郑娟
贵州省兴义市电力有限责任公司 贵州兴义 562400
摘要：随着电力大数据时代的到来，对电力负荷预测的精度提出了更高的要求，准确的电力负荷预测对电力系统安全稳定运行，降低成本开销具有重要意义。针对短期电力负荷在不同时间段下呈现不同的负荷运行规律的特点，在日范围内计算不同的时间段的负荷行为相似度。在考虑天气维度和时间维度的基础上，增加考虑行为维度，将不同时间段的行为相似度因素引入长短时记忆网络模型，根据历史负荷数据对未来的负荷数据进行预测。通过实验仿真证明，考虑不同时间段的负荷行为特点可以有效提高负荷预测的准确度。
关键词：负荷预测；分时段；方法
引言
为了适应社会发展需求，大规模可再生能源接入电力系统中，使得电能的合理调度愈发重要。负荷预测是电网合理规划和运行的基石，对负荷准确地进行预测能够最大程度地利用电能，避免不必要的资源浪费，同时使其供需不平衡的情况得到缓解。
1电力系统负荷预测概述
负荷预测中通常会按时间期限来分类，在我国现行系统及实际需求中，电力负荷预测以时间尺度分为超短期、短期、中期、长期电力负荷预测。(1)超短期负荷预测以分钟和小时为最小单位的负荷预测。主要作用是电力系统的潮流控制、电力系统暂稳态参数计算。(2)短期负荷预测以天和周为最小单位的负荷预测。主要作用是用于电力系统功率分配方案的设计，以及负荷实际的最优发电安排、发电量设计。本文进行的是以天(24h)为单位的电力系统短期负荷预测。(3)中期负荷预测以月甚至年为最小单位的负荷预测，主要是用于电力系统发电设备储备计划的制定以及对电力系统发电单位运行状态的确定。(4)长期负荷预测以多年甚至结合当地工农业建设规划周期为最小单位的负荷预测。主要作用是用于电力系统的变电站等建设用地的规划，以及区域性电网、并网规划布局的确定等。电力系统负荷预测具有时效长度的区别，针对以上的特点，分析可以得出影响电力系统负荷的变化具有规律性，但是影响电力系统负荷变化的因素是多而复杂且不确定的，尽管如此，对于一般的电力系统短期负荷预测而言，抓住其主要矛盾分析得到的精度即可满足需求。通过对影响短期负荷变化因素进行分析，经济、人口、气候等均对负荷变化有重大作用，因此本文在后续进行短期负荷预测时着重考虑这些因素的影响。
2考虑分时段负荷行为的短期负荷预测方法
2.1CNN．GRU预测模型建立
1)获取数据。本文选取某地区商业生活、工业生产的总负荷数据作为实验数据。在电网上搭建负荷采集设备，每h采集一次。研究发现在气象因素中温度对负荷的影响最大。由于其他气象因素获取困难、不易量化，在数据集中加入最高温度、最低温度、平均温度结合负荷数据构成测试样本；2)数据处理。获得的数据中除含有负荷值外，还有最高温度、最低温度、平均温度等温度数据。由于现场采集情况复杂，数据中有许多空值数据，在进行模型训练之前需要对数据进行清洗并进行归一化处理。将数据分为训练数据和测试数据；3)搭建CNN．GRU网络模型，对模型进行训练。首先将处理后的数据放入CNN网络中，进行卷积和池化操作，提取数据新的特征。然后将经过卷积处理之后的数据放入砌州网络中，由于输入数据为一维时间序列，因此使用一维卷积层。在卷积层中，卷积步长设为1，使用RELu函数作为激活函数。将归一化后的训练集数据输入搭建好的CNN．GRU网络中进行训练；4)模型评价。将测试集数据输入到训练好的a州．GIⅢ网络中，以均方根误差(rootmeansquareeHDr，RMSE)和平均相对误差(meanabsolutepercenterror，MAPE)作为准确度评价指标对训练好的模型进行评价。
2.2台区负荷行为分析
台区负荷在不同天的相同时间段内的负荷行为习惯具有一定相似度，因此可以根据历史负荷变化规律来预测未来负荷数据，但在同1天的不同时间段内台区负荷的负荷运行规律不同，而且呈现出强关联性和较弱的关联性之分，可根据此特征辅助完成负荷预测。将某台区2周负荷的功率负载率数据映射到同1天内，如图1所示。在图1中，可以清晰看出该台区负荷的功率负载率在1天内的变化分布情况。在不同天内，该台区负荷的趋势和周期大致相同，峰谷出现的位置也比较相近，存在一定的相关性，遵循某种基准负荷规律并呈不同程度的上下波动。其中在0:00—5:00时段，功率负载率呈下降趋势，且曲线较为密集，关联度很高，即在不同天较为严格的执行同一行为习惯规律，预测时会更为准确一些。但在12:00—16:00时段曲线比较分散，预测时精确度受到较大的影响。因此，各天在此时段会执行较为松散的行为习惯规律。若不区分时段，则各个不同时间段的行为规律会相互影响，且看作相同的关联密集程度，对最后整体预测的效果产生一定的影响，所以本文接下来分析台区负荷不同运行规律时间段的行为相似度，并考虑历史数据的变化趋势来辅助完成负荷预测。本文首先通过计算每2天之间目标时间段的皮尔逊相关系数，生成行为矩阵，再进一步计算目标时间段的行为相似度，行为相似度不同则对相同时间段历史数据的参考程度不同。在考虑天气维度和时间维度的基础上，将行为相似度作为新特征考虑加入LSTM预测模型，利用训练集数据对模型进行训练，再根据测试集数据对模型效果进行验证。
.png)
图1某台区功率负载率日分布图
2.3实例数据处理
依据上文分析所建立的电力系统负荷预测模型，本文选取了北爱尔兰地区的气象信息、历史负荷数据作为原始数据，继续模型建立以及负荷预测分析[24]。影响电力系统负荷变化的因素很多，但由第二章的分析中可以得到，气象因素、人类活动因素是影响电力系统负荷的较为重要的因素[7]，由此本文考虑选择的日气象因素、实时气象因素参数。其中日气象信息主要包含最高气温、最低气温、平均气温、平均气压、降水量、平均风速、光照时间、湿度；实时气象信息主要包含实时温度、实时湿度、实时气压、实时降雨量、实时能见度、实时云量、实时风速、实时日照。除了气象因素，影响电力系统负荷变化的还有人类活动因素，主要有星期信息、节假日信息。考虑到发电机的惯性特性以及社会经济运动的规律，电力系统负荷在短时间内的变化较小，也就是说，近期的电力系统负荷对短期电力系统负荷的预测具有较大的参考价值，因此这里也将近期电力系统的负荷作为输入参数用于随机森林的预测之中。
结语
台区负荷在1天内的各个时间段具有不同的行为规律，且遵守程度不同。本文在历史负荷数据的基础上，综合考虑了天气维度，时间维度以及行为维度，相比其他预测模型，介绍了一种计算行为维度的各时段行为相似度的方法，并将此行为相似度引入基于LSTM的负荷预测模型，提出了一种考虑分时段负荷行为的短期负荷预测方法，在南方电网2个台区的实际数据集上进行实验，结果证明了本文方法的有效性。
参考文献
[1]牛东晓，谷志红，邢棉，等．基于数据挖掘的SVM短期负荷预测方法研究[J]．中国电机工程学报，2006，26(18)：6-12．
[2]周佃民，管晓宏，孙婕，等．基于神经网络的电力系统短期负荷预测研究阴．电网技术，2002，26(2)：10．13．
[3]张明理，宋卓然，梁毅，等．基于饱和负荷密度的城市远景空间负荷预测［J］．沈阳工业大学学报，2018，40(1):12－18．