影响的历史台风日作为基本相似日样本，即假设Y年10号台风A明显影响某地的当天作为待预测日，则Y年10号台风A之前近N年对该地有明显影响的台风日都作为基本相似日。

(1.2)由于每年的台风日相对较少，对某地有明显影响的台风更少，则对应的基本相似日就很少，这给在台风天气下准确地进行负荷预测带来较大挑战。鉴于此，现把待预测日前30天加入到基本相似日中，以扩大基本相似日的样本数。

由(1.1)和(1.2)，基本相似日范围为历史台风日和待预测台风日前30天的总和。

(1.3)选取对短期负荷影响较大的气象因素——温度(包括最高温度和平均温度)、湿度(包括最高湿度和平均湿度)、风速(包括最高风速和平均风速)和降雨量，构成气象因素的日特征向量，用灰色分析法计算得出气象关联度系数。

选择气象因素后，可形成分析矩阵序列如式(1)所示。

$(Y_0,X)=\left[\begin{array}{cccccc}{y}_0\left(1\right)& x_1\left(1\right)& \·\·\·& x_i\left(1\right)& \·\·\·& x_m\left(1\right)\\ \·& \·& & \·& & \·\\ \·& \·& & \·& & \·\\ \·& \·& & \·& & \·\\ y_0\left(t\right)& x_1\left(t\right)& \·\·\·& x_i\left(t\right)& \·\·\·& x_m\left(t\right)\\ \·& \·& & \·& & \·\\ \·& \·& & \·& & \·\\ \·& \·& & \·& & \·\\ y_0\left(n\right)& x_1\left(n\right)& \·\·\·& x_i\left(n\right)& \·\·\·& x_m\left(n\right)\end{array}\right]---\left(1\right);$

式中：t(t＝1，2，…，n)为各台风日气象因素特征向量的维数，n为气象因素的个数，Y₀表示待预测台风日的气象因素特征序列，y₀(t)表示待预测台风日的第t个气象因素的数据，X表示基本相似日的气象因素特征序列，x_i(t)表示第i(i＝1，2，…，m)个基本相似日的第t个气象因素的数据，m为基本相似日的个数。

(2)根据所述气象数据计算气象关联度α_i；

由式(1)得到的气象特征序列，对待预测台风日与基本相似日的气象因素按照式(2)进行差值运算，计算第i个基本相似日在第t个气象因素特征的差值，得到如式(3)所示的序列矩阵Δ_0i(t)，按照式(4)对序列矩阵Δ_0i(t)差异归一化，得到如式(5)所示的序列矩阵Δ'_0i(t)。Δ_i(t)＝|X_i(t)-X₀(t)|  (2)； ${\mathrm{\Δ}}_{0i}\left(t\right)=\left[\begin{array}{ccccc}{\mathrm{\Δ}}_{01}\left(1\right)& \·\·\·& {\mathrm{\Δ}}_{0i}\left(1\right)& \·\·\·& {\mathrm{\Δ}}_{0m}\left(1\right)\\ \·& & \·& & \·\\ \·& & \·& & \·\\ \·& & \·& & \·\\ {\mathrm{\Δ}}_{01}\left(t\right)& \·\·\·& {\mathrm{\Δ}}_{0i}\left(t\right)& \·\·\·& {\mathrm{\Δ}}_{0m}\left(t\right)\\ \·& & \·& & \·\\ \·& & \·& & \·\\ \·& & \·& & \·\\ {\mathrm{\Δ}}_{01}\left(n\right)& \·\·\·& {\mathrm{\Δ}}_{0i}\left(n\right)& \·\·\·& {\mathrm{\Δ}}_{0m}\left(n\right)\end{array}\right]---\left(3\right);$

${{\mathrm{\Δ}}_{0i}}^{\′}\left(t\right)=\frac{{\mathrm{\Δ}}_{0i}\left(t\right)-\underset{i}{\min }{\mathrm{\Δ}}_{0i}\left(t\right)}{\max {\mathrm{\Δ}}_{0i}\left(t\right)-\underset{i}{\min }{\mathrm{\Δ}}_{0i}\left(t\right)}---\left(4\right);{\mathrm{\Δ}}_{0i}^{\′}\left(t\right)=\left[\begin{array}{ccccc}{\mathrm{\Δ}}_{01}^{\′}\left(1\right)& \·\·\·& {\mathrm{\Δ}}_{0i}^{\′}\left(1\right)& \·\·\·& {\mathrm{\Δ}}_{0m}^{\′}\left(1\right)\\ \·& & \·& & \·\\ \·& & \·& & \·\\ \·& & \·& & \·\\ {\mathrm{\Δ}}_{01}^{\′}\left(t\right)& \·\·\·& {\mathrm{\Δ}}_{0i}^{\′}\left(t\right)& \·\·\·& {\mathrm{\Δ}}_{0m}^{\′}\left(t\right)\\ \·& & \·& & \·\\ \·& & \·& & \·\\ \·& & \·& & \·\\ {\mathrm{\Δ}}_{01}^{\′}\left(n\right)& \·\·\·& {\mathrm{\Δ}}_{0i}^{\′}\left(n\right)& \·\·\·& {\mathrm{\Δ}}_{0m}^{\′}\left(n\right)\end{array}\right]---\left(5\right)$

选择Δ'_0i(t)中的最大值Δ_max和最小值Δ_min，如式(6)所示： ${\mathrm{\Δ}}_{\max }=\underset{i}{\max }\underset{t}{\max }{\mathrm{\Δ}}_{0i}^{\′}\left(t\right),{\mathrm{\Δ}}_{\min }=\underset{i}{\min }\underset{t}{\min }{\mathrm{\Δ}}_{0i}^{\′}\left(t\right)---\left(6\right)$

则待预测台风日与第i个基本相似日在第t个特征的气象关联度系数ζ_i(t)为：ρ是介于0与1之间的常数。

综合各个特征的关联度系数，得到待预测台风日与第i个基本相似日的气象关联度α_i为 ${\mathrm{\α}}_i=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ζ}}_i\left(t\right)---\left(8\right).$

(3)根据气象关联度确定最优相似日；

由关联度的计算公式(8)判定：差异越小，关联度越大，基本相似日与待预测台风日的关联度也越大。将气象关联度由大到小排序，排名前e个被选取为最优相似日。经测试，一般e值取基本相似日总数的5％～7％时，预测效果较好。

(4)根据日类型差异和年度类型差异对最优相似日的负荷进行修正；

(4.1)日类型差异修正

气象关联度量化了气象因素对短期负荷的影响，但除了气象因素外，日类型也是影响短期负荷的一个重要因素。考虑到日类型的差异，采用比例法对最优相似日的负荷进行修正。

若待预测台风日为周末，最优相似日为工作日，则对其负荷修正为L_g'＝L_gL_teg/L_twg (9)；

式中：L_g、L_g'分别为最优相似工作日修正前及修正后g时刻的负荷；L_teg为每年6月-11月期间所有周末g时刻的平均负荷，L_twg为每年6月-11月期间所有工作日g时刻的平均负荷；L_teg/L_twg表示周末与工作日g时刻的负荷比例；若待预测台风日为工作日，最优相似日为周末，则将该比例取倒数即可。

若待预测台风日为法定节假日，最优相似日为周末，则对其负荷修正为L_g'＝L_gL_tsg/L_teg (10)；

式中：L_tsg为每年6月-11月期间所有节假日的g时刻平均负荷，L_teg与式(9)中意义相同；L_tsg/L_teg表示法定节假日与相似周末g时刻的负荷比例；若待预测台风日为周末，最优相似日为法定节假日，则将该比例取倒数即可。

若待预测台风日为工作日，最优相似日为法定节假日，则对其负荷修正为L_g'＝L_gL_twg/L_tsg (11)；

式中：L_twg、L_tsg与式(9)中意义相同；L_twg/L_tsg表示工作日与法定节假日g时刻的负荷比例；若待预测台风日为法定节假日，最优相似日为工作日，则将该比例取倒数即可。

(4.2)年度类型差异修正

随着国民经济的发展，用电负荷也在稳步增长，有些最优相似日与待预测台风日的时间跨度比较大，跨度达一年、两年甚至更长时间，对于这类相似日，引入“年度类型差异修正系数”来修正，其定义为D_βγ＝L_βav/L_γav (12)；

式中：D_βγ为β年减去γ年的相似日年度类型差异修正系数，L_βav为β年6月-11月剔除节假日和恶劣天气日的平均负荷，L_γav为γ年6月-11月剔除节假日和恶劣天气日的平均负荷。

用D_βγ与最优相似日负荷L_ig相乘得到按年度差异修正后的负荷L'_ig，即L_ig'＝D_βγ×L_ig (13)；

L_ig为修正前第i个最优相似日g时刻的负荷；L'_ig为修正后第i个最优相似日g时刻的负荷。

对于某些相似日，既存在日类型的差异，又有年度类型差异，则先按不同类型日的修正方法修正，再用修正后的负荷值乘以相应的年度类型差异修正系数进行修正。

(5)根据修正后的最优相似日的负荷获得待预测台风日的负荷；

最优相似日的负荷按照日类型差异和年度类型差异修正后，以修正后的最优相似日的负荷预测待预测台风日的负荷。

对各最优相似日的气象关联度系数归一化，以归一化后的数据作为权重，采用加权求和法预测负荷。选取气象关联度较大的前e个，其气象关联度分别为θ₁，θ₂，……，θ_i，……，θ_e，且其修正后的负荷分别为L'₁，L'₂，……，L'_i，……，L'_e，则对气象关联度归一化为预测待预测台风日的负荷L₀为 $L_0=\underset{i=1}{\overset{e}{\mathrm{\Σ}}}\frac{{\mathrm{\θ}}_i}{{\mathrm{\θ}}_1+{\mathrm{\θ}}_2+\·\·\·+{\mathrm{\θ}}_e}{L_i}^{\′}---\left(14\right).$

本发明立足于应对台风天气下的负荷波动性，以历史台风日作为基本相似日，基于灰关联方法，从中选取与待预测台风日气象特征接近的作为最优相似日，利用日类型差异和年度类型差异对最优相似日负荷进行修正，大大提高了台风天气下的负荷预测精度，从而指导电网调度做好台风日的负荷预测工作，制定针对台风破坏的有序用电方案，保证电网的安全稳定运行。

附图说明

图1是本发明所述一种适合台风天气下的短期负荷预测方法流程图；

图2台风日96点负荷修正前后预测值与实际值对比图；

图3台风日96点负荷预测修正前后的相对误差对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提出了一种适合于台风天气下的短期负荷预测方法，该方法针对台风天气下的负荷波动特点，在样本数据较少的情况下，一定程度上能够准确地预测某地在台风影响下的负荷，一定条件下具有良好的适用性。

以下结合附图对本发明实施案例作进一步详细说明。

如图1所示，是本发明实施的一种适合台风天气下的短期负荷预测方法的步骤。

第一步：确定基本相似日的范围。根据该地区是否在台风最外围风圈内作为标准，若该地区在台风最外围风圈以内，则称该地区受到该台风的明显影响。以2012年台风启德影响某地的当天为待预测台风日，选取2009-2011年期间对某地有明显影响的历史台风日作为基本相似日样本，据统计共有42个台风日。将待预测台风日前30天加入到基本相似日的样本中，取m＝72。

第二步：选取气象因素。选取对短期负荷影响较大的气象因素——温度(包括最高温度和平均温度)、湿度(包括最高湿度和平均湿度)、风速(包括最高风速和平均风速)和降雨量，取n＝7，构成气象因素的日特征向量。

第三步：计算气象关联度。将第二步中所选的7项气象因素写成如式(1)所示的气象特征序列，然后按照式(2)至式(8)依次进行计算，得到待预测台风日与基本相似日的气象关联度。

第四步：确定最优相似日。由第三步得到的待预测台风日与基本相似日的气象关联度，按从大到小的顺序排列，排名前e个被选取为最优相似日，实施案例中e＝5，即基本相似日总数的7％左右。

第五步：最优相似日负荷的日类型差异修正。实施案例中日类型约定为：工作日标记为2，周六、周日标记为1，法定节假日标记为5。选出最优相似日后，根据标记的日类型分别判断选出的5个最优相似日和待预测台风日的日类型有无差异，若有差异，则按照式(9)至式(11)对最优相似日的负荷进行修正。若无日类型差异，则直接进行第六步。

第六步：最优相似日负荷的年度类型差异修正。实施案例中直接判断最优相似日和待预测台风日的年份是否相同，若是不同年份，则按照式(12)至式(13)对最优相似日的负荷进行年度类型差异的修正。若无年度类型差异，则直接进行第七步。

第七步：负荷预测。对最优相似日负荷进行修正后，将第四步中选出的5个最优相似日的气象关联度系数归一化后的数据作为权重，按式(14)采用加权求和法预测待预测台风日的负荷。

实例中对算法的预测精度进行了验证，预测精度采用相对误差(RE)作为评价标准。修正前的预测相对误差最大为9.1％，最小相对误差为1.1％，修正后的预测相对误差最大为3.7％，最小相对误差为0.03％，结果表明该方法可有效提高台风天气下的负荷预测精度。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种适合于台风天气下的短期负荷预测方法，其特征在于，包括下述步骤：

(1)获取基本相似日样本数据以及对短期负荷影响较大的气象数据；

所述基本相似日是指从历史日中选取的和待预测台风日具有相同气象特征的台风日；所述气象数据包括温度、湿度、风速和降雨量；

(2)根据所述气象数据计算气象关联度

其中，ζ_i(t)为待预测台风日与第i个基本相似日在第t个特征的关联系数；i为基本相似日的序号，t为各台风日气象因素特征向量的维数，t＝1，2，…，n，n为气象因素的个数；i＝1，2，…，m，m为基本相似日的个数；

(3)根据所述气象关联度α_i获得最优相似日，具体为：

将所述气象关联度α_i由大到小进行排序，排名前e个被选取为最优相似日；

(4)根据日类型差异和年度类型差异对所述最优相似日的负荷进行修正；

(4.1)日类型差异修正

当待预测台风日为周末，且最优相似日为工作日时，将其负荷修正为L_g'＝L_gL_teg/L_twg；

当待预测台风日为工作日，且最优相似日为周末时，将其负荷修正为L_g'＝L_gL_twg/L_teg；

当待预测台风日为法定节假日，且最优相似日为周末时，将其负荷修正为L_g'＝L_gL_tsg/L_teg；

当待预测台风日为周末，且最优相似日为法定节假日时，将其负荷修正为L_g'＝L_gL_teg/L_tsg；

当待预测台风日为工作日，且最优相似日为法定节假日时，将其负荷修正为L_g'＝L_gL_twg/L_tsg；

当待预测台风日为法定节假日，且最优相似日为工作日时，将其负荷修正为L_g'＝L_gL_twg/L_teg；

其中，L_g、L_g'分别为最优相似日修正前及修正后g时刻的负荷；L_teg为每年6月-11月期间所有周末g时刻的平均负荷，L_twg为每年6月-11月期间所有工作日g时刻的平均负荷，L_tsg为每年6月-11月期间所有节假日的g时刻平均负荷；

(4.2)年度类型差异修正

当最优相似日与待预测台风日的时间跨度比较大，跨度达一年、两年甚至更长时间时，根据年度类型差异修正系数对其负荷进行修正；并获得按年度差异修正后的负荷L_ig'＝D_βγ×L_ig；

其中D_βγ为β年减去γ年的相似日年度类型差异修正系数，D_βγ＝L_βav/L_γav，L_βav为β年6月-11月剔除节假日和恶劣天气日的平均负荷，L_γav为γ年6月-11月剔除节假日和恶劣天气日的平均负荷；L_ig为修正前第i个最优相似日g时刻的负荷；L'_ig为修正后第i个最优相似日g时刻的负荷；

(5)根据修正后的最优相似日的负荷，获得待预测台风日的负荷 $L_0=\underset{i=1}{\overset{e}{\mathrm{\Σ}}}\frac{{\mathrm{\θ}}_i}{{\mathrm{\θ}}_1+{\mathrm{\θ}}_2+\·\·\·+{\mathrm{\θ}}_e}{L_i}^{\′};$

其中，较大的前e个对应的气象关联度分别为θ₁，θ₂，…，θ_i，…，θ_e，其修正后的负荷分别为L'₁，L'₂，…，L'_i，…，L'_e，L₀为预测待预测台风日的负荷。

2.如权利要求1所述的短期负荷预测方法，其特征在于，步骤(2)具体为：

根据分析矩阵序列获得气象特征序列，对待预测台风日与基本相似日的气象因素进行差值运算，计算第i个基本相似日在第t个气象因素特征的差值，获得序列矩阵Δ_0i(t)；

对所述序列矩阵Δ_0i(t)进行差异归一化处理，获得归一化后的序列矩阵Δ'_0i(t)；

选择Δ'_0i(t)中的最大值Δ_max和最小值Δ_min，并获得待预测台风日与第i个基本相似日在第t个特征的关联系数

综合各个特征的关联系数，获得待预测台风日与第i个基本相似日的气象关联度 ${\mathrm{\α}}_i=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ζ}}_i\left(t\right);$

其中，ρ是介于0与1之间的常数。

3.如权利要求1所述的短期负荷预测方法，其特征在于，步骤(3)中，e值取基本相似日总数的5％～7％。

4.如权利要求1所述的短期负荷预测方法，其特征在于，步骤(4)中，对于某些相似日，既存在日类型的差异，又有年度类型差异，则先按不同类型日的修正方法进行修正，再用修正后的负荷值乘以相应的年度类型差异获得修正后的负荷。