尖峰負荷是基本熱源供熱能力不能滿足的由峰荷熱源提供的差額熱負荷。供熱負荷通常分為基本負荷和尖峰負荷。我國三北地區，供熱天數大致在3個月至6個月左右，其中大部分時間運行在基本負荷下，只有一個月左右的時間運行在尖峰負荷下。雖然尖峰負荷全年的運行時間少，但它的小時熱負荷值卻很大，一般要占到設計熱負荷（即最大熱負荷）的20~50%左右。
基本介紹
- 中文名：尖峰負荷
- 外文名：Peak load
- 學科：電力工程
- 領域：能源
- 分類：基本負荷和尖峰負荷
- 別稱：最大熱負荷
簡介,周期性成分分析,預測模型仿真模擬,短期負荷預測建模過程,總結,
簡介
短期尖峰負荷預測主要為電力系統制定發電計畫和電力系統規劃服務，並從而促使電力系統運行的可能性及經濟性得到有效提高。所以，確保短期尖峰負荷預測準確可靠，不僅能有效提高電力系統運行的安全性而且還能有效促使電力系統有效運行，經濟效益的提高。
常見的負荷預測方法主要有兩類：線性類統計模型和非線性類智慧型模型。線性類統計模型最為經典的是ARIMA模型，並有很多學者提出了相應的預測模型。非線性類智慧型模型最為經典的是神經網路模型，並有很多學者提出了相應的預測模型。
神經網路模型優點是預測精度高，但其缺點是黑盒·建模過程、這將導致可解釋性很差ARIMA模型優點是理論基礎完備、具有較好解釋性，但其缺點是對數據具有一定要求、往往需要對原始數據作足夠的預處理、以便獲得更好的建模效果。實際上，沒有任何一個預測模型可以對不同的數據集都取得很好的效果，因此，我們需要結合具體的數據集來建立相應的預測模型。
考慮到短期負荷具有較強的周期性變化的特徵，設計了一種基於周期性成分分析的混合預測模型。首先，依據短期負荷的周期性變化特徵主要是星期和月份，設立了19周期成分：包括7個星期周期和12個月份周期變數；再利用多元線性回歸模型估計出上述各周期成分的影響值，從而為尖峰負荷的內在結構提供可解釋性；最後，利用ARIMA模型建立短期尖峰負荷需求與其內在成分的關係模型。2012年某縣短期尖峰負荷的數值模擬檢驗了模型的有效性，研究成果可以為該縣電網運行的可持續發展提供一定的參考價值。
周期性成分分析
電是與我們日常生活和工作息息相關的一種能源，因而電力負荷也會存在著與我們生活和工作類似的規律性。本文考慮以天為單位的尖峰負荷預測問題，提出了星期周期性成分和月份周期性成分分析。
一方面，電力負荷會依據星期一至星期天表現出重複的規律性：我們稱星期一至星期五為工作日，在這個時段里，人們大多會每天按時上下班，公司或單位也在進行工作生產，這個時段會呈現出工作時期的規律性，主要表現為工業負荷為主；而星期六至星期天成為休息日，在這個時段里，人們大多以生活和休息為主，公司或單位也大多停止生產，這個時段會呈現出休息時期的規律性，主要表現為生活負荷為主；並且這些規律是以7天作為變化周期的，這就是星期周期成分。
另一方面，短期負荷與季節變化存在著密切的關係，提出以月份作為周期成分，分析電力負荷依據季節特徵表現出重複的規律性，較為明顯的特徵是：在夏季，天氣氣溫通常較高，這時人們會在生活或工作場所啟動降溫設備(如電風扇、空調等) ，這將導致電力負荷的大幅提升；在冬季，天氣氣溫通常較低，這時人們會在生活或工作場所啟動取暖設備，這也將導致電力負荷的提升；用月份來刻畫這樣表現出來的規律性，稱為月份周期成分。多元線性回歸模型是以經典的數理統計理論為基礎，是進行回歸分析最為基礎、最為常用的統計方法之一，在工程套用中已獲得廣泛的套用。
負載的系列結構在一個特殊的時間可以解釋為：時間的線性趨勢，加上一個星期的基礎期限，以及12個月份的基礎期限就相應地相互作用，如果一個係數的置信區間包含零，那么這個係數的意思是不可靠的。在這種情況下，模型通過添加或減少變數應該改進。
經過分析，可以發現上述周期成分並不能表達電力負荷在時間連續上的因果關係: 例如季節性也會出現時間上的偏差，有時氣溫的升高(或降低)會提前或推後一些時間到達。其實，可以用時間序列分析方法來獲取這樣的一些特徵，ARIMA模型正是這類時間序列分析方法中最為流行和有效的方法之一。因此，採用ARIMA 模型對周期成分分析後的殘差時間序列建模，分析時間上的連續因果關係，進一步提升模型的預測精度。
預測模型仿真模擬
採用多元線性回歸及ARIMA模型，設計了周期性成分分析法提取某縣短期負荷的內在結構。首先，設立星期周期和月份周期等19周期變數(星期周期項包括星期一至星期天7項，月份周期項包括一月份至十二月份12項) ，對周期變數進行最佳化選取研究；再利用多元線性回歸模型求解上述各變數的影響值，並給出相應的特徵解釋。最後，利用ARIMA建立該縣短期電力負荷需求與其內在成分的關係模型。
為了實證上述預測模型的有效性，以江西省某縣短期負荷預測問題為實例。在短期負荷預測問題中，尖峰負荷預測問題尤為重要。為此，我們收集了2012全年江西省某縣每天得尖峰負荷值作為研究對象。模型採用的技術原理將在下面各小節依次描述。
以江西省某縣尖峰負荷預測問題為典型，探索基於周期成分分析模型的有效性。具體分兩部分進行：首先，利用MATLAB 軟體，實現該模型的計算機仿真模擬，並作出負荷預測曲線；其次，在第一步預測仿真模擬的基礎上，用評價統計量定量評價模型有效性。
短期負荷預測建模過程
結合江西省某縣短期負荷數據實際情況，依據上述基於周期分解的短期負荷預測模型，說明該問題的具體的計算過程。實際計算過程大致可分為以下三個步驟進行：
第一步：原始數據預處理。
因為電力負荷數值與其所處時刻緊密相關，例如炎熱夏季需要使用空調避暑、公司星期六和日休整等等，所以本文添加負荷所處的周期屬性值，即引入7個星期變數和12個月份變數。為了反映周期屬性的互動性，依據繪圖添加星期和月份間的互動項。
第二步：周期性成分分析(SCA) 法預測模型。引入時間趨勢項、星期周期項、每月周期項，建立多元線形回歸模型。
總結
以江西省某縣短期電力負荷預測為典型，研究短期電力負荷時間序列的發展規律及其成分特徵的關聯性，從本質上揭示該縣短期電力負荷過程的內在機理。通過設立星期周期和月份周期等19周期變數，利用樣本數據統計上述兩類變數的互動項變數，對周期變數進行最佳化選取研究，獲得平穩的殘差時間序列; 再利用多元線性回歸模型求解上述各變數的影響值，並給出相應的特徵解釋。最後，利用ARIMA模型建立該縣短期電力負荷需求與其內在成分的關係模型，並用江西省某縣2012年的運行數據檢驗了模型的有效性。研究成果可以為江西省某縣電網運行的可持續發展提供一定的參考價值。
