張彥宇，肖　茜（.湖南鐵道職業(yè)技術(shù)學(xué)院，湖南　株洲　400；.株洲市工業(yè)中等專業(yè)學(xué)校，湖南　株洲　4008）

?

國內(nèi)外關(guān)于電力系統(tǒng)負(fù)荷預(yù)測的研究現(xiàn)狀分析

張彥宇1，肖茜2
（1.湖南鐵道職業(yè)技術(shù)學(xué)院，湖南株洲412001；2.株洲市工業(yè)中等專業(yè)學(xué)校，湖南株洲412008）

摘要：本文主要討論了國內(nèi)外電力系統(tǒng)負(fù)荷預(yù)測的研究現(xiàn)狀，簡單介紹了幾種預(yù)測方法，包括回歸分析法、、趨勢外推法、時間序列法、專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機法。為電力系統(tǒng)負(fù)荷預(yù)測研究提供參考。

關(guān)鍵詞：負(fù)荷預(yù)測；數(shù)學(xué)統(tǒng)計；人工智能

0　引言

自上世紀(jì)70年代開始，國內(nèi)外對電力系統(tǒng)負(fù)荷預(yù)測的研究熱情逐漸升溫，進(jìn)入上世紀(jì)80年代，我國步入到大力發(fā)展經(jīng)濟(jì)建設(shè)的階段，電力需求極度旺盛，然而能源又極度緊張，電力供電一度出現(xiàn)供應(yīng)不足的情況，負(fù)荷預(yù)測開始成為電力公司一項必要的日常工作任務(wù)。20世紀(jì)90年代，全球電力市場化層層滲透，隨著科學(xué)技術(shù)的迅猛發(fā)展，新的預(yù)測方法層出不窮，為電力負(fù)荷預(yù)測問題的研究提供了后備力量。

長久以來，國內(nèi)外學(xué)者以及電力相關(guān)從業(yè)人員在長期的實踐研究過程中，不斷探索負(fù)荷預(yù)測新方法，隨著近年來各種數(shù)學(xué)模型的涌現(xiàn)，以及人工智能的發(fā)展，出現(xiàn)了不少新穎的預(yù)測方法，這些方法大概能分成兩大類別：一類是數(shù)學(xué)統(tǒng)計類的經(jīng)典預(yù)測方法，比如回歸分析法、趨勢外推法、時間序列法等；另一類是人工智能類的新型預(yù)測方法，如80年代后期流行的專家系統(tǒng)法、90年代后期發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)法等。下面分別介紹這些主要預(yù)測方法。

1　回歸分析法

回歸分析是一種經(jīng)典統(tǒng)計學(xué)上分析數(shù)據(jù)的方法，通過對歷史負(fù)荷數(shù)據(jù)進(jìn)行統(tǒng)計歸納分析總結(jié)，尋找預(yù)測輸入變量與影響負(fù)荷變量之間的某種相關(guān)的線性或非線性關(guān)系，并以此關(guān)系的規(guī)律建立數(shù)學(xué)模型，從而實現(xiàn)對未來負(fù)荷的基本預(yù)測。簡單來講就是建立自變量與因變量之間關(guān)系模型，依照變量數(shù)目的不同，一般分為單元和多元回歸分析。該方法原理成熟、計算簡便、運算速度快，但是過分依賴歷史負(fù)荷數(shù)據(jù)，對樣本容量需求過大，對平穩(wěn)的且大量的歷史數(shù)據(jù)有著不錯的預(yù)測效果，但是在遇到氣溫，節(jié)假日等變化較大因素的影響下，該方法無法反映實時與非線性的影響關(guān)系。

2　趨勢外推法

節(jié)假日、社會環(huán)境、天氣變化會對電力負(fù)荷波動造成干擾，盡管在形成這種具有隨機性、不確定性的情況下，電力負(fù)荷總是本質(zhì)的保持著一定的波動趨勢。我們可以在其中找出負(fù)荷的這種趨勢，根據(jù)這些負(fù)荷變化的相關(guān)歷史趨勢，擬合一條負(fù)荷波動趨勢曲線，按照這條擬合出來的曲線的發(fā)展趨勢，估計曲線上在未來某點的負(fù)荷變化，根據(jù)不同的負(fù)荷波動，采用不同的曲線擬合，這就是所謂的趨勢外推法。此方法優(yōu)點與缺點同樣突出，優(yōu)點是所需歷史負(fù)荷數(shù)據(jù)樣本較少，特點是作趨勢向外推斷，完全忽略分析內(nèi)部的不確定成分，缺點是對影響因素變化大的因子無法考慮進(jìn)來，如果負(fù)荷波動較大，那么誤差將會增大。

3　時間序列法

時間序列分析法是將歷史負(fù)荷變化所產(chǎn)生的變化規(guī)律，依照時間的先后順序進(jìn)行排序，以時間為軸揭示負(fù)荷隨時間變化而變化的發(fā)展規(guī)律，利用這種對應(yīng)關(guān)系，就可以將過去時間里發(fā)生的負(fù)荷變化規(guī)律作為未來時間里負(fù)荷變化的預(yù)測根據(jù)。同樣，時間序列法在電網(wǎng)正常運行，受外部環(huán)境影響變化小的平穩(wěn)狀態(tài)下具有良好的預(yù)測精度，但是對時間序列的平穩(wěn)性要求過高，一旦負(fù)荷受到特殊事件（如停機等）不確定性因素的影響，那么該方法也將失去其預(yù)期的效果。

4　專家系統(tǒng)法

專家系統(tǒng)其實是一種復(fù)雜的計算機程序設(shè)計系統(tǒng)，將計算機模擬成負(fù)荷預(yù)測的人類專家，基于歷史負(fù)荷變化知識數(shù)據(jù)庫，匯集人工經(jīng)驗智能的利用計算機處理負(fù)荷信息，按照專家水平進(jìn)行預(yù)測判斷工作。專家系統(tǒng)結(jié)構(gòu)如圖1所示。在處理節(jié)假日等需要依靠人工經(jīng)驗來判斷的不確定性影響因素對負(fù)荷影響產(chǎn)生較大的變化時，此方法有取得了很好的效果，但是各個地區(qū)的電力環(huán)境不同，造成計算機程序復(fù)雜，數(shù)據(jù)龐大，能否準(zhǔn)確的對各個因素對負(fù)荷造成的影響進(jìn)行定量分析成為了一個較為難以克服的困難。

5　人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)是模擬人腦智能化地處理信息的人工智能預(yù)測方法，它通過學(xué)習(xí)獲得最優(yōu)的參數(shù)，處理預(yù)測輸出與輸入影響變量之間復(fù)雜的非線性關(guān)系，對于分析處理任意復(fù)雜的非線性關(guān)系問題以及隨機的不確定性問題有著良好的解決問題能力。正因為它具有出色的學(xué)習(xí)能力，預(yù)測過程中都可以隨時不斷地選擇新的訓(xùn)練樣本來優(yōu)化和微調(diào)系統(tǒng)參數(shù)，這樣對非結(jié)構(gòu)性、模糊性的規(guī)律具有一定的自適應(yīng)功能，避免了數(shù)學(xué)建模的困難，也提高了系統(tǒng)計算的時間，相比較前面介紹的四種方法，它還能考慮并反映出各種不確定性因素（如氣候、特殊事件、節(jié)假日因素等）對負(fù)荷造成的干擾影響，更加適用于短期負(fù)荷預(yù)測。但是，人工神經(jīng)網(wǎng)絡(luò)預(yù)測也存在許多缺陷，網(wǎng)絡(luò)的層數(shù)和神經(jīng)元的選擇基本上要依靠經(jīng)驗反復(fù)實驗幫助確定，且網(wǎng)絡(luò)收斂慢，容易陷入局部收斂。它本質(zhì)上是一種基于經(jīng)驗風(fēng)險最小化的方法，范化能力有限，另外在小樣本學(xué)習(xí)方面也受到了不小限制。

6　支持向量機法

支持向量機（Support Vector Machines， SVM）是由BELL實驗室的Vapnik 等人在20世紀(jì)70年代中期提出的一種新型機器學(xué)習(xí)算法，因其卓越的性能，在模式識別和處理函數(shù)回歸估計問題等諸多領(lǐng)域內(nèi)受到了各研究學(xué)者們的強烈青睞。支持向量機與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法所采用的經(jīng)驗風(fēng)險最小化歸納原則是截然不同的，它實現(xiàn)了結(jié)構(gòu)風(fēng)險最小化（Structure Risk Minimization， SRM）的歸納原則，對未來樣本的泛化能力明顯增強。從理論上說，SVM的訓(xùn)練相當(dāng)于解決一個線性約束的二次規(guī)劃問題，所以必然存在解，獲得的將會是全局最優(yōu)解，這樣就無形解決了人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法中根本無法規(guī)避的局部極值問題。對應(yīng)的支持向量本質(zhì)上是訓(xùn)練樣本集的子集，對訓(xùn)練樣本集進(jìn)行分類實際上就是對支持向量進(jìn)行最低分類。 當(dāng)Vapnik引入ε-

不敏感損失函數(shù)之后，支持向量機由原來解決簡單的模式識別問題擴展為解決復(fù)雜的非線性回歸估計問題，我們把這一擴展內(nèi)容稱之為支持向量回歸法（Support Vector Regression， SVR）。將各種負(fù)荷影響因子的歷史信息作為系統(tǒng)輸入量，建立訓(xùn)練樣本空間，采用非線性映射變換方法將低維空間映射到高維特征空間，構(gòu)造線性函數(shù)進(jìn)行線性回歸，巧妙地解決了維數(shù)問題，構(gòu)建SVM目標(biāo)函數(shù)，將訓(xùn)練好的預(yù)測模型應(yīng)用于電力系統(tǒng)的負(fù)荷預(yù)測中去。影響電力系統(tǒng)短期負(fù)荷預(yù)測精度的因素包括日照、氣溫等氣象因素及國家政策、節(jié)假日因素等其它不確定性影響因素。可見，電力負(fù)荷由于這些因素的影響，本身就是一個復(fù)雜的非線性系統(tǒng)，而SVM模型求解算法簡單、泛化能力強、收斂速度快，在解決有限小樣本、非線性系統(tǒng)及高維識別問題中具有超群的優(yōu)越性，如果將其置于短期負(fù)荷預(yù)測上，顯然SVM方法比起上述其他預(yù)測方法更加適用于電力系統(tǒng)本身。隨著機器學(xué)習(xí)，支持向量機的不斷發(fā)展，在此基礎(chǔ)上不斷改良的支持向量機預(yù)測方法逐漸涌現(xiàn)，人們追求更高的預(yù)測精度的訴求一直在不斷擴進(jìn)。同時，尋找滿足適合各類電網(wǎng)環(huán)境的負(fù)荷預(yù)測新方法也成為了人們繼續(xù)研究的新命題。

7　結(jié)束語

本文通過分析基于數(shù)學(xué)統(tǒng)計的經(jīng)典預(yù)測方法和基于人工智能的新預(yù)測方法，將回歸分析法、、趨勢外推法、時間序列法、專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機法進(jìn)行了比較分析，得出支持向量機是當(dāng)前最合適的一種方法。

參考文獻(xiàn)：

［1］斐樂萍.縣級區(qū)域短期電力負(fù)荷預(yù)測研究［D］.華北電力大學(xué)，2014.

［2］尹立.基于支持向量機的某區(qū)域電網(wǎng)電力需求的預(yù)測研究［D］.北京交通大學(xué)，2014.

［3］蔡劍彪.基于云計算的智能電網(wǎng)負(fù)荷預(yù)測平臺研究［D］.湖南大學(xué)，2013.

DOI:10.16640/j.cnki.37-1222/t.2016.11.198

作者簡介：張彥宇，男，工程碩士，講師，技師，主要從事自動控制、電氣工程等方面的研究。