電力負(fù)荷預(yù)測

王民浩

【摘 要】電力負(fù)荷預(yù)測是采用預(yù)測方法，依據(jù)為電力負(fù)荷的組成和變動影響因素，就是在充分對歷史數(shù)據(jù)的變化規(guī)律進(jìn)行考慮之后并且把負(fù)荷與影響因素之間存在的聯(lián)系以及規(guī)律進(jìn)行深入的挖掘之后，對未來負(fù)荷受到的影響和變化趨勢進(jìn)行歸納和總結(jié)，并采用這個規(guī)律預(yù)測未來的負(fù)荷。負(fù)荷預(yù)測的結(jié)果作為調(diào)度工作的基礎(chǔ)數(shù)據(jù)，讓電力系統(tǒng)能夠安全可靠的運行。本文在分析了電力系統(tǒng)負(fù)荷預(yù)測的分類以及影響因素和電力負(fù)荷預(yù)測的過程和原則的基礎(chǔ)上，分析了目前電力負(fù)荷預(yù)測中存在的問題以及電力負(fù)荷預(yù)測研究中的核心問題，提出負(fù)荷預(yù)測研究的方向。

【關(guān)鍵詞】電力負(fù)荷預(yù)測;方法;問題;研究

一、前言

電力符合預(yù)測在電力系統(tǒng)的很多方面中都體現(xiàn)出了重要的作用，其地位是無可替代的，對電力系統(tǒng)的運行和設(shè)計產(chǎn)生顯著的影響，可以讓電力系統(tǒng)更加經(jīng)濟(jì)可靠的運行。目前，對負(fù)荷預(yù)測的精度要求也越來越高，甚至于根據(jù)調(diào)度員的經(jīng)驗結(jié)合現(xiàn)有預(yù)測理論的預(yù)測結(jié)果是完全可以達(dá)到準(zhǔn)確的調(diào)度，但是一些新能源的發(fā)展以及大規(guī)模的并網(wǎng)都會對負(fù)荷產(chǎn)生一定程度的影響，并且風(fēng)電不可以調(diào)峰調(diào)谷，在一些時候也可是視為負(fù)荷，這些因素都決定了電力負(fù)荷預(yù)測需要進(jìn)一步的發(fā)展和完善?，F(xiàn)有的預(yù)測方法仍然存在一些不足，需要進(jìn)一步的深入研究。研究電力負(fù)荷預(yù)測有利于給分析和規(guī)劃提供一定的依據(jù)。在預(yù)測結(jié)果的基礎(chǔ)上，對電網(wǎng)負(fù)荷的分布進(jìn)行合理的安排，一旦出現(xiàn)事故或者是緊急情況，都可以快速并且有效的恢復(fù)安全運行。

二、電力系統(tǒng)負(fù)荷預(yù)測的分類和影響因素

（一）電力系統(tǒng)負(fù)荷預(yù)測內(nèi)容分類

1.經(jīng)典負(fù)荷預(yù)測的內(nèi)容及其分類

目前來看，一般是按照期限的不同來分類預(yù)測，主要分為超短期、短期、中期以及長期。超短期負(fù)荷預(yù)測就是時分預(yù)測;短期負(fù)荷預(yù)測是指預(yù)測當(dāng)前時點之后1天-1周之內(nèi)的用電情況;中期負(fù)荷預(yù)測是預(yù)測月度到年度之間的用電情況;長期符合預(yù)測是預(yù)測3-5年之內(nèi)或者更多的年限之內(nèi)的用電情況。

2.新負(fù)荷預(yù)測內(nèi)容的引入

（1）連續(xù)多日負(fù)荷曲線預(yù)測

主要是觀察并挖掘所提供的負(fù)荷，以日到周預(yù)測以及月到年度預(yù)測得到的數(shù)值為基礎(chǔ)，通過周期性來預(yù)測長期多天的結(jié)果。

（2）擴(kuò)展短期負(fù)荷預(yù)測

這種方法是補充超短期預(yù)測，也就是在當(dāng)下時點收集關(guān)于負(fù)荷的主要內(nèi)容數(shù)據(jù)，通過預(yù)測的方法得到此刻之后一段時間的負(fù)荷數(shù)據(jù)。從時間的分類上可以看出，傳統(tǒng)的負(fù)荷預(yù)測在時間上存在一定的空隙，引入新的預(yù)測內(nèi)容，正好可以把這些空隙彌補。

（二）電力系統(tǒng)預(yù)測的主要影響因素

首先是經(jīng)濟(jì)水平，我國經(jīng)濟(jì)結(jié)構(gòu)的調(diào)整以及經(jīng)濟(jì)發(fā)展水平很大程度上決定了社會電力消費結(jié)構(gòu)和水平的變化，這對電力系統(tǒng)負(fù)荷產(chǎn)生了根本性以及全局性的影響。其次是電價政策，電價對電力系統(tǒng)負(fù)荷的影響主要表現(xiàn)在兩方面，分別為電價水平影響以及電價結(jié)構(gòu)影響。其中，電價結(jié)構(gòu)影響主要是通過峰谷電價的控制來提高或者是抑制電力系統(tǒng)的負(fù)荷。最后是氣溫氣候，氣溫氣候主要是對日用電量以及最大負(fù)荷會產(chǎn)生影響，在電力系統(tǒng)中，氣溫氣候會影響很多負(fù)荷，氣溫氣候的變化會顯著的影響到負(fù)荷以及負(fù)荷的特性。

三、預(yù)測工作中存在的問題

（一）理論和應(yīng)用有脫節(jié)

從國內(nèi)已有的關(guān)于電力負(fù)荷預(yù)測的研究中來看，大量的研究了關(guān)于預(yù)測方法的理論、算法和優(yōu)化以及模型和優(yōu)化方面的問題，但是很少有大面積的推廣和應(yīng)用，其中存在的問題有很多，包括負(fù)荷模型過于復(fù)雜、在設(shè)置參數(shù)參量方面有明顯的人為干預(yù)以及使用的局限性比較大等。由于缺少有效的實際應(yīng)用的支持，在實際的應(yīng)用中，仍然采用經(jīng)驗方法為主要的方法，理論性很差，預(yù)測水平普遍來看比較低。

（二）預(yù)測對變化的響應(yīng)能力不足

社會在運轉(zhuǎn)的工程中，有很大的慣性存在，一般情況下，以經(jīng)驗方法為基礎(chǔ)的預(yù)測工作出現(xiàn)的偏差比較小。但是在2008年開始，金融危機(jī)的出現(xiàn)，電力負(fù)荷也出現(xiàn)了一次大幅度的波動，從金融危機(jī)之前出現(xiàn)的種種跡象，以及到后來的持續(xù)發(fā)展，負(fù)荷預(yù)測工作都面對著很多的困境，缺少有效的工具以及手段進(jìn)行科學(xué)的判斷和分析，基本上都是跟隨著政府的腳步，預(yù)測結(jié)果普遍會出現(xiàn)比現(xiàn)實情況要慢半拍的現(xiàn)象，只能頻繁的進(jìn)行修正工作。

四、電力負(fù)荷預(yù)測研究中的核心問題

（一）節(jié)假日的負(fù)荷預(yù)測

法定節(jié)假日的電力負(fù)荷要遠(yuǎn)低于平時，特別是在春節(jié)期間，曲線會出現(xiàn)大幅度長時間的變形和下降。在節(jié)假日的負(fù)荷預(yù)測中，一般都要至少提前半個月，甚至是一個月，在負(fù)荷預(yù)測中，這一直都是一個難題。能夠參考的數(shù)據(jù)比較少，上一節(jié)假日的相隔時間已經(jīng)有一年，樣本不夠有效，在預(yù)測中應(yīng)用效果不好。

（二）氣象因素的影響

氣象因素會對負(fù)荷預(yù)測的精度產(chǎn)生不可忽視的影響，傳統(tǒng)的預(yù)測方法沒有或者是沒有充分的考慮到氣象因素，造成預(yù)測的結(jié)果不佳。需要把多種方法結(jié)合在一起，深入考慮氣象因素，進(jìn)行預(yù)測。

五、大數(shù)據(jù)環(huán)境下的電力負(fù)荷預(yù)測方法

（一）基于Kernel-K-means和LSTM的負(fù)荷預(yù)測

負(fù)荷預(yù)測的依據(jù)是電力系統(tǒng)的歷史數(shù)據(jù)，對未來某一時間的用電情況進(jìn)行預(yù)測，電力企業(yè)在準(zhǔn)確的負(fù)荷預(yù)測下對供需計劃進(jìn)行合理的安排，從而把用電成本降低。本文采用Kernel-K-means和LSTM方法。圖1所示我LSTM方法預(yù)測負(fù)荷的結(jié)構(gòu)。

圖1中所示，有n個輸入x1，x2，…，xn;O1表示輸出神經(jīng)元;o1表示輸出值;Hji表示音程神經(jīng)元。

（二）算例分析

本次仿真的數(shù)據(jù)來源于只能電表的數(shù)據(jù)集，包括的電力用戶數(shù)據(jù)有8000個，日期為2017年9月21日-2019年1月31日，每采集一個數(shù)據(jù)點的時間間隔是30min，一個客戶一天有48個數(shù)據(jù)信息。對數(shù)據(jù)進(jìn)行聚類分析采用兩種方法，分別為K-means以及Kernel-K-means，圖2和圖3所示為兩種方法下的計算時間以及聚類誤差的對比曲線。

分別采用傳統(tǒng)BP算法以及LSTM方法對比負(fù)荷預(yù)測，采用相同的數(shù)據(jù)對1月28日-1月30日的進(jìn)行負(fù)荷預(yù)測。歸一化處理輸入的數(shù)據(jù)，采用軍方跟誤差法來評價預(yù)測的效果。

根據(jù)經(jīng)驗公式，隱層神經(jīng)元個數(shù)選擇為6，網(wǎng)絡(luò)輸入的屬性為9，網(wǎng)絡(luò)輸出為用電量。圖4所示為預(yù)測的對比曲線。為了防止偶然性，多次采取兩種算法進(jìn)行預(yù)測實驗，并求得平均值，表1所示為預(yù)測誤差。

（三）結(jié)果分析

通過圖2和圖3可以看出，Kernel-K-means比K-means算法在聚類效果和復(fù)雜程度上都有了一定的改進(jìn)，不僅降低了算法運行的時間，對聚類效果也有一定的提高。通過聚類分析的結(jié)果，在聚類數(shù)為8時，負(fù)荷曲線有比較大的差異，因此，把電力負(fù)荷用戶分為8類。

由圖4可知，和BP算法相比，LSTM有更好的符合跟蹤效果，預(yù)測的精度比較高。由表1中的誤差結(jié)果可以看出，相比于BP算法，LSTM的算法誤差更低一點，說明LSTM在負(fù)荷預(yù)測中更加精確。

【參考文獻(xiàn)】

[1]張風(fēng)玲.淺析配電網(wǎng)負(fù)荷預(yù)測的應(yīng)用需求及方法.科技資訊，2019，1710：33+35

[2]丁紅.電力規(guī)劃及負(fù)荷預(yù)測分析.黑龍江科學(xué)，2017，824：100-101

[3]楊雨琪，蘇明昕.電力系統(tǒng)短期負(fù)荷預(yù)測方法分析.中國電力企業(yè)管理，2018，12：92-93