英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

短期负荷预测：

一种幂回归方法

G. De Nicolao Universitagrave; degli Studi di Pavia: Dip. Ingegneria

Industriale e

dellrsquo;Informazione Pavia, Italy

M. Pozzi

CESI S.P.A: 意大利米兰输电系统运营部

E. Soda

CESI S.P.A: 意大利米兰输电系统运营部

M. Stori

CESI S.P.A: 意大利米兰输电系统运营部

摘要 - 采用幂回归方法解决了短期负荷预测问题。利用解释变量的高度相关特性，只有两个负荷被认为足以提供预测所需的信息：一天前和一周前。“相似日”的概念随后被用来从历史记录中提取有意义的训练集。多年以来，我们得到的一个显著趋势表明，应在负荷率中搜索不变性，这一趋势让我们能够对经过对数转换的负荷数据加以运用，从而得出幂回归模型。在2011年和2012年对意大利国民消费水平进行测试时，新的List-4预测指标表现优于意大利TSO目前使用的预测指标Sibilla。

关键词-预测；短期负荷；幂回归；学习；预测（关键词）

1. 综述

发电、输电和配电领域的不断创新，加上能源部门的自由化以及电网系统的日益互联，使得电力系统的运行日益复杂。监测电网的充分性和安全性需要先进的数学工具，从状态估计、用于实时运行的最佳有功/无功功率流分析，到用于规划实施的长期负荷预测和维护优化。

短期负荷预测（STLF）与未来几个小时/天的能耗估算有关，其对于维护系统安全和发电的有效分配至关重要；此外，在能源交易时代，从经济的角度来看，采用先进的统计方法完成预测的准确性已经变得越来越重要。

在本文中，我们将前使用的预测算法（Sibilla）作为参考，为意大利电网提出STLF。特别地，我们通过一种相对低复杂度的算法，研究挑战技术水平现状的可能性，这种算法从1990年以来的大量历史数据库中提取出了相关信息。

在最后一次衰减期间，研究出了几种用于负荷预测的方法[1]。电力负荷预测算法主要分为两类[2]，即基于参数模型的算法和基于人工智能（AI）技术的算法。参数化方法包括ARIMA模型、傅立叶级数、线性回归模型、随机过程模型，这些模型的参数是通过历史数据估计得到的[3]。相反，许多基于人工智能的方法使用是人工神经网络（ANN）对负荷进行建模的。人工神经网络的一个主要优点是，其提供了灵活的通用模型，这种模型可用于计算电力需求序列的非线性，以及天气和负荷变量之间的非线性关系。此外，人工神经网络可被直接用来从历史数据中学习依赖关系，而无需明确选择适当的模型[2]。一些研究者发现，将神经网络与小波变换技术相结合，可以进一步改善预测结果[4]-[5]。在预处理阶段，对输入数据进行小波变换[6]，然后将数据插入神经网络，从负荷曲线[1]中去除冗余信息。此外，其他机器学习技术和模糊逻辑方法也被用于负荷预测和/或分类，也取得了相对良好的性能结果[7]。

与许多其他现实预测问题一样，成功预测算法的关键是在基础模型的灵活性和简约性之间实现最优（或近乎最优）权衡。使用基本的线性回归模型是注定要失败的，因为这类模型不够灵活，无法捕捉到模型的所有细节和非线性。另一方面，更复杂的模型需要对更多参数进行估计，并且很容易受到多帧化问题的影响，这些问题会降低预测性能。有趣的是，解释变量，尤其是之前负载的时间序列，彼此之间有很大的关联。这意味着，

978-1-4799-3561-1/14/$31.00 copy;2014 IEEE 1 PMAPS 2014

通过适当选择或对输入数据进行预处理的方法来提取适当的“总结”，对于在不影响性能的情况下保持模型的低复杂度至关重要。这些观察结果得以让我们继续目前的工作，在这项工作中，低复杂度预测器的使用由两个关键选择实现的。首先，将解释变量分解为两个变量，即预测日前一天和预测日前一周的电力负荷。然后，通过在历史记录中搜索“相似时期”，形成一组足量的学习范例[8]。一旦获得学习集，就可以应用不同的机器学习方法来获得一个预测因子。接下来是第二个关键选择：在应用一个简单的线性回归模型之前，负载数据是一个对数变换，而不是去寻找过于复杂的模型。由于使用了线性对数-对数模型，因此结果预测者的核心即 LIST-4（线性短期预测器）是一个幂回归模型。在根据意大利2011年和2012年的能源消耗数据进行测试时，LIST-4与当前使用的预测器进行了非常有利的比较。这证明了一种简化的建模方法的潜力，而且，这种方法可以很容易地演变为包含更复杂的对解释变量非线性依赖。

论文的组织结构如下。在第二节里，我们确定了需要短期预测的问题，并给出了可用的历史记录。我们在第三节讨论了预测算法的方法论。第四节给出了结果和比较。第五节在论文结尾给出了一些结论。

1. 可用数据和当前预测者

Terna是意大利输电系统运营商（TSO），负责能源输送和调度，因此，也负责电力供需平衡的安全管理，每年365天、每天24小时地工作。作为意大利国家统计系统（Sistan）统计办公室成员，意大利TSO（TERNA）得以收集并分享从电力部门那里获得的数据。在所有数据中，TERNA提供了意大利总耗电量的记录，采样周期为15分钟[9]。每个样本表示特定15分钟的平均耗电量。除了能源需求的最终数据外，一些目前被预测器使用（Sibilla）的气象数据也是可以使用的，但本文新开发的预测器将不使用这些数据。Terna开发了一种称为Sibilla的短期负荷预测方法，可以预测第二天96个特定“十五分钟”值的满载曲线。底层算法依赖于“相似日”原则。更准确地说，在过去几年里也出现了一些“相似日”。在每个相似日计算得到的预测结果也会考虑到天气信息，这些预测结果会输入到一个加权平均值，以产生最终的预测值。请注意，在实际发布预测之前，可能会进一步做一些手动调整。请注意，在进行任何手动调整之前，将根据Sibilla发布的原始预测与新预测器进行比较。

1. 方法论

在这一节中，短期负荷预测问题是根据一个学习框架来提出的。更确切地说，我们假定一个可用的学习集，由数据对（xi, yi）组成，i =1，hellip;，n，其中xi Rp是自变量（也称为解释变量），并且yi R1表示因变量。学习集用于学习因变量与独立变量之间相关联的关系y x。一旦 估计得出，新的数据对x*, y* 的因变量y* 将被预测为y = f(x*)。如果这个学习问题是在概率框架下进行的，那么预测就可以简化为对条件期望值的计算。事实上，如果xi, yi 是从给定的联合概率密度函数px, y中提取出的、独立且相同分布的随机样本，那么由y = f(x) = E[y*|x*]将均方误差E[(y-y*)2|x*)]最小化。然而，在负荷预测问题中，数据对(xi,yi)可能并不认为是从全年的一个特定分布中获取的，因为每年的电力消耗都有一个明显的趋势。因此，采用统计学习方案需要进行初步的减损以及其他必要的规范化，以从数据中删除时变模式。在此，我们探索另外一种方法：不是引入可靠的统计假设，或通过或多或少的复杂规范化来强制实施。在独立向量x的基础上，我们直接探讨了目标变量y的可预测性。学习这种关系的通常方法是考虑各种模型，例如参数模型或具有不同复杂性的神经网络。在考虑复杂模型之前，对简单回归模型的性能进行研究是一种不错的实践方法。第一步即是本文的目标。不言而喻，一旦建立了学习集，对更复杂的非线性预测因子的评估将是值得进一步探索的。

预报器的实际实施需要经过四个步骤：

1. 解释变量的选择。 在所有可能的解释变量中，选择将形成回归向量x的变量子集。由于模型随后可能出现过参数化，因此包含太多的变量（取自之前负载的时间序列）并不是一个可行的解决方案。
2. 学习集的构造。 请注意，由于工作日可能对电力消耗产生影响（例如，星期日与星期一的情况明显不同），这点必须特别注意。
3. 变量转换。 使用适当的坐标变换可以大大提高（可能是一个很简单）学习方案的有效性（在此，将成功应用对数变换）。
4. 回归模型的估计。 一旦定义了回归向量，即将回归算式应用到在学习集中收集到的历史数据。

下面，我们将对这四点分别进行讨论。关于对移动假期进行实际处理的一些进一步实施细节，参见第III.F分节。

1. 解释变量的选择

关键是选择最小的历史数据集，该数据集能够捕获能够干扰、影响负载的所有相关信息。考虑两个时间尺度：每日和每周。获取这两个尺度信息的最简单方法是，将x作为二维向量，其条目为：

在前几年里，这项工作一直重复进行，直到获得23个实例，这些实例是在1990年至2012年期间获得的。注意，在学习集的构建过程中，我们需要将假期剔除，如11月1日。

在形式上，“相似日”是函数 sim_day(past_year, current_year, day) 的输出，其中 day  [1, 366]. 例如，在我们的例子中，

• • x₁: 24小时前的负载
  • x₂: 一周前的负载

例如，如果要预测2013年11月4日（星期一）11:45的负载y*，则这两个条目将是：

• • x ^*: 2013年11月3日11:45的负荷

1

• • x ^* 2013年10月28日（星期一）11:45的负荷

2

关键思想是，一旦二维向量x可用，其余历史数据的信息量就会很弱，其不需要包含在预测器。

1. 学习集的构建

为了解释学习集的构建过程，再次考虑2013年11月4日11:45的负荷预测问题。正如我们已经得到的，这个对数-负荷是未知的目标变量y*，其需根据解释向量x*=[x1 x2 ]进行预测。

现在我们需要一个学习集，这是一组例子（xi, yi），i = 1, hellip;, n，可以用来学习x* 和y*之间的关系。

1 2

在我们的例子中，学习集如表1所示。

表 I.

  sim_day    

其中2013年第308天为11月4日（星期一），1999年第312天为11月8日（星期一）。

如果出现假期，如复活节和其他法定假日，需要相同及特殊的转换，如第III.E小节所述。

1. 变量转换

众所周知，坐标的初步变换可以提高预测性能。例如，如果从联合正态分布中抽取学习数据，则最佳预测因子是独立变量的线性函数。因此，在对数正态分布数据存在的情况下，对数-变换数据是一种常用的方法，可以为变换后的数据设计一个最

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20537]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 基于电力系统稳定器(PPS)和静止同步补偿器(STATCOM) 对单机无穷大多机电力系统小信号性能的改进外文翻译资料
• 基于模糊控制的分布式混合风电系统能量管理系统研究外文翻译资料
• 多档位通风窗及其控制系统设计外文翻译资料
• 短期负荷预测： 一种幂回归方法外文翻译资料
• BANMAC：用于身体域网络中可靠通信的有机MAC协议外文翻译资料
• 压电式风力发电机组外文翻译资料
• 骨骼医疗诊断边缘检测在MATLAB中的实现外文翻译资料
• 基于配电网潮流计算的农村电网低压问题分析及管理对策外文翻译资料
• 意大利二级电压调节外文翻译资料
• MSP430混合信号微控制器外文翻译资料