陸宇燁，張健釗，徐巖哲，方佳渝

(河海大學 能源與電氣學院，江蘇 南京211100)

電力系統(tǒng)負荷預(yù)測是基于經(jīng)濟和氣象上的因素，通過研究電力系統(tǒng)負荷的變化情況和變化規(guī)律對歷史數(shù)據(jù)進行分析［1］，以求對電力的負荷需求提前推測［2－12］，這將有效地幫助電力系統(tǒng)調(diào)度對未來負荷變化情況做出正確的估計。

其中預(yù)測負荷的系統(tǒng)作為能量管理系統(tǒng)中電力市場運行管理的重要組成部分，預(yù)測結(jié)果同電力系統(tǒng)的安全、經(jīng)濟運行密切相關(guān)［3］，現(xiàn)在負荷預(yù)測的手段已由人工預(yù)測逐步轉(zhuǎn)向智能預(yù)測，為提高預(yù)測精度創(chuàng)造了有利條件。負荷預(yù)測的核心是利用現(xiàn)有數(shù)據(jù)，對未來時間段內(nèi)的運行數(shù)據(jù)進行估計。

1 負荷預(yù)測分類

電力系統(tǒng)負荷預(yù)測分為電量、電力兩類。其中電量預(yù)測有:網(wǎng)供電量、社會電量、企業(yè)單位電量等［16］;電力預(yù)測有:最大和最小負荷、負荷峰谷差、負荷率等。以上是按指標分類，而按期限的不同，又可分為:長期預(yù)測、中期預(yù)測、短期預(yù)測、超短期預(yù)測，如表1所示。

表1 負荷預(yù)測的分類

2 負荷預(yù)測方法

電力系統(tǒng)總負荷一般可描述為

其中，L(t)為在t時刻時電力系統(tǒng)的總負荷;B(t)為在t時刻時正?；A(chǔ)負荷;W(t)為在t時刻對氣象的敏感負荷;S(t)為t時刻可能會發(fā)生的特別事件的負荷;V(t)為在t時刻時的隨機部分。

3 經(jīng)典預(yù)測方法

3.1 回歸分析法

一般根據(jù)變量數(shù)分為單元回歸分析和多元回歸分析，單元回歸分析是單個變量的，多元回歸分析則是多元變量，在給定的變量下，研究其間的關(guān)系就可求出回歸方程;因為自變量是隨機變量如電力負荷等，而因變量是非隨機的，如人口、經(jīng)濟、氣候等，所以給定自變量的數(shù)值便可求出因變量［15］，其共同決定了電力系統(tǒng)的負荷變化。

其優(yōu)點為:速度快，對各類情況都可以較好地處理。缺點:對數(shù)據(jù)要求高，尤其在歷史數(shù)據(jù)殘缺或有較大誤差的情況下，效果不理想［9］，因為只有在用線性法化解非線性公式的情況下能夠較好的求解，但是非線性模型中只能加入部分不確定因素，如溫度或濕度，因為不確定因素過多，不能全部考慮，算法也不具有自適應(yīng)性，所以難以得到準確的結(jié)果［15］。

3.2 趨勢外推法

趨勢外推法是一種利用當前負荷變化趨勢預(yù)測未來負荷的方法，由于電力系統(tǒng)負荷變化趨勢明顯，所以第一步選定負荷規(guī)律趨勢模型，然后利用線性或非線性圖形識別法、差分進化法求出負荷預(yù)測結(jié)果［2］。

3.3 時間序列法

時間序列外推法是將數(shù)據(jù)按照周期性排列形成有規(guī)律的序列，此時因變量負荷和自變量時間均是隨機變量，將實際負荷和預(yù)測負荷間的差值當作平滑的變化過程處理。

優(yōu)點:對數(shù)據(jù)庫中數(shù)據(jù)量的依賴性較低，該算法目前的研究成果成熟，在實際生產(chǎn)中得到了廣泛應(yīng)用。缺點:因需要過去實際的負荷數(shù)據(jù)，不允許問題數(shù)據(jù)存在。算法中矩陣系數(shù)計算繁瑣，且無法采用過多的非隨機變量。

3.4 灰色模型法

灰色理論的微分方程模型，又叫灰色模型，其是建立在以下4個基礎(chǔ)之上:(1)模型的范圍和時區(qū)是給定的，而且模型中的隨機部分、隨機過程也是變化的。(2)在數(shù)據(jù)序列隨機疊加后會生成伴隨指數(shù)增長的有規(guī)律的上升序列。(3)可以根據(jù)模型中灰數(shù)的生成方式、數(shù)據(jù)的篩選分別和殘差GM模型的修正來調(diào)整和提高該模型的精度。(4)高階下系統(tǒng)建模的GM模型群是一階微分方程組組成的隨指數(shù)增長的灰色模型［6］。

優(yōu)點:當負荷值按指數(shù)增長時，灰色模型法的精度較高，也由于其所需計算的初始樣本數(shù)據(jù)少，無需對數(shù)據(jù)有過多依賴性，所以方便檢驗。缺點:隨著數(shù)據(jù)離散程度增大，預(yù)測精度也變差，因此不適合長期預(yù)測［8］，而有意義的精度較高的預(yù)測值只是最近的幾個數(shù)據(jù)，所以由于數(shù)據(jù)少而帶來的誤差較大，在實際生產(chǎn)中的應(yīng)用率低。

3.5 指數(shù)平滑法

該算法的基本思想是加權(quán)平均，在數(shù)據(jù)越新時的加權(quán)越大［9］，對總數(shù)據(jù)的影響則越大，因此通過加權(quán)的方法強調(diào)新數(shù)據(jù)的影響，逐步減弱老數(shù)據(jù)的影響，使曲線擬合后變得平滑。

優(yōu)點:可減少數(shù)據(jù)的異方差性，保證數(shù)據(jù)序列的變化準確性，消除序列中的隨機波動。缺點:對數(shù)據(jù)在轉(zhuǎn)折點上的分辨能力低，加權(quán)的方法也存在局限性。

4 人工智能預(yù)測方法

隨著人工智能技術(shù)的發(fā)展，AI和FLS在負荷預(yù)測領(lǐng)域逐步得到應(yīng)用。這些算法的特點是具有較強的自適應(yīng)性和學習性，可對大部分非隨機變量進行考慮，但對過去數(shù)據(jù)的要求也變得更高［5］。

4.1 專家系統(tǒng)法

專家系統(tǒng)法，顧名思義就是用專家的知識、方法、經(jīng)驗對數(shù)據(jù)進行預(yù)測。該算法相當于將人類的經(jīng)驗抽象為公式或模型應(yīng)用于實際預(yù)測中，是一種獨特的算法［2］。

優(yōu)點:集中多位專家過去預(yù)測的數(shù)據(jù)，通過尋找專家預(yù)測的規(guī)律，將其轉(zhuǎn)化為負荷預(yù)測的能力，并得出正確的預(yù)測結(jié)果。這可保持和過去預(yù)測結(jié)果的一致性。缺點:不具有自適應(yīng)能力，對不斷變化的事件適應(yīng)性差，因此受知識種類和總量的限制。

4.2 模糊預(yù)測法

該算法是來自于控制領(lǐng)域內(nèi)的模糊控制和預(yù)測控制的產(chǎn)物，由于干擾因素過多，因此只能將長遠的時間序列看作是近期的時間序列進行預(yù)測［1］。優(yōu)點:能夠?qū)嶋H地考慮到工業(yè)生產(chǎn)中的情況，且應(yīng)用成熟。缺點:該算法缺少自適應(yīng)能力，無法對變化的非線性電力系統(tǒng)進行預(yù)測和修正參數(shù)，預(yù)測精度較差。

4.3 人工神經(jīng)網(wǎng)絡(luò)法

近年來，以AI技術(shù)為代表的多類人工智能技術(shù)由于具有較強的自適應(yīng)學習能力和非線性處理能力在負荷預(yù)測中得到了廣泛應(yīng)用［5］，通過自適應(yīng)的學習訓練來處理自然界存在的大量非線性組成部分和不精確的規(guī)律。優(yōu)點:人工神經(jīng)網(wǎng)絡(luò)法具有很強的學習能力，能夠通過感知器和前向網(wǎng)絡(luò)對非線性函數(shù)線性化。缺點:算法過于復(fù)雜，運算時間較長［17］。

4.4 小波分析預(yù)測法

作為一種時頻域分析法，小波分析能隨頻率變化調(diào)節(jié)信號采樣的疏密，可輕易地探測并分析出任意信號和圖像上的任意部分，在時頻域上表現(xiàn)出了良好的局部化性質(zhì)［12］。其是將信號信息以系數(shù)形式表示來方便存儲和傳遞、分析甚至于重建原始信號，因而有效地應(yīng)用于負荷預(yù)測的研究。先將不同頻率組成的混合信號經(jīng)其分解成不同的子信號，然后將其劃分到不同尺度上，即每個尺度上的子序列就代表了原序列中不同的子信號，展現(xiàn)了序列的周期性，最后根據(jù)這一結(jié)果對不同的子負荷序列進行分步預(yù)測就可以得到準確的預(yù)測結(jié)果［8］。

5 與動態(tài)過程結(jié)合的預(yù)測方法

5.1 混沌理論預(yù)測法

該算法也是將控制論中的混沌理論用于負荷預(yù)測中，通常是解決非線性的能源系統(tǒng)的負荷預(yù)測情況。其主要核心是將各個分布式能源后的電力系統(tǒng)看成是非線性的系統(tǒng)模型［7］，然后找出與混沌系統(tǒng)共同的特點，最終通過構(gòu)造混沌的時間序列對負荷進行描述，就可以在形成的相空間中實施預(yù)測［14］。

5.2 卡爾曼濾波算法

是用一種高效逐次計算方法來估計動態(tài)的狀態(tài)，得到最小誤差的最優(yōu)估計，并將負荷作為狀態(tài)變量，用遞推的濾波算法進行預(yù)測，一般用于在線預(yù)測。因精度最為關(guān)鍵，所以預(yù)測中需要盡可能地使用已掌握的信息以減少預(yù)測時間;目前被應(yīng)用基于極大似然估計的卡爾曼濾波方法實施超短期下的負荷預(yù)測中，其在濾波過程中先后做到了參數(shù)辨識、偏差處理和負荷預(yù)測，提高了預(yù)測精度，縮短了預(yù)測時間［14］。

6 結(jié)束語

本文將負荷預(yù)測的新老技術(shù)針對不同應(yīng)用進行了歸納總結(jié)［20］。其中包括:輸配電負荷規(guī)劃、電網(wǎng)調(diào)度、基于負荷預(yù)測的電力系統(tǒng)狀態(tài)估計等［10］。所以通過引入其他領(lǐng)域的理論來改善電力系統(tǒng)負荷預(yù)測的模型和預(yù)測的精度，已成為研究重點，也是今后影響負荷預(yù)測的研究方向［2］。

［1］ 張師玲.基于RBF神經(jīng)網(wǎng)絡(luò)與模糊控制的電力系統(tǒng)短期負荷預(yù)測［D］.鎮(zhèn)江:江蘇大學，2010.

［2］ 董翔.地市級短期電力負荷預(yù)測及特性分析系統(tǒng)的研究與開發(fā)［D］.北京:華北電力大學，2007.

［3］ 呂嬋.基于BP神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測［D］.武漢:華中科技大學，2007.

［4］ 周雪蓮.全面小康社會目標下的北京市中長期電力需求預(yù)測研究［D］.北京:華北電力大學，2009.

［5］ 云會周.基于機器自學習的電力系統(tǒng)超短期負荷預(yù)測研究［D］.北京:華北電力大學，2010.

［6］ 劉穎.濟南市市中區(qū)高壓客戶平均電價的分析與研究［D］.濟南:山東大學，2009.

［7］ 唐衍.基于EMD方法的電力系統(tǒng)短期負荷預(yù)測［D］.上海:上海交通大學，2011.

［8］ 張曉.電力系統(tǒng)短期負荷預(yù)測研究［D］.成都:四川大學，2001.

［9］ 黃麗蘇.數(shù)據(jù)挖掘在電力負荷預(yù)測中的應(yīng)用研究［D］.長沙:長沙理工大學，2006.

［10］朱明亮.山東電力需求預(yù)測與發(fā)展分析［D］.北京:華北電力大學，2007.

［11］李德生.忻州地區(qū)電力負荷特性分析［D］.北京:華北電力大學，2007.

［12］李剛.水火電系統(tǒng)短期節(jié)能發(fā)電調(diào)度研究與應(yīng)用［D］.大連:大連理工大學，2007.

［13］康重慶，夏清，劉梅.電力系統(tǒng)負荷預(yù)測［M］.北京:中國電力出版社，2007.

［14］蔡夏，邢駿.電力系統(tǒng)負荷預(yù)測方法綜述［J］.信息化研究，2010(6):5－7.

［15］陳貝.電力系統(tǒng)中長期負荷預(yù)測方法研究［D］.上海:上海交通大學，2009.

［16］谷子.基于混沌理論的電力短期負荷預(yù)測研究［D］.北京:中國農(nóng)業(yè)大學，2006.

［17］胡啟元.針對電力系統(tǒng)短期負荷預(yù)測的研究［D］.成都:四川大學，2004.

［18］孫云.小波分析在電力系統(tǒng)短期負荷預(yù)測中的應(yīng)用研究［D］.杭州:浙江大學，2005.

［19］牛東曉，曹樹華，趙磊.電力負荷預(yù)測技術(shù)及其應(yīng)用［M］.北京:中國電力出版，1999.

［20］時廣獻，李春輝，李宏博.基于聯(lián)想神經(jīng)網(wǎng)絡(luò)算法的電力系統(tǒng)負荷預(yù)測［J］.電子科技，2010，23(12):62－66.