劉建軍常州市供電公司

電力系統(tǒng)負(fù)荷預(yù)測(cè)綜述

劉建軍
常州市供電公司

劉建軍，男，工程師，四川大學(xué)電力系統(tǒng)及其自動(dòng)化專業(yè)，畢業(yè)后主要從事電網(wǎng)無(wú)功、電壓、電能質(zhì)量管理工作。

電力系統(tǒng)負(fù)荷預(yù)測(cè)對(duì)于電力部門規(guī)劃未來幾年的工作任務(wù)、合理部署人力物力資源、經(jīng)濟(jì)合理地管理電力系統(tǒng)，具有極為重要的意義。本文首先介紹了電力系統(tǒng)負(fù)荷預(yù)測(cè)的特點(diǎn)及其發(fā)展現(xiàn)狀，然后根據(jù)負(fù)荷預(yù)測(cè)領(lǐng)域目前常用的六種預(yù)測(cè)模型，對(duì)其優(yōu)缺點(diǎn)進(jìn)行了簡(jiǎn)要分析并介紹了適用條件。最后，針對(duì)目前負(fù)荷預(yù)測(cè)領(lǐng)域中常見的幾種問題提出了一些建議。

電力系統(tǒng)負(fù)荷預(yù)測(cè)是以電力部門歷史負(fù)荷數(shù)據(jù)為支撐，結(jié)合不同的計(jì)算方法，用以預(yù)測(cè)未來時(shí)段負(fù)荷值或電量值的理論。電力系統(tǒng)負(fù)荷預(yù)測(cè)對(duì)于電力部門合理有效地安排下一階段的工作任務(wù)，具有極為重要的意義。

日前，中國(guó)電力企業(yè)聯(lián)合會(huì)發(fā)布了《2016年度全國(guó)電力供需形勢(shì)分析預(yù)測(cè)報(bào)告》。報(bào)告中指出，在2016年，我國(guó)的宏觀經(jīng)濟(jì)增長(zhǎng)速度將表現(xiàn)出平穩(wěn)增長(zhǎng)、略有下降的態(tài)勢(shì)?？傮w來看，我國(guó)仍處于電力供需相互持平的穩(wěn)定局面，但也存在用電高峰時(shí)期供電不足的問題。為了緩解用電高峰時(shí)期給電網(wǎng)帶來的壓力，合理準(zhǔn)確的負(fù)荷預(yù)測(cè)方法顯得尤為重要。

負(fù)荷預(yù)測(cè)的特點(diǎn)及現(xiàn)狀

負(fù)荷預(yù)測(cè)的特點(diǎn)

電力系統(tǒng)負(fù)荷預(yù)測(cè)，是根據(jù)電力系統(tǒng)的歷史負(fù)荷數(shù)據(jù)，對(duì)未來時(shí)段或未來狀態(tài)下的電力負(fù)荷進(jìn)行推算，所以，負(fù)荷預(yù)測(cè)的研究對(duì)象是不肯定事件。對(duì)不肯定事件或者隨機(jī)事件的研究，推動(dòng)著負(fù)荷預(yù)測(cè)技術(shù)的發(fā)展，使“不肯定”達(dá)到“可能”的狀態(tài)，便使得負(fù)荷預(yù)測(cè)具有條件性、不準(zhǔn)確性、時(shí)間性與多方案性的特點(diǎn)。

負(fù)荷預(yù)測(cè)的現(xiàn)狀

電力系統(tǒng)負(fù)荷預(yù)測(cè)是電網(wǎng)部門的重要工作內(nèi)容之一。而負(fù)荷預(yù)測(cè)的核心問題，則是預(yù)測(cè)方法的問題。隨著負(fù)荷預(yù)測(cè)領(lǐng)域的發(fā)展，越來越多的算法陸續(xù)應(yīng)用到負(fù)荷領(lǐng)域之中，使得負(fù)荷預(yù)測(cè)的適用性更強(qiáng)并且預(yù)測(cè)精度更高，并且一些具有多功能的負(fù)荷預(yù)測(cè)軟件包，也已由國(guó)內(nèi)專家研發(fā)而出。

華北電力大學(xué)的牛東曉教授等人，根據(jù)多年的負(fù)荷預(yù)測(cè)研究與應(yīng)用經(jīng)驗(yàn)，已經(jīng)研發(fā)出多種極具實(shí)用性的軟件包。該軟件包涵蓋了短期、中期、長(zhǎng)期負(fù)荷預(yù)測(cè)的各個(gè)方面，已達(dá)到國(guó)際領(lǐng)先水平，并且也已在全國(guó)各電力行業(yè)廣泛應(yīng)用。

負(fù)荷預(yù)測(cè)的常用模型及適用范圍

負(fù)荷預(yù)測(cè)模型

1.回歸分析模型

回歸分析法是利用統(tǒng)計(jì)學(xué)原理，對(duì)電力系統(tǒng)中統(tǒng)計(jì)到的大量負(fù)荷數(shù)據(jù)進(jìn)行數(shù)學(xué)處理的一種方法。在回歸分析模型中，一般以時(shí)間、國(guó)民經(jīng)濟(jì)、人口數(shù)等為自變量，以電量或負(fù)荷值為因變量，通過回歸分析算法計(jì)算得到預(yù)測(cè)方程，輔之以外推法，進(jìn)而對(duì)未來一段時(shí)間或某一狀態(tài)進(jìn)行負(fù)荷預(yù)測(cè)。

根據(jù)自變量數(shù)目的不同，回歸分析模型可以分為一元回歸分析模型和多元回歸分析模型；根據(jù)歷史數(shù)據(jù)的整體趨勢(shì)，回歸分析模型又可以分為線性回歸分析模型和非線性回歸分析模型。如果再將上述兩類模型進(jìn)行重新組合，又可生成一元非線性指數(shù)增長(zhǎng)模型、多元線性回歸分析模型等多種回歸分析模型。

2.隨機(jī)時(shí)間序列預(yù)測(cè)模型

隨機(jī)時(shí)間序列預(yù)測(cè)模型是一種應(yīng)用較早并且普及面較廣的預(yù)測(cè)模型。在一般的預(yù)測(cè)模型中，因變量通常為可控變量，而自變量為隨機(jī)變量。但是在隨機(jī)時(shí)間序列預(yù)測(cè)模型中，因變量和自變量均可以為隨機(jī)變量（如將負(fù)荷自身的過去時(shí)值作為模型的自變量等情況）。當(dāng)然，隨機(jī)時(shí)間序列預(yù)測(cè)模型在實(shí)際應(yīng)用中，也多以時(shí)、日、周、季等為自變量，根據(jù)歷史負(fù)荷數(shù)據(jù)的特點(diǎn)，以負(fù)荷值或電量值為因變量構(gòu)建預(yù)測(cè)模型，進(jìn)而實(shí)現(xiàn)對(duì)未來時(shí)段的負(fù)荷預(yù)測(cè)。

隨機(jī)時(shí)間序列法在預(yù)測(cè)過程中，雖然其在某一時(shí)刻對(duì)應(yīng)的預(yù)測(cè)值是隨機(jī)的，但從整體趨勢(shì)上看，卻表現(xiàn)出某種程度的隨機(jī)性，所以按照類型來分，一般可以分為平穩(wěn)時(shí)間序列和非平穩(wěn)時(shí)間序列。

3.人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)（ANN）預(yù)測(cè)技術(shù)作為近年來廣泛發(fā)展的技術(shù)，在負(fù)荷預(yù)測(cè)領(lǐng)域的應(yīng)用，有著極為突出的表現(xiàn)。神經(jīng)網(wǎng)絡(luò)技術(shù)的優(yōu)點(diǎn)在于其可以模仿人腦的處理過程，對(duì)大量非線性、不確定性規(guī)律表現(xiàn)出極強(qiáng)的自適應(yīng)性、記憶性特點(diǎn)，并且能夠自主學(xué)習(xí)、推理和優(yōu)化，具備其它系統(tǒng)所不具備的智能化特點(diǎn)。

隨著ANN技術(shù)的廣泛發(fā)展，反傳算法也逐漸被應(yīng)用于ANN技術(shù)中，并以此作時(shí)間序列的預(yù)測(cè)。其中的誤差反向傳播算法，提出了一種簡(jiǎn)單的三層神經(jīng)網(wǎng)絡(luò)模型，該模型可以實(shí)現(xiàn)輸入和輸出之間任何復(fù)雜的非線性映射關(guān)系，此即為廣為人知的BP神經(jīng)網(wǎng)絡(luò)模型。ANN技術(shù)的主要優(yōu)點(diǎn)在于其良好的函數(shù)逼近能力，可以更好地?cái)M合多復(fù)雜自變量和因變量之間的關(guān)系，再通過反向傳播算法，可以得到更為優(yōu)化的、更為精準(zhǔn)的預(yù)測(cè)模型。ANN技術(shù)相比于傳統(tǒng)的負(fù)荷預(yù)測(cè)方法，其具備無(wú)可比擬的適應(yīng)性和優(yōu)越性，但其訓(xùn)練過程需要的時(shí)間較長(zhǎng)，而且很有可能無(wú)法收斂，同時(shí)神經(jīng)網(wǎng)絡(luò)中隱含層數(shù)目、節(jié)點(diǎn)數(shù)等的選取都還沒有確定的理論，有待探索和完善。

4.灰色預(yù)測(cè)模型

灰色預(yù)測(cè)理論并非是統(tǒng)計(jì)學(xué)范疇的理論，其理論依據(jù)是灰色累加生成技術(shù)。灰色預(yù)測(cè)模型是將一切隨機(jī)變化量看作隸屬于某一范圍的灰色量，通過不斷的累加生成，得到一個(gè)在趨勢(shì)上近似指數(shù)規(guī)律的新序列，經(jīng)過常微分方程求解后，可以得到累加后的預(yù)測(cè)方程。最后根據(jù)累加生成的逆過程，即累減還原法，還原得到所需要的原序列預(yù)測(cè)模型。在眾多的灰色模型中，以GM（1，1）模型最為常用?；疑A(yù)測(cè)模型相比于其它預(yù)測(cè)模型，具有對(duì)樣本量要求少、對(duì)歷史數(shù)據(jù)無(wú)要求、計(jì)算速度快等優(yōu)點(diǎn)。其適應(yīng)于小樣本的特點(diǎn)，使得灰色預(yù)測(cè)技術(shù)在中長(zhǎng)期負(fù)荷預(yù)測(cè)中廣泛使用。

理論上，灰色預(yù)測(cè)模型對(duì)歷史負(fù)荷數(shù)據(jù)的趨勢(shì)沒有要求，可以廣泛適應(yīng)于各種歷史數(shù)據(jù)。但由于其本身就是在累加生成和常微分方程的基礎(chǔ)上求解得出，所以當(dāng)歷史數(shù)據(jù)本身表現(xiàn)出增長(zhǎng)趨勢(shì)時(shí)，其預(yù)測(cè)精度將大大提高；當(dāng)歷史數(shù)據(jù)的趨勢(shì)波動(dòng)較大，具備離散特性時(shí)，會(huì)使系統(tǒng)白化程度加大，從而降低預(yù)測(cè)精度。

5.小波分析預(yù)測(cè)模型

小波分析法是一種時(shí)域-頻域分析法，它作為二十世紀(jì)世界研究成果的杰出代表，極大程度地吸取了現(xiàn)代分析學(xué)中的諸多精華，并廣泛應(yīng)用于各個(gè)領(lǐng)域。

在負(fù)荷預(yù)測(cè)中，小波分析法的主要用途是：通過選擇合適的小波，可以實(shí)現(xiàn)對(duì)不同性質(zhì)的負(fù)荷的分類。根據(jù)分類結(jié)果，從而可以更有針對(duì)性對(duì)某一負(fù)荷采用更為合適的預(yù)測(cè)方法。利用分解后各組數(shù)據(jù)表現(xiàn)出的較為明顯的周期性，此時(shí)再對(duì)分解后的序列分別進(jìn)行預(yù)測(cè)。最后通過預(yù)測(cè)序列的重構(gòu)，得到所需要的預(yù)測(cè)結(jié)果。但是在重構(gòu)過程中，由于累加特性，不可避免地伴隨著誤差地累加，所以也在一定程度上影響了小波分析法的預(yù)測(cè)精度，并且也使得模型建模更加復(fù)雜。

6.組合預(yù)測(cè)模型

由于眾多預(yù)測(cè)模型的存在，并且每個(gè)模型都有各自的突出優(yōu)點(diǎn)和適用性，所以，為了實(shí)現(xiàn)“揚(yáng)長(zhǎng)避短”的目標(biāo)，充分發(fā)揮每一個(gè)模型的優(yōu)勢(shì)，組合預(yù)測(cè)模型應(yīng)運(yùn)而生。組合預(yù)測(cè)模型是根據(jù)歷史數(shù)據(jù)的趨勢(shì)，選擇滿足精度要求的各單一模型分別預(yù)測(cè)，最后通過適當(dāng)?shù)臋?quán)重分配方法，為各預(yù)測(cè)模型分配權(quán)重，實(shí)現(xiàn)最終的組合預(yù)測(cè)。經(jīng)實(shí)踐證明，組合后的模型相比于各單一模型，在預(yù)測(cè)精度上均有不同程度的提高。

在組合預(yù)測(cè)過程中，灰色理論中灰色關(guān)聯(lián)度的概念，對(duì)于提高組合預(yù)測(cè)模型的精度具有重要影響。模型的選擇具有主觀性，這個(gè)主觀性將在很大程度上影響模型的最終預(yù)測(cè)精度，而灰色關(guān)聯(lián)度則是客觀的檢驗(yàn)標(biāo)準(zhǔn)。灰色關(guān)聯(lián)度作為衡量?jī)蓚€(gè)模型預(yù)測(cè)值貼近程度的概念，在負(fù)荷預(yù)測(cè)過程中，被廣泛應(yīng)用于模型的初步篩選工作。經(jīng)灰色關(guān)聯(lián)度初步篩選后，用滿足灰色關(guān)聯(lián)度的模型組合預(yù)測(cè)，輔之以適當(dāng)?shù)臋?quán)重分配方法，將實(shí)現(xiàn)最優(yōu)化預(yù)測(cè)的目標(biāo)。

各預(yù)測(cè)模型的適用范圍

通過以上六種模型的闡述可以看出，常用的負(fù)荷預(yù)測(cè)方法均有各自的優(yōu)點(diǎn)和不足，適用的場(chǎng)合也不盡相同，所以，預(yù)測(cè)模型的具體選取方法應(yīng)結(jié)合實(shí)際情況分類分析。

（1）從歷史數(shù)據(jù)趨勢(shì)看，當(dāng)負(fù)荷的歷史趨勢(shì)本身就表現(xiàn)出常見的函數(shù)特點(diǎn)時(shí)（如一元線性、指數(shù)增長(zhǎng)等），回歸分析法、趨勢(shì)外推法、灰色預(yù)測(cè)技術(shù)、組合預(yù)測(cè)模型都將很大程度上提高預(yù)測(cè)精度。

（2）從歷史數(shù)據(jù)的數(shù)量上看，當(dāng)歷史負(fù)荷數(shù)據(jù)數(shù)量較少，即小樣本情況下，灰色預(yù)測(cè)模型、回歸分析模型中較為簡(jiǎn)單的一元線性回歸分析模型、一次指數(shù)平滑和一次滑動(dòng)平均模型均可采用；當(dāng)歷史負(fù)荷數(shù)據(jù)數(shù)量較多，即大樣本情況下，神經(jīng)網(wǎng)絡(luò)模型、回歸分析模型均可采用。

（3）從預(yù)測(cè)時(shí)間長(zhǎng)短上看，當(dāng)預(yù)測(cè)目標(biāo)為短期預(yù)測(cè)、超短期預(yù)測(cè)時(shí)，神經(jīng)網(wǎng)絡(luò)模型、小波分析模型等較為適用；當(dāng)預(yù)測(cè)目標(biāo)為中長(zhǎng)期預(yù)測(cè)時(shí)，灰色預(yù)測(cè)模型、回歸分析模型、趨勢(shì)外推模型等則較為適用。

當(dāng)前負(fù)荷預(yù)測(cè)的問題和建議

當(dāng)前負(fù)荷預(yù)測(cè)的問題

當(dāng)前，負(fù)荷預(yù)測(cè)領(lǐng)域主要是以預(yù)測(cè)時(shí)間的長(zhǎng)短為分類標(biāo)準(zhǔn)，即分為短期負(fù)荷預(yù)測(cè)和中長(zhǎng)期負(fù)荷預(yù)測(cè)。對(duì)短期負(fù)荷預(yù)測(cè)而言，BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用極廣。但是BP神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用，不可避免地要面對(duì)隱含層數(shù)、節(jié)點(diǎn)數(shù)、訓(xùn)練次數(shù)等算法參數(shù)的設(shè)定。目前的設(shè)定方法多為嘗試法或經(jīng)驗(yàn)法，即通過多次嘗試或按照已經(jīng)具備高精度預(yù)測(cè)能力的模型的設(shè)定方法，來設(shè)定神經(jīng)網(wǎng)絡(luò)模型中的隱含層數(shù)及節(jié)點(diǎn)數(shù)。如此一來，便缺少一套具備客觀評(píng)價(jià)能力并且能被業(yè)界認(rèn)可的概念來彌補(bǔ)短期負(fù)荷預(yù)測(cè)過程中的不足。

對(duì)于中長(zhǎng)期負(fù)荷預(yù)測(cè)而言，各種單一模型經(jīng)灰色關(guān)聯(lián)度檢驗(yàn)并篩選后，選擇合適的權(quán)重分配方法，最終進(jìn)行組合預(yù)測(cè)，此為目前較為常用的負(fù)荷預(yù)測(cè)方法。但在組合預(yù)測(cè)過程中，歷史負(fù)荷數(shù)據(jù)的趨勢(shì)往往不能保持穩(wěn)定增長(zhǎng)，甚至逐漸出現(xiàn)穩(wěn)中有降的趨勢(shì)。這種趨勢(shì)的出現(xiàn)，讓現(xiàn)有負(fù)荷預(yù)測(cè)算法面臨考驗(yàn)。特別是近年來全國(guó)GDP走勢(shì)逐漸減緩，并且智能電網(wǎng)、主動(dòng)配網(wǎng)等工程也相繼推廣，分布式電源等的投運(yùn)也都對(duì)負(fù)荷的增長(zhǎng)趨勢(shì)產(chǎn)生了不同程度的影響，波動(dòng)型負(fù)荷曲線也將逐漸增多。

在此種情況下，即便有灰色關(guān)聯(lián)度等對(duì)模型進(jìn)行初步篩選的手段，往往也有可能出現(xiàn)某一單一模型的預(yù)測(cè)精度高于組合預(yù)測(cè)精度的情況。所以對(duì)于中長(zhǎng)期負(fù)荷預(yù)測(cè)的組合預(yù)測(cè)方法而言，尋找一套能夠適應(yīng)當(dāng)前負(fù)荷變化規(guī)律的模型篩選方法已成為當(dāng)務(wù)之急。

對(duì)現(xiàn)有問題的建議

對(duì)短期負(fù)荷預(yù)測(cè)而言，關(guān)于BP神經(jīng)網(wǎng)絡(luò)算法中的隱含層數(shù)、節(jié)點(diǎn)數(shù)、訓(xùn)練次數(shù)等問題，國(guó)內(nèi)外已有不少專家從事相關(guān)研究，文獻(xiàn)至文獻(xiàn)分別提出了不同的優(yōu)化方法，但近年來相關(guān)研究較少。筆者認(rèn)為，通過較為重大的國(guó)際學(xué)術(shù)會(huì)議，采取專家研討的方式，或許可以有助于該問題更好地解決。

對(duì)于中長(zhǎng)期負(fù)荷預(yù)測(cè)而言，文獻(xiàn)中提到了一種基于馬爾可夫鏈預(yù)測(cè)法篩選組合預(yù)測(cè)模型的方法。該方法從歷史負(fù)荷數(shù)據(jù)相鄰兩年的增長(zhǎng)率出發(fā)，為組合預(yù)測(cè)模型的篩選提供了新的思路。

結(jié)語(yǔ)

本文通過從當(dāng)前電力系統(tǒng)負(fù)荷預(yù)測(cè)的特點(diǎn)出發(fā)，闡述了負(fù)荷預(yù)測(cè)的現(xiàn)狀。根據(jù)負(fù)荷預(yù)測(cè)的不肯定性特點(diǎn)，介紹了負(fù)荷預(yù)測(cè)領(lǐng)域常用的六種預(yù)測(cè)模型，并對(duì)各模型的優(yōu)缺點(diǎn)做了簡(jiǎn)要分析。針對(duì)負(fù)荷預(yù)測(cè)過程中，不同情況下各模型適用性不同的特點(diǎn)，本文從三個(gè)角度描述了模型的選取方法。最后，針對(duì)當(dāng)前負(fù)荷預(yù)測(cè)過程中存在的問題，提出了相應(yīng)的解決辦法。

隨著近年來國(guó)民經(jīng)濟(jì)走勢(shì)趨于平緩化、分布式電源的逐漸普及以及主動(dòng)配網(wǎng)等試點(diǎn)工程的開展，負(fù)荷曲線波動(dòng)的問題將會(huì)逐漸暴露出來。相信這些新問題的出現(xiàn)，也將進(jìn)一步促進(jìn)負(fù)荷預(yù)測(cè)領(lǐng)域的發(fā)展。