电力系统短期负荷预测毕业设计

电力系统短期负荷预测毕业设计1 。

导言为电力负荷预测制定一个精确的模型对一个公用事业公司的运作和规划是必不可少的。

负荷预测也可帮助电力事业来作出重大的决定，包括关于购买和发电，负荷开关，及基础设施的发展。

负荷预测对能源供应国，国际团结，金融机构，和其他与会者，在发电，输电，配电，和市场都是非常重要的。

负荷预测可分为三类：短期预测，这通常是由一小时到一周，中期预测，这通常是一个星期到一年，而长期预测是长于一年。

对于公用事业公司来说，预测不同的时间跨度对于不同的业务是重要的，当然这些预测的本质也一样是不同的。

例如，对于一个特定区域，我们可以预测第二天的负荷，准确性可达到1-3％。

但是，我们无法预测下一年度的高峰负荷，因为准确的长期天气预报到目前为止还是不可行的。

对于明年的高峰预测，我们可以根据历史上的气象观测来提供大概的负荷分布。

也有可以根据业界惯例，预测所谓天气正常化负荷，它将代替平均每年最高的气候条件或者比这个给定地区平均最高的天气条件差一些。

天气正常化负荷是对所谓的正常天气条件实施负荷计算，它是一定的时间内，历史高峰负荷的平均值。

这一时期从一个有用的点到另一个，多数公司采取过去25-30年的数据。

负荷预报对公用事业公司的运作和规划一直是重要的。

甚至，由于能源工业的不合理规划，负荷预测变得更加重要.随着供应和需求的波动变化和能源价格上升的因素，在十年或以上，在繁忙情况，负荷预测是制定水电费非常重要的依据。

短期负荷预测方法可以帮助估计负荷流动，并作出决定，可以防止超载。

及时实施这样的决定可以改善网络的可靠性，并减少发生设备故障和停电的次数。

负荷预测也是一个重要的比较评价标准，为市场上提供的各种先进的金融产品在能源方面的价格提供一个标准。

在放松管制的经济下，基于长期预测的资本性支出的决定，比在那个加息有可能由资本开支项目决定的非开放的经济体系更加重要。

大多数预测方法利用统计技术或人工智能算法，如回归，神经网络，模糊逻辑和专家系统。

大致可分为两种方法，即所谓的最终用途法和计量经济学法，都已广泛用于中期和长期预测。

在这些方法中包括所谓的同类天法，就像回归模型，时间序列，神经网络，统计学习算法，模糊逻辑，专家系统一样已被短期预报而开发。

正如我们所见，大量的数学方法和思路已用于负荷预测。

发展和改善适当的数学工具，将促使开发更准确的负荷预测技术。

负荷预测的精度不仅取决于负荷预测技术，而且取决于预测天气的情况。

气象预报是一个重要话题，也是外界对本章议论的内容。

这里我们只是提了在发展计算机化的气象预报系统中的重大进展，其中包括由大学开发和支持的中尺度模式MM5。

2 重要因素预测短期负荷预测的几个因素应予以考虑，例如时间因素，气象数据，并尽可能了解客户等级。

中期和长期预测应顾及历史负荷和天气数据，在家电领域不同类别的用户数目及其特点，包括年龄，经济和人口统计数据，以及他们的预测，家电销售数据，和其他因素都要予以考虑。

时间因素，包括这一年里，一周的某一天，某一小时。

在平日和周末，负荷之间有重大差别。

平时的负载也可以有所不同。

举例来说吧，在星期一和星期五，被周末隔开的两天，负荷是不同的。

而且由周二到周四也可能有很大的不同。

在今年夏天的时候尤为如此。

假期比非假期更难预测，因为他们相对显得不规则。

气象条件影响负荷。

事实上，预测天气的参数是最重要的，在短期负荷预测.各种天气变数应考虑进来。

温度和湿度是最常用的负荷预测因子。

一个电力负荷预测调查表示，13个利用温度，而只有3个利用了温度和湿度，3个利用额外的气象参数，3个只用于负荷.在以上列举的天气变数中，两种复合天气变函数，thi （温度，湿度指数）和wci （风寒冷指数），已广泛用于公用事业公司。

thi是衡量酷暑的热度，而相反wci是衡量冬季冷度。

大部分电力客户提供服务的类型不同，如住宅，商业及工业生产等对不同类别的客户，电力的使用模式不同，对同一个阶层的客户是一样。

因此，大部分公用事业按阶级基础区分负荷是否为一类。

3 。

预测方法在过去的几十年中，一些预报方法已经开发出来。

有两个方法，即所谓的最终用途法和计量经济学法，它们都已广泛用于中期和长期预测，而且采取了多种方式，其中包括所谓的同类天法，像各回归模型，时间序列，神经网络，专家系统，模糊逻辑，统计学习算法都是用于短期预测的。

开发，改进，并深入调查适当的数学工具，将促使发展更准确的负荷预测技术.统计办法通常需要一个数学模型来表示。

负荷由于功能不同的因素，如时间，天气，以及顾客阶层。

共有两个重要的类别，如数学模型，分别是：加模型和乘法模型。

他们对是否为负荷总和（添加剂）的一些组件或产品（乘）的若干因素各有不同的预测. 例如，Chen等。

介绍了一种添加剂的模式，采取的形式为预测负荷作为函数的四个组成部分：L = Ln + Lw + Ls + Lr,其中L是总负荷，LN代表"正常"的一部分负荷，这是一套标准化的负荷形状来衡量每一个"型"，已被确定为发生在整个一年中任一天，Ls代表着天气敏感的部分负载，LS是一项特别活动的组成部分，创造偏离了正常负荷的可观模式，及LR ，是一个随机参数.chen等人。

还建议电价可以作为一项额外的方法列入这种模式。

当然，价格跌幅/增加影响用电。

大成本敏感的工业和体制荷载能对负荷有重大影响。

这项研究[ 4 ]用宾夕法尼亚-新泽西-马里兰（pjm ）现货价格数据（因为它与安大略水电负荷），作为神经网络的输入。

作者报告说，准确的估算的取得收益于价格数据.乘法模型，可采取这种形式L = Ln ·Fw ·Fs ·Fr,LN是正常的（基本）的负荷，FW，Fs是校正因子，Fr是一个确定的常数可以增加或减少总的负荷。

这些更正是基于当前的天气（Fw），特殊事件（Fs），以及随机波动（Fr）。

像电价（Fp）和负荷增长（Fg）这些因素也可以被包括在内。

拉赫曼介绍了一种用乘法模型基于理论的预测方法。

天气变化和基本负荷与恶劣天气的测量将包括在此模型中。

3.1中期和长期负荷预测方法最终建模法，经济计量模型法，以及他们的组合在中期和长期负荷预测中是最常用的。

电器用户使用的房子大小，新装备的年龄，新技术的变化，客户行为，种群动态，通常包括在统计和模拟模型中，它是基于所谓的最终用途法。

此外，经济因素，如人均收入，就业水平，和电价是包括在计量经济模型中的。

这些模型经常结合最终建模法。

长期预测包括人口变化，经济发展，产业建设，科技的发展的预测。

最终使用法，直接估计能源消耗，利用从最终用途和最终用户得到的广泛的信息，如家电，顾客使用，年龄，房子的大小等等.客户的统计信息，随着动态变化是预测的基础.最终利用模式侧重于电力在住宅，商业和工业部门的各种用途。

这些模式是根据以下原则，即电力需求的增长是基于顾客对光，制冷，制热，制冷等的需求。

从而最终使用的模式解释对能源的需求时，将其作为一个电器在市场上数目的函数。

理想的说，这种做法是十分正确的。

但是，它对最终用途数据数量和质量是非常敏感的。

举例来说吧，在此方法中的分布设备年龄对特定类型的设备是很重要的。

最终用途预测需要较少的历史数据，但需要很多有关客户和装备的信息。

计量经济模型。

计量经济学的方法将经济学理论和统计技术结合起来预测电力需求。

该办法估计能源消耗（依变数）和影响消费的因素之间的关系。

这种关系由最小二乘法或时间序列方法来估计。

在这个框架内，其中一种选择是集料的计量方式，在不同的部门（住宅，商业，工业等）消费时，将作为一个天气，经济和其他变量函数的计算公式，然后用最近的历史数据来估计。

一体化的经济计量方法纳入最终使用的方法把行为组件和终端使用方程等价起来。

统计模型为基础的学习。

最终用途和电子方法，需要大量家电，顾客，经济学等的相关资料，其应用比较复杂，需要人的参与。

此外，这类信息往往是不符合有关的特定客户及公用事业，并保持和支持"平均"客户或对不同类型的客户采取平均的做法。

如果公用事业要进行下一期的预测并分领域，问题就出现了，它通常被称为负载的口袋。

在这种情况下，大量的工作将随着人数负荷的口袋增加而增加比例。

此外，对不同负载的口袋最终使用概况和计量数据通常是不同的。

对特定领域，与公用事业的平均特点可能有所不同，所以未必有用。

为了简化中期预测，使之更加准确，并避免使用没用的资料，feinberg等人制定了一个统计模型，从历史数据汲取负荷模型的方法。

feinberg等人，研究了由在美国东北部的公用事业公司提供的负载数据集。

研究的重点是夏季数据。

我们几个比较负荷模型，并得出结论，认为下列乘法模型是最准确的。

L(t) = F(d(t), h(t)) ·f(w(t)) + R(t),其中L（t）是实际负荷，d(t)是一周的某一天，h(t)是一天的某个小时，F(d, h)是每天和每小时的组成部分，w(t)的天气资料，包括温度和湿度，f(w)是气象因素，与r（t）是一个随机变量.i事实上，w(t)是一个向量由当前和滞后天气许多变数构成。

这反映出一个事实，就是电力负荷不仅取决于目前的天气状况，而且还取决于在过去几小时或几天的天气。

特别的，著名的效应即所谓热浪说，在天气炎热时使用冷气机，持续数天来估计气象因子f(w)时，我们采用了回归模型f(w) = β0 +_βjXj ,XJ是目前和以往的气象参数非线性功能的解释性变量，β0，βj是回归系数.模型参数可以反复被计算出。

我们用F =1开始。

然后，我们使用上述回归模型来估计f，然后，我们估计F 等等.描述算法表现出历史每小时的负荷和天气数据的快速收敛。

我们已应用到许多领域，用户在5万和25万之间。

图12.1给出的一个例子，一个散步图谋，比较模型与实际参数。

图12.2显示了实际负荷和模型迭代过程的收敛的相关性。

图12.3显示了收敛的线性回归程序算法。

图12.1 。

散布图的实际负荷与示范。

软件，即采用描述的方法，知道了该模型的参数，并基于过去25-30年的数据提出未来一年的预测模型。

虽然历史负荷可能没用，该软件适用于过去一年模式，以历史气象资料来估计明年的峰值分布。

图12.2 。

相关关系，实际负荷和示范。

图12.3 。

收敛的R2对实际负荷与示范。

该软件生成的几个重要特点。

举例来说，对于每个负荷包和系统，它计算出天气正常化的因素，是一个高峰负荷向将在平均峰值条件观察的负荷的比例。

它还为下一年的高峰产生概率分布。

描述的方法可以应用到中期和长期预测。

然而，长期预测应纳入经济和人口动态预测，作为输入参数。

3.2短期负荷预测方法对于短期负荷预测大量统计和人工智能技术已经开发出来。

类似天的方法。

这种方法是基于寻找在一，二，或三年与所预测的一天具有类似特点的历史资料。