短期負荷預測方法綜述

國網鄂州供電公司 胡函武 楊 英 魏 晗 耿紅杰

負荷預測的精度直接關系到電網的供需平衡，影響著電網運營成本，因此短期負荷預測的準確性十分重要。目前國內外負荷預測方法主要包括經典預測方法、傳統(tǒng)預測方法以及人工智能預測方法三大類，本文就一些主流方法進行了分析和概述。

引言：從1866年德國人西門子制成世界上第一臺工業(yè)用發(fā)電機至今已有150余年。在這100多年來，電力經歷了從理論到應用，從工用到民用，從火電到水電再到核電等一系列的轉變，為社會的經濟、政治、文化等各方面的飛速發(fā)展起到了極大的推動作用。作為國民經濟建設中不可取代的重要能源，電能如今已經滲入各個行業(yè)及領域。

近幾十年來，國內外的專家學者們針對負荷預測問題進行了長期的深入研究，提出了很多卓有成效的預測模型。然而短期負荷具有隨機性和不確定性的特點，容易受到天氣變化、社會活動以及節(jié)日類型等各種復雜的環(huán)境因素的影響，因此想要得到十分精確的預測結果仍然是一件非常困難的事情。到目前為止還沒有哪種方法適用于任何地區(qū)的電力系統(tǒng)，也沒有哪種方法可以提供絕對精確的負荷結果。根據(jù)負荷預測技術的發(fā)展歷程，可以大致將其分為三大類：經典預測方法、傳統(tǒng)預測方法以及人工智能預測方法。

1.短期負荷預測經典方法

1.1 回歸預測法

回歸分析預測方法是根據(jù)以往的負荷歷史數(shù)據(jù)的變化規(guī)律以及影響負荷變化的因素來尋找自變量與因變量之間的相關關系，從而建立可以進行數(shù)學分析的模型，以此來預測未來的負荷。它的特點就是將預測目標的因素當作了自變量，而將待預測目標作為了因變量。在回歸分析預測方法中，自變量是隨機變量，而因變量是非隨機變量，通過使用給定的多組因變量和自變量的資料來研究各種變量之間存在的相關關系。

1.2 時間序列法

時間序列法在電力系統(tǒng)短期負荷預測中是比較常見且應用最為廣泛的一種方法。電力負荷的歷史數(shù)據(jù)是按照一定時間間隔進行采樣并記錄下來的有序集合，因此它是一個時間序列。電力負荷時間序列方法就是根據(jù)負荷的歷史資料，建立一個描述電力負荷隨時間而變化的數(shù)學模型，通過這個模型，一方面可以描述電力負荷隨時間變化所表現(xiàn)出的規(guī)律性，另一方面可以在該模型的基礎上建立負荷預測的數(shù)學表達式，從而實現(xiàn)對未來負荷的預測。

2.短期負荷預測傳統(tǒng)方法

2.1 指數(shù)平滑法

指數(shù)平滑法實質上是一種曲線擬合法，它采用過去數(shù)周的同類型日的相同時刻的負荷組成一組時間上有序的數(shù)組，然后對該數(shù)組進行加權平均，最后得出待預測的負荷值。

指數(shù)平滑法主要是根據(jù)歷史負荷數(shù)據(jù)對未來負荷進行預測，不同歷史時期的負荷值對未來負荷的影響不同，距離預測時間越近的歷史負荷數(shù)據(jù)對預測結果影響越大，反之越小。因此，該方法對接近預測時刻的數(shù)據(jù)擬合得更精準。

2.2 灰色預測法

灰色預測法是一種對含不確定因素的系統(tǒng)進行預測的方法，通過分析因素之間的發(fā)展趨勢的相異程度或集合相似來衡量因素之間的關聯(lián)度，因此又被稱為關聯(lián)度分析法?；疑到y(tǒng)理論將一切的隨機變化量看作是在一定范圍內變化的灰色量，其常用累減生成IAGO和累加生成AGO的方法來將繁亂的原始資料整合成規(guī)律性較強的生成數(shù)據(jù)列。用灰色模型中的微分方程作為電力系統(tǒng)的單一指標（如負荷的預測）時，所求解微分方程的時間響應函數(shù)表達式即為所求的灰色預測模型。最后對模型的可信度和精度進行校驗并修正后就可以用這個模型來預測未來負荷值。

3.短期負荷預測人工智能預測方法

3.1 專家系統(tǒng)法

專家系統(tǒng)實質上是一個計算機系統(tǒng)，它的建立是基于知識的程序設計方法，其特點是擁有某個特殊領域內專家的知識和經驗，并能夠像專家一樣運用這些知識，通過推理，在該領域內做出智能決策。專家系統(tǒng)負荷預測技術的思想是：對存放在數(shù)據(jù)庫里的過年幾年的每小時的負荷和天氣數(shù)據(jù)進行細致分析，集中有經驗的負荷預測專家學者的知識，提取相關的規(guī)則，并且按照相應的規(guī)律推理進行負荷預測。專家系統(tǒng)一般包括推理機、知識庫、數(shù)據(jù)庫、知識獲取部分和解釋部分等五個部分，是對人類不可量化經驗進行轉化的一種較系統(tǒng)的方法。

3.2 人工神經網絡法

神經網絡是由大量簡單的神經元組成的非線性系統(tǒng)，而人工神經網絡（Artificial Neural Networks, ANN）則是模擬生物的神經網絡進行信息處理的一種數(shù)學模型，具有非線性、自適應、自組織和大規(guī)模并行的優(yōu)點。鑒于短期負荷容易受到天氣、節(jié)假日和節(jié)日類型等環(huán)境因素的影響，往往表現(xiàn)出隨機性和不確定性的特征，而神經網絡由于自身的強學習能力和非線性映射能力，能夠很好的處理此類問題。因此，自上世紀90年代開始，人工神經網絡技術在電力系統(tǒng)負荷預測尤其是短期負荷預測領域內得到了廣泛的應用。

3.3 組合預測法

縱觀電力發(fā)展史，有基于數(shù)學分析的傳統(tǒng)負荷預測方法，也有基于算法的人工智能負荷預測方法，然而卻沒有一種模型可以適合于任何地區(qū)的電力系統(tǒng)，真正做到準確無誤的預測。為了克服不同模型的缺陷并充分利用各自的優(yōu)點，人們將組合預測法應用到了短期負荷預測中。組合預測法的優(yōu)點是針對各單一模型的特點進行取長補短，克服了單一預測方法的不足之處，使得優(yōu)勢互補，提高了負荷預測的精度。不足之處在于預測模型比較復雜，考慮的相關因素更多，計算量更大。

4.結語

正確的短期負荷預測有利于運行人員準確的預估電能的生產、輸送、分配情況，從而制定出經濟、合理的發(fā)電計劃。根據(jù)短期負荷預測所提供的信息，電網部門可以對發(fā)電容量進行合理的調度。本文根據(jù)負荷預測的發(fā)展歷程將國際主流預測方法分為了三大類進行概述和分析，為不同地區(qū)的負荷特征選取合適的預測方法提供了一定的理論依據(jù)。