研究背景

有效的電力負荷預測可以輔助電力調(diào)度部門經(jīng)濟準確地制定生產(chǎn)計劃和運行方式，是“三型兩網(wǎng)”建設(shè)中實現(xiàn)電網(wǎng)發(fā)電側(cè)與需求側(cè)有效貫通的重要橋梁之一。目前，負荷預測主要有灰色關(guān)聯(lián)分析、時序分析法、神經(jīng)網(wǎng)絡(luò)、支持向量機等幾類方法。

隨著深度學習的提出，深度神經(jīng)網(wǎng)絡(luò)算法逐漸成為負荷預測研究中的代表。深度神經(jīng)網(wǎng)絡(luò)具有特征自學習能力，在學習數(shù)據(jù)充分的情況下可用于擬合復雜非線性系統(tǒng)，但其訓練速度慢，參數(shù)多樣性也增加了網(wǎng)絡(luò)訓練的難度。

上述方法多用于對負荷確定點的預測，即預測模型輸出為確定值。然而電網(wǎng)發(fā)電側(cè)與需求側(cè)存在眾多不確定因素，點預測方法對負荷預測的不確定性描述有限，使電力生產(chǎn)決策面臨一定風險。相比于點預測，區(qū)間預測方法擴大了預測模型的輸出范圍，減少了不確定因素對預測精度的影響，能夠讓電網(wǎng)決策人員了解未來負荷的波動情況，具有重要的工程意義。

論文所解決的問題及意義

本文引入分位數(shù)回歸對簡單BP神經(jīng)網(wǎng)絡(luò)模型進行誤差分析，以氣象因素及前一日用電負荷值為輸入特征，搭建BP-QR區(qū)間預測模型，實現(xiàn)不同置信水平下的用電負荷區(qū)間預測。通過算例分析表明，該模型簡單有效，且具有較好的置信水平適應性。

論文方法及創(chuàng)新點

分位數(shù)回歸是一種線性回歸算法，一般結(jié)合其他預測模型實現(xiàn)區(qū)間預測。BP神經(jīng)網(wǎng)絡(luò)是經(jīng)典機器學習算法之一，能夠擬合非線性數(shù)據(jù)，具有應用簡單、泛化能力強等優(yōu)點。本文結(jié)合兩種算法，提出BP-QR區(qū)間預測模型結(jié)構(gòu)框圖，如圖1所示。

圖1 BP-QR區(qū)間預測模型結(jié)構(gòu)框圖

為了驗證BP-QR模型的預測效果，本文基于BP點預測模型的預測誤差搭建分位數(shù)回歸（QR）模型，根據(jù)氣象因素和前一日負荷值計算出分位數(shù)回歸參數(shù)，結(jié)合點預測結(jié)果實現(xiàn)區(qū)間預測。計算90%、80%和70%置信水平下區(qū)間預測的相對平均寬度及測試集數(shù)據(jù)預測覆蓋率。

為了進一步說明區(qū)間預測效果，本文分別在90%、80%及70%置信水平下，截取測試集中2014年03月28日～2014年06月15日共計80天數(shù)據(jù)樣本的預測結(jié)果，分別如圖2～圖4所示。

圖2 90%置信水平下的預測結(jié)果

圖3 80%置信水平下的預測結(jié)果

圖4 70%置信水平下的預測結(jié)果

結(jié)論

針對負荷點預測方法中電網(wǎng)運行不確定因素帶來的局限性，本文基于BP神經(jīng)網(wǎng)絡(luò)與分位數(shù)回歸算法，提出了BP-QR負荷區(qū)間預測模型，模型輸入為氣象因素與前一日用電負荷值，輸出為當日用電負荷區(qū)間。算例結(jié)果表明，該模型準確反映了用電負荷的波動趨勢，相比于QR模型和正態(tài)分布模型，具有更高的預測精度，可用于短期負荷預測，為電力調(diào)度提供參考。

此外，算例誤差主要集中在波動較大的區(qū)間中，這類波動由于節(jié)假日等特殊情況產(chǎn)生，因此在未來研究中，可引入其他輸入特征進一步提高預測精度。

本文編自2022年第4期《電氣技術(shù)》，論文作者為陳軒偉，1994年生，碩士，助教，主要從事智能微電網(wǎng)方面的研究工作。本課題得到了廈門大學嘉庚學院校級孵化項目的支持。

引用本文

陳軒偉. 基于BP-QR模型的負荷區(qū)間預測[J]. 電氣技術(shù), 2022, 23(4): 14-17. CHEN Xuanwei. Load interval forecasting based on BP-QR model. Electrical Engineering, 2022, 23(4): 14-17.