周金龍

電力負荷預測常用方法比較及其應用

周金龍

（國網(wǎng)四川雅安電力（集團）股份有限公司 四川雅安 625000）

經(jīng)濟的快速發(fā)展讓電力需求是越來越旺盛，電力負荷也越來越大。為了更好的保證供電的要求，電力公司做好電力負荷的預測也就越來越重要。電力負荷預測對于電網(wǎng)的運行安全以及整個電力系統(tǒng)規(guī)劃來說都有著極為重要的功能。本文從電力負荷預測的基礎入手，結合電網(wǎng)規(guī)劃及負荷預測理論，多角度分析常用的電力負荷預測方法，供大家借鑒。

電力負荷預測方法；神經(jīng)網(wǎng)絡；應用

引言

在目前的電力市場的發(fā)展情況看來，電力改革是勢在必行的，并且還要不斷的深入下去，就現(xiàn)在來看，電力企業(yè)是自主經(jīng)營、自負盈虧的，所以在一定程度上就彰顯了電力負荷預測的重要性，這是在今后的不斷變革的電力商場中不言而喻的事情。目前，我國電網(wǎng)負荷預測的方法多種多樣，在眾多的方法中要選出最適合自己的，這樣才能提升電網(wǎng)負荷預測準確率，所以說一定要把握好電網(wǎng)負荷的變化規(guī)律以及分析引起變化的因素。

1 電力負荷預測的原理

就目前我國的電力系統(tǒng)，考慮到各種因素，最切實可行的電力負荷預測方法就是建立一套相對完整的電力負荷的模型，在該模型中包含了許多的部分，例如：電力負荷電壓和頻率特性以及負荷的時空特性等等。其中可以通過負荷時間曲線來對其進行描述，這種曲線又可以劃分為四種，主要包括：年度、季度、月度、日負荷。當然還有其他劃分方法，例如按負荷的性質(zhì)來劃分等。

2 電力負荷預測方法分析

2.1 單耗法

在電力負荷預測中，單耗法是眾多方法其中之一，它顧名思義使用單耗來計算用電量的一種方法，該方法主要適合在部分農(nóng)業(yè)或者有單耗指標的工業(yè)電力負荷預測方面，在農(nóng)業(yè)和工業(yè)上來說它是最直接也是最有效的方法，該方法在實際操作的過程中必須要結合當?shù)氐膶嶋H情況，統(tǒng)籌的規(guī)劃單耗指標、整體規(guī)劃產(chǎn)值指標，這樣才能將之前一段時間的單位耗電量計算出來，再根據(jù)產(chǎn)業(yè)發(fā)展規(guī)律推測出單耗。該方法簡單、易操作，對于短期內(nèi)的負荷預測效果最佳，缺點是預測精度較差，并且整個預測過程需要耗費大量的人力和財力。

2.2 趨勢分析法

在我國，趨勢分析法是應用最廣泛的一種定量測量方法，在眾多的研究成果中它也是最多的一種。趨勢分析法又叫趨勢曲線分析法，是根據(jù)所收集的資料建立一條曲線，根據(jù)這條曲線的變化來觀測負荷的增長以及發(fā)展趨勢，然后根據(jù)曲線的走勢來預計以后某一個時間段的負荷值。在過程中選擇適合趨勢模型是很關鍵的一步，選擇時為了得到較好的預測結果，要注意在過程中建立的曲線要同擬合區(qū)間相一致，不能偏離。曲線模型的不同也會造成較大的誤差，關鍵是結合區(qū)域電網(wǎng)的發(fā)展情況，選擇合適的曲線模型。通常用的趨勢模型有線性趨勢模型、多項式趨勢模型、對數(shù)趨勢模型、冪函數(shù)趨勢模型、指數(shù)趨勢模型等等，這種本身是一種確定外推的方法，在處理歷史數(shù)據(jù)、擬合曲線，得到模擬曲線的過程，都是不考慮隨機誤差的。其使用的關鍵是要選擇合適的模型基于區(qū)域發(fā)展。

2.3 回歸分析法

回歸分析法在目前來看也是應用較為頻繁的一種方法，該方法主要是用來確定影響因素之間的關系或者是數(shù)值的一種方法，又稱統(tǒng)計法，它主要是利用某個地區(qū)用電量的歷史數(shù)據(jù)或資料對影響其變化的因素進行簡單的分析和統(tǒng)計，從而得出一系列的函數(shù)關系式，這樣就可以更有針對性的實施電力負荷預測，該方法是眾多方法中最為具體的一種預測方法，但是他也有一定的不足，其中在回歸分析中，選用的影響因子和因子的表達方式都是一種推測，因而回歸分析法受到一定的限制。

2.4 灰色系統(tǒng)法

灰色預測是一種包含了不確定因素的系統(tǒng)進行預測的方法。以灰色系統(tǒng)理論為基礎的灰色預測技術，可在數(shù)據(jù)不是很多的情況之下找出某個在一段時間內(nèi)有影響的變化，負荷預測模型的建立。灰色模型法比較適合短期的負荷預測。具有以下優(yōu)點：不需要龐大的負荷數(shù)據(jù)，運算簡單、并沒有考慮分布規(guī)律、短期預測精度較高、方便檢查、不考慮變化趨勢。同時也存在一定的缺點：①當數(shù)據(jù)呈離散的狀態(tài)，并且程度比較大，預測的精度也就相對差一些；②只適用近幾年的預測，對時間更長久的預測會出現(xiàn)比較大的誤差。

2.5 負荷密度法

負荷密度一般是以kW/km2表示。一般不直接預測整個城市的負荷密度，但根據(jù)城市區(qū)或功能分區(qū)。不同地區(qū)、不同功能的區(qū)域，負荷密度也是不相同的。

2.6 神經(jīng)網(wǎng)絡法

2.6.1 神經(jīng)網(wǎng)絡發(fā)的概念

人工神經(jīng)網(wǎng)絡（Artificial Neural Network），簡稱神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是由大量簡單的基本元件（神經(jīng)元）相互連接而成的自適應非線性動態(tài)系統(tǒng)。每個元件本身的結構簡易，功能也比較簡單，但由其構成的系統(tǒng)很復雜。神經(jīng)網(wǎng)絡能反映人類大腦的基本特征，但并非生物系統(tǒng)的逼真描述，不能還原人腦工作。與計算機相比較，人工神經(jīng)網(wǎng)絡在原理及功能方面都更加接近人腦。神經(jīng)網(wǎng)絡的優(yōu)點是能夠模擬人腦進行復雜的行為處理，對大量非精確性、非結構性的規(guī)律有自適應功能，自主學習，能夠知識推理和優(yōu)化計算的特點。若從速度角度出發(fā)，神經(jīng)元之間的信息傳遞速度要遠低于計算機，但是由于大腦是大規(guī)模并行和串行組合系統(tǒng)。在許多問題的處理上，神經(jīng)網(wǎng)絡可以很快做出處理，其處理問題的速度遠高于計算機，提高工作速度。神經(jīng)網(wǎng)絡的發(fā)展與神經(jīng)學科、數(shù)學理論、認知科學、計算機理論、人工智能、信息科學、機器人、微電子理論、心理學、病理學、光學等息息相關，是一門應用廣泛的學科。

2.6.2 BP神經(jīng)網(wǎng)絡基本原理

誤差反傳神經(jīng)網(wǎng)絡是1986年由Rumelhart和McCelland等專家提出的，目前應用十分廣泛，BP神經(jīng)網(wǎng)絡是按照誤差反向傳播訓練的多層前饋網(wǎng)絡，具有有效性和適應性，主要應用于數(shù)據(jù)壓縮，函數(shù)逼近和迷失識別與分類等。BP神經(jīng)網(wǎng)絡的特點就是能夠?qū)W習存儲輸入和輸出的對應關系，不需要數(shù)學方程進行說明。它的學習規(guī)則是使用快速下降法，通過反向傳播調(diào)整網(wǎng)絡的權值和閥值，使網(wǎng)絡的誤差最小，精度高。BP神經(jīng)網(wǎng)絡模型拓撲結果包括輸入層（input layer）、輸出層（output layer）和隱含層（hidden layer，又稱為中間層）。BP神經(jīng)網(wǎng)絡中的連接方向是向前的，輸入到輸出沒有反饋，隱含層可以有一層或多層，每層由若干節(jié)點組成，每個連接都有權值相對應，通過權值的不斷修正，得到映射輸出。如圖1所示，只有一層隱含層的神經(jīng)網(wǎng)絡拓撲結構示意圖。

2.6.3 BP神經(jīng)網(wǎng)絡的學習過程

將BP算法加入網(wǎng)絡中，使輸入與輸出之間形成函數(shù)關系。BP網(wǎng)絡的學習算法，由四個過程組成：

①“順序傳播”：由輸入層經(jīng)由隱含層向輸出層方向傳播，意思就是輸入信號經(jīng)輸入層到到隱含層單元，按順序逐層處理，每層神經(jīng)元只響應上層神經(jīng)元的狀態(tài)；②“誤差反向傳播”：網(wǎng)絡理想輸出與實際之間的誤差信號，由輸出層經(jīng)中間層向輸入層反向傳播，進行修正；③“學習記憶”：由以上兩部分反復交替的學習訓練過程；④“收斂”：誤差信號按正向路徑進行反向傳播，直到全局誤差趨向極小值為止，過程結束。從理論上講，BP網(wǎng)絡是通過反復訓練，得到輸出。BP網(wǎng)絡特點是信號向前傳遞，而誤差反向傳播。記輸入層節(jié)點數(shù)n，輸出層節(jié)點數(shù)m，則網(wǎng)絡是從nR到mR的非線性結構。BP網(wǎng)絡在所選網(wǎng)絡的拓撲結構下，通過學習算法調(diào)整各神經(jīng)元的閥值和連接權值，使誤差最小。BP神經(jīng)網(wǎng)絡采用快速下降學習算法，通過誤差反傳進改變連接權值和閥值，使網(wǎng)絡的誤差最小，形成最優(yōu)解。

圖1 BP神經(jīng)網(wǎng)絡拓撲結構圖

3 神經(jīng)網(wǎng)絡在負荷預測中應用的實例分析

應用BP神經(jīng)網(wǎng)絡建立日負荷數(shù)據(jù)預測模型，以某地區(qū)10月10日-20日的日負荷數(shù)據(jù)作為歷史數(shù)據(jù)，時間間隔為15min，96個數(shù)據(jù)點。采用trainlm函數(shù)作為網(wǎng)絡訓練函數(shù)，隱含層激勵函數(shù)選取Sigmoid函數(shù)，學習速率a=0.01，訓練目標誤差0.001，學習訓練次數(shù)epoch設定為1000。BP神經(jīng)網(wǎng)絡訓練結果，如圖2。

學習速率決定訓練中權值變化。學習速率大可能導致系統(tǒng)不穩(wěn)定，可能使網(wǎng)絡每次修正值太大，甚至會導致出現(xiàn)極小值；而學習速率小可能導致訓練時間較長，收斂慢。通常選取小學習速率保證系統(tǒng)的穩(wěn)定性和可靠性，學習速率的選取范圍一般在0.01～0.8，所以本次實驗設定學習速率a為0.01。圖3是BP神經(jīng)網(wǎng)絡訓練1000次的訓練情況；圖4是BP神經(jīng)網(wǎng)絡算法預測值與實際值。

圖2 BP神經(jīng)網(wǎng)絡訓練結果

圖3 BP神經(jīng)網(wǎng)絡預測誤差結果

圖4 BP神經(jīng)網(wǎng)絡預測結果

4 結束語

綜上所述，對于電力負荷的各個預測方法，可以說適用范圍及優(yōu)缺點都比較明顯，這就需要在進行使用時充分結合區(qū)域?qū)嶋H，從預測花費、目標及精確度等方面綜合選擇合適方法。預測過程根據(jù)實際評估預測準確性，以便及時調(diào)整預測方法，提高精確度。

[1]鄒宗憲，施 海．準確把握電力市場方向切實做好電力負荷預測[J]．電力勘測設計，2011（2）．

[2]鄭星炯.城市規(guī)劃電力負荷計算與預測方法探討[J].中國高新技術企業(yè)，2012（30）．

TM715

A

1004-7344（2016）33-0090-02

2016-10-18

周金龍（1988-），男，助理工程師，本科，主要從事電力調(diào)度等相關工作。