白曉昆

【摘 要】 電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)是指提前一天至一周的負(fù)荷預(yù)測(cè)，是EMS系統(tǒng)的重要組成部分，其預(yù)測(cè)精度直接影響到電網(wǎng)及各發(fā)電廠的經(jīng)濟(jì)效益。電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是制定電網(wǎng)調(diào)度計(jì)劃、削峰填谷、實(shí)現(xiàn)需求側(cè)響應(yīng)的重要基礎(chǔ)。本文對(duì)現(xiàn)階段電網(wǎng)負(fù)荷預(yù)測(cè)方法和研究現(xiàn)狀進(jìn)行了梳理和總結(jié)，并提出了相關(guān)結(jié)論，展望了未來(lái)的研究方向。

【關(guān)鍵詞】 電力系統(tǒng) 負(fù)荷預(yù)測(cè) 負(fù)荷研究

1 基本概念

電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)是指提前一天至一周的負(fù)荷預(yù)測(cè)，短期負(fù)荷受日期類(lèi)型、天氣因素特殊事件等許多外界因素的影響，其變化既具有周期性，又存在隨機(jī)性，要準(zhǔn)確預(yù)測(cè)十分困難。負(fù)荷預(yù)測(cè)研究已有五十多年歷史，從傳統(tǒng)經(jīng)典的回歸法[1]、指數(shù)平滑法[2]、時(shí)間序列分析法[3]、狀態(tài)空間法到現(xiàn)代隨著人工智能技術(shù)出現(xiàn)的專(zhuān)家系統(tǒng)[4]、進(jìn)化算法人工神經(jīng)網(wǎng)絡(luò)[5]、模糊集理論[6]、灰色系統(tǒng)理論[7]、混沌理論、小波分析等方法。每種方法在進(jìn)行負(fù)荷預(yù)測(cè)時(shí)，都有各自的優(yōu)缺點(diǎn)，到目前為止，還沒(méi)有哪一種方法能對(duì)負(fù)荷進(jìn)行很好的預(yù)測(cè)。

2 國(guó)內(nèi)外研究現(xiàn)狀

SVM比神經(jīng)網(wǎng)絡(luò)法具有更高的預(yù)測(cè)精度和魯棒性，并且SVM的訓(xùn)練等價(jià)于解決一個(gè)線性約束的二次規(guī)劃問(wèn)題，因而SVM 模型的解是唯一的、最優(yōu)的。對(duì)基于高斯核函數(shù)的支持向量機(jī)進(jìn)行了分析，在對(duì)數(shù)據(jù)進(jìn)行預(yù)處理的基礎(chǔ)上，給出了學(xué)習(xí)參數(shù)的確定方法，并提出了高斯核函數(shù)參數(shù)的交替優(yōu)化算法。結(jié)合粗糙集理論和遺傳算法的最小二乘支持向量機(jī)短期負(fù)荷預(yù)測(cè)模型和算法，該算法采用RS理論進(jìn)行歷史數(shù)據(jù)的預(yù)處理，并采用GA來(lái)確定與負(fù)荷密切相關(guān)的因素以及對(duì)LS-SVM的模型參數(shù)進(jìn)行自適應(yīng)尋優(yōu)，解決了傳統(tǒng)LS-SVM對(duì)歷史數(shù)據(jù)的預(yù)處理及確定預(yù)測(cè)模型參數(shù)的問(wèn)題。短期負(fù)荷最優(yōu)組合預(yù)測(cè)方法根據(jù)各種預(yù)測(cè)方法在不同時(shí)刻預(yù)測(cè)精度的不同進(jìn)行有序賦權(quán)，從而綜合各個(gè)模型的優(yōu)點(diǎn)，降低預(yù)測(cè)結(jié)果對(duì)某一方法的依賴性，改善模型的擬合能力并得到更為準(zhǔn)確的結(jié)果。

3 常用方法介紹

3.1 時(shí)間序列

70年代初期，博克思（Box）和詹金斯（Jenkins）提出了一種時(shí)間序列預(yù)測(cè)方法，即ARIMA模型，其全稱(chēng)為差分自回歸移動(dòng)平均模型（Autoregressive Integrated Moving Average Model，簡(jiǎn)記ARIMA）。依據(jù)原序列平穩(wěn)與否及回歸中所含不同部分可將其分為移動(dòng)平均過(guò)程（MA）、自回歸過(guò)程（AR）、自回歸移動(dòng)平均過(guò)程（ARMA）和ARIMA過(guò)程。

3.2 灰色模型

灰色系統(tǒng)建模與傳統(tǒng)方法相比，其優(yōu)越性主要在于以下兩個(gè)方面。其中的一條是為保證精度要求，傳統(tǒng)方法需要較多的原始數(shù)據(jù)，而灰色系統(tǒng)建模沒(méi)有此項(xiàng)要求，其要求較之傳統(tǒng)方法寬泛了許多。第二條是灰色系統(tǒng)建模一般通過(guò)一定的方式對(duì)原始數(shù)據(jù)進(jìn)行處理，使原始數(shù)據(jù)變?yōu)橐唤M規(guī)律性較強(qiáng)的生成數(shù)據(jù)，從而離散數(shù)據(jù)變得更為光滑。一般的灰色模型即為GM（n，h），它表示形成了h個(gè)變量的n階微分方程，實(shí)際運(yùn)用最多的是GM（1，1）。

4 結(jié)語(yǔ)

近年來(lái)，隨著風(fēng)電、光伏等非線性電源的增加、負(fù)荷特性更加不規(guī)律，給精確的負(fù)荷預(yù)測(cè)帶來(lái)了一定難度。因此，需要進(jìn)一步研究適合波動(dòng)大、非線性強(qiáng)的負(fù)荷的預(yù)測(cè)方法。研究表明，組合預(yù)測(cè)方法能夠在長(zhǎng)期的預(yù)測(cè)過(guò)程中減少預(yù)測(cè)的失效、增加預(yù)測(cè)精度和穩(wěn)定度，因此，進(jìn)一步對(duì)組合預(yù)測(cè)的權(quán)重優(yōu)化進(jìn)行研究，是未來(lái)預(yù)測(cè)領(lǐng)域一個(gè)重要研究方向。

參考文獻(xiàn)：

[1]張林，羅曉初，等.基于時(shí)間序列的電力負(fù)荷預(yù)測(cè)新算法研究[J].電網(wǎng)技術(shù)，2006（30）：595-599.

[2]Rahman S，Bhatnagar R.An expert system based algorithm for short term load forecast[J].IEEE Transactions on Power System，1998（2）：392-399.

[3]Hippert H.S，Pedreira C.E，Castro R.Neural networks for short-term load forecasting：A review and evaluation. IEEE Transactions on Power System[J].2001（1）：44-55.

[4]廖峰，劉清良，等.基于改進(jìn)灰色模型與綜合氣象因素的母線負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù)，2011（11）：183-188.

[5]姚永剛，張亞華.基于混沌理論的電力短期負(fù)荷預(yù)測(cè)[J].華東電力，2007（5）：7-10.

[6]謝宏，魏江平，劉鶴立.短期負(fù)荷預(yù)測(cè)中支持向量機(jī)模型的參數(shù)選取和優(yōu)化方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2006（22）：17-22.

[7]耿艷，韓學(xué)山，韓力.基于最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù)，2009（18）：72-76.