有效的电力负荷预测可以辅助电力调度部门经济准确地制定生产计划和运行方式,是“三型两网”建设中实现电网发电侧与需求侧有效贯通的重要桥梁之一。目前,负荷预测主要有灰色关联分析、时序分析法、神经网络、支持向量机等几类方法。
随着深度学习的提出,深度神经网络算法逐渐成为负荷预测研究中的代表。深度神经网络具有特征自学习能力,在学习数据充分的情况下可用于拟合复杂非线性系统,但其训练速度慢,参数多样性也增加了网络训练的难度。
上述方法多用于对负荷确定点的预测,即预测模型输出为确定值。然而电网发电侧与需求侧存在众多不确定因素,点预测方法对负荷预测的不确定性描述有限,使电力生产决策面临一定风险。相比于点预测,区间预测方法扩大了预测模型的输出范围,减少了不确定因素对预测精度的影响,能够让电网决策人员了解未来负荷的波动情况,具有重要的工程意义。
本文引入分位数回归对简单BP神经网络模型进行误差分析,以气象因素及前一日用电负荷值为输入特征,搭建BP-QR区间预测模型,实现不同置信水平下的用电负荷区间预测。通过算例分析表明,该模型简单有效,且具有较好的置信水平适应性。
分位数回归是一种线性回归算法,一般结合其他预测模型实现区间预测。BP神经网络是经典机器学习算法之一,能够拟合非线性数据,具有应用简单、泛化能力强等优点。本文结合两种算法,提出BP-QR区间预测模型结构框图,如图1所示。
图1 BP-QR区间预测模型结构框图
为了验证BP-QR模型的预测效果,本文基于BP点预测模型的预测误差搭建分位数回归(QR)模型,根据气象因素和前一日负荷值计算出分位数回归参数,结合点预测结果实现区间预测。计算90%、80%和70%置信水平下区间预测的相对平均宽度及测试集数据预测覆盖率。
为了进一步说明区间预测效果,本文分别在90%、80%及70%置信水平下,截取测试集中2014年03月28日~2014年06月15日共计80天数据样本的预测结果,分别如图2~图4所示。
图2 90%置信水平下的预测结果
图3 80%置信水平下的预测结果
图4 70%置信水平下的预测结果
针对负荷点预测方法中电网运行不确定因素带来的局限性,本文基于BP神经网络与分位数回归算法,提出了BP-QR负荷区间预测模型,模型输入为气象因素与前一日用电负荷值,输出为当日用电负荷区间。算例结果表明,该模型准确反映了用电负荷的波动趋势,相比于QR模型和正态分布模型,具有更高的预测精度,可用于短期负荷预测,为电力调度提供参考。
此外,算例误差主要集中在波动较大的区间中,这类波动由于节假日等特殊情况产生,因此在未来研究中,可引入其他输入特征进一步提高预测精度。
本文编自2022年第4期《电气技术》,论文作者为陈轩伟,1994年生,硕士,助教,主要从事智能微电网方面的研究工作。本课题得到了厦门大学嘉庚学院校级孵化项目的支持。
陈轩伟. 基于BP-QR模型的负荷区间预测[J]. 电气技术, 2022, 23(4): 14-17. CHEN Xuanwei. Load interval forecasting based on BP-QR model. Electrical Engineering, 2022, 23(4): 14-17.