邢魯華，付兆遠(yuǎn)，施 雨

（1.國網(wǎng)山東省電力公司電力科學(xué)研究院，濟(jì)南 250003；2.國網(wǎng)山東省電力公司濟(jì)南供電公司，濟(jì)南 250012）

電力系統(tǒng)中長期負(fù)荷預(yù)測方法發(fā)展探討

邢魯華1，付兆遠(yuǎn)2，施 雨2

（1.國網(wǎng)山東省電力公司電力科學(xué)研究院，濟(jì)南 250003；2.國網(wǎng)山東省電力公司濟(jì)南供電公司，濟(jì)南 250012）

中長期電力負(fù)荷預(yù)測的主要工作是預(yù)測未來幾月、幾年甚至更長時間段內(nèi)的電力負(fù)荷的時間和空間分布，對于制定電力系統(tǒng)發(fā)展規(guī)劃及燃料計劃等具有重要指導(dǎo)作用。為充分利用現(xiàn)有研究成果，分析了中長期負(fù)荷預(yù)測的特點和現(xiàn)有成熟方法，分類討論了各中長期負(fù)荷預(yù)測方法的適用條件和存在的問題。重點討論了將主動配電網(wǎng)、電力大數(shù)據(jù)與云計算、空間電力負(fù)荷預(yù)測、數(shù)據(jù)預(yù)處理、預(yù)測誤差評估和概率性負(fù)荷預(yù)測等納入未來的中長期負(fù)荷預(yù)測方法研究體系中的必要性和重要意義，探討了中長期負(fù)荷預(yù)測方法未來的研究重點及方向。

電力系統(tǒng)；中長期負(fù)荷預(yù)測；主動配電網(wǎng)；大數(shù)據(jù)；概率性負(fù)荷預(yù)測

0 引言

負(fù)荷預(yù)測是根據(jù)負(fù)荷的歷史數(shù)據(jù)及其相關(guān)影響因素，使用一定的預(yù)測模型和方法，以未來經(jīng)濟(jì)形勢、社會發(fā)展、氣候條件、氣象因素等預(yù)測結(jié)果為依據(jù)，估計未來某時段的負(fù)荷數(shù)值的過程。其主要工作是預(yù)測未來電力負(fù)荷的時間和空間分布［1］。就負(fù)荷預(yù)測內(nèi)容而言，首先應(yīng)該區(qū)分總量預(yù)測和空間分布預(yù)測［2］?？偭控?fù)荷預(yù)測包括對未來的電力需求量（功率）的預(yù)測、對未來用電量（能量）的預(yù)測以及負(fù)荷曲線的預(yù)測。本文主要討論中長期負(fù)荷預(yù)測的總量預(yù)測方法。

負(fù)荷預(yù)測關(guān)注的是每小時、每日、每周和年度的系統(tǒng)需求和峰值需求的預(yù)測。這種預(yù)測一般分為短期、中期和長期預(yù)測，取決于時間范圍。長期負(fù)荷預(yù)測，通常對應(yīng)的預(yù)測范圍為提前幾個月到幾年，是安排新發(fā)電設(shè)施建設(shè)和輸配電系統(tǒng)發(fā)展的不可或缺的過程［3］。

不同于國外關(guān)于短期負(fù)荷預(yù)測的研究較多，國內(nèi)基本上短期預(yù)測和中長期預(yù)測兩者并重［2］。由于對于電力系統(tǒng)控制、機(jī)組組合、經(jīng)濟(jì)調(diào)度和電力市場的重要性，短期負(fù)荷預(yù)測吸引了大量的關(guān)注。中期和長期的預(yù)測并沒有得到那么多的關(guān)注，盡管它們對于系統(tǒng)規(guī)劃和預(yù)算分配具有價值［3］，給出在電力公司應(yīng)用實例的文獻(xiàn)更少［4］。

由于中長期負(fù)荷預(yù)測受到多種復(fù)雜因素的交互影響，例如政治、經(jīng)濟(jì)、氣候等，而且時間跨度較長，預(yù)測精度始終不理想［5-7］。對長期電力需求的高估將導(dǎo)致多余的電力設(shè)施建設(shè)投資的大量浪費(fèi)，不利于社會經(jīng)濟(jì)綠色低碳發(fā)展，而需求的低估將導(dǎo)致生產(chǎn)不足和需求未滿足，限制國民經(jīng)濟(jì)發(fā)展［3］。Hobbs的報告指出：通過負(fù)荷預(yù)測算法，把電力負(fù)荷預(yù)測的平均絕對百分誤差降低1.5%，每年可提高收益760萬USD［8］。電網(wǎng)規(guī)劃部門應(yīng)該充分認(rèn)識中長期負(fù)荷預(yù)測的重要性及其指導(dǎo)意義。做到既不高估也不低估，實現(xiàn)電網(wǎng)的合理綠色發(fā)展，進(jìn)而恰到好處地支撐社會經(jīng)濟(jì)發(fā)展。本文對現(xiàn)有中長期負(fù)荷預(yù)測方法進(jìn)行了總結(jié)分類，舉例了典型方法，進(jìn)一步探討了中長期負(fù)荷預(yù)測方法未來的研究重點及方向。

1 中長期負(fù)荷預(yù)測方法分類

中長期負(fù)荷預(yù)測的方法可分為經(jīng)驗預(yù)測法和數(shù)學(xué)模型計算法。經(jīng)驗預(yù)測法是指依靠專家或?qū)＜医M的判斷進(jìn)行負(fù)荷預(yù)測，不包括數(shù)量模型［9］。

根據(jù)使用數(shù)據(jù)不同，數(shù)學(xué)模型法主要分為自身規(guī)律外推法和相關(guān)分析法。兩種方法的差別在于，自身規(guī)律外推法僅以負(fù)荷自身的歷史數(shù)據(jù)為預(yù)測基礎(chǔ)，而相關(guān)分析法將負(fù)荷與各種社會經(jīng)濟(jì)因素聯(lián)合起來考慮［1，10］。

按數(shù)學(xué)模型是否需要進(jìn)行參數(shù)計算，數(shù)學(xué)模型法主要可分為參數(shù)模型和非參數(shù)模型。參數(shù)模型方法能反映負(fù)荷變化的規(guī)律性，但缺乏對負(fù)荷中隨機(jī)變化分量部分的處理。近年來，非參數(shù)模型逐漸得到應(yīng)用［5］，但其物理意義不清晰，較難對模型本身進(jìn)行分析和調(diào)整［11］。表1為負(fù)荷預(yù)測方法的簡單分類。

表1 中長期負(fù)荷預(yù)測方法分類

出于模型可用性和計算快捷性的考慮，以上各單一預(yù)測方法會忽略一些因素的影響，而著重考慮負(fù)荷的某一個或是幾個變化規(guī)律或特點，因而都有其不足之處。對于多變量、非確定性的中長期負(fù)荷預(yù)測，使用單一定性預(yù)測或定量預(yù)測的方法顯然不夠。如何將各種方法合理地結(jié)合起來，實現(xiàn)優(yōu)勢互補(bǔ)，進(jìn)一步提高負(fù)荷預(yù)測的精度已成為研究重點［5］。在這種情況下，組合預(yù)測成為共識。

2 自身規(guī)律外推類方法

對常用的、能夠體現(xiàn)自身規(guī)律外推法特點的典型方法進(jìn)行舉例說明。

2.1 增長型曲線外推法

增長型曲線外推法運(yùn)用函數(shù)曲線擬合預(yù)測對象的歷史統(tǒng)計數(shù)據(jù)，建立預(yù)測模型，并外推進(jìn)行預(yù)測［1］。主要使用的函數(shù)曲線包括多項式曲線、簡單指數(shù)曲線、修正指數(shù)曲線，其模型分別如式（1）～（3）所示。

多項式曲線的一般模型為

式中：a0，a1，…，am為模型參數(shù)；t為自變量（一般為時間變量）；為預(yù)測值或擬合值。

簡單指數(shù)曲線的模型為

修正指數(shù)曲線的模型為

式中：k為飽和值或極限值。

增長型曲線存在模型識別問題，即選擇哪一種模型最合適。一般通過時間序列數(shù)值的預(yù)分析計算和圖表識別趨勢分析實現(xiàn)。曲線外推適用的兩個條件為：預(yù)測對象的發(fā)展屬于漸進(jìn)變化，過程中沒有跳躍；影響預(yù)測對象變化的主要因素沒有發(fā)生較大變化［1］。增長型曲線外推法一般用于預(yù)測期數(shù)較少的預(yù)測，過長則效果不佳。

2.2 灰色系統(tǒng)預(yù)測法

灰色系統(tǒng)理論是由鄧聚龍教授首先提出的，該理論在預(yù)測領(lǐng)域中的作用非常重要?；疑到y(tǒng)的重要特征是系統(tǒng)的因素不確定或因素之間不具有確定的關(guān)系。灰色系統(tǒng)理論對原始數(shù)據(jù)加以處理，將雜亂無章的原始數(shù)據(jù)轉(zhuǎn)變?yōu)橐?guī)律性較強(qiáng)的生成數(shù)據(jù)，并建立生成數(shù)據(jù)的動態(tài)模型，從而進(jìn)行分析預(yù)測［1，12］。

電力負(fù)荷系統(tǒng)是典型的灰色系統(tǒng)?；疑碚撃Ｐ退铇颖緮?shù)少、預(yù)測精確、計算快捷、可驗性強(qiáng)，適用于電力負(fù)荷預(yù)測。但灰色模型的預(yù)測精度受使用數(shù)據(jù)的影響，灰度隨數(shù)據(jù)離散程度的增大而增大，預(yù)測偏差也增大。

灰色系統(tǒng)理論用于預(yù)測主要使用灰色模型（Grey Model，GM），一般表達(dá)為GM（m，n），表示對n個變量建立m階微分方程。電力系統(tǒng)中長期負(fù)荷預(yù)測常用最簡單的灰色時間序列模型GM（1，1）［1］。

近年來，針對GM（1，1）模型的缺陷和不足之處提出了很多改進(jìn)，改進(jìn)方法主要從模型參數(shù)估計方法、模型背景值構(gòu)造方法、模型計算初始條件3方面出發(fā)［13］。

文獻(xiàn)［13］提出了一種基于雙向差分計算的GM（1，1）建模方法，采用向前差分與向后差分建模的擬合誤差平方和最小的原則進(jìn)行參數(shù)估計，并利用擬合值和原始值誤差平方和最小的原則對預(yù)測模型的初始值進(jìn)行了優(yōu)化。文獻(xiàn)［14］提出變權(quán)緩沖灰色模型，將變權(quán)緩沖算子與背景值優(yōu)化灰色模型相結(jié)合，實現(xiàn)對原始負(fù)荷數(shù)據(jù)的動態(tài)預(yù)處理。針對傳統(tǒng)GM（1，1）模型對呈“S型”規(guī)律增長的負(fù)荷序列建模預(yù)測時誤差大的缺點，文獻(xiàn)［15］提出了灰色離散Verhulst模型，采用等維灰數(shù)遞補(bǔ)預(yù)測法對灰色離散Verhulst模型進(jìn)行改進(jìn)，文獻(xiàn)［16］提出了基于最小二乘支持向量機(jī)算法與等維新息技術(shù)的改進(jìn)灰色Verhulst模型，均使預(yù)測精度得到一定改進(jìn)。

2.3 對自身規(guī)律外推法的幾點說明

自身規(guī)律外推法的模型參數(shù)取決于歷史數(shù)據(jù)，無法反映未來的不同情況，也無法引入專家經(jīng)驗和意見，預(yù)測模型的自適應(yīng)性需要加強(qiáng)。另外此方法未能將影響負(fù)荷的多方面因素的綜合作用體現(xiàn)出來［11］?；疑A(yù)測理論和各種回歸分析模型是目前得到肯定和應(yīng)用較多的中長期負(fù)荷預(yù)測方法［2］。

3 相關(guān)分析法

對常用的、能夠體現(xiàn)相關(guān)分析法特點的典型方法進(jìn)行舉例說明。

3.1 各產(chǎn)業(yè)產(chǎn)值單耗法

各產(chǎn)業(yè)產(chǎn)值單耗法統(tǒng)計分析國民經(jīng)濟(jì)三大產(chǎn)業(yè)的單位產(chǎn)值耗電量歷史數(shù)據(jù)，結(jié)合規(guī)劃期經(jīng)濟(jì)社會發(fā)展情況，綜合確定規(guī)劃期各產(chǎn)業(yè)單位產(chǎn)值耗電量，基于經(jīng)濟(jì)社會發(fā)展規(guī)劃指標(biāo)，計算得到規(guī)劃期的電量需求預(yù)測值［1］。

最后得到各年的全行業(yè)用電量為

3.2 電力彈性系數(shù)法

電力彈性系數(shù)為一定時期內(nèi)電量的年平均增長率與國內(nèi)生產(chǎn)總值的年平均增長率的比率，計算式為

則未來第t期的預(yù)測電量為

式中：Wo為預(yù)測基準(zhǔn)年電量。

3.3 對相關(guān)分析法的幾點說明

相關(guān)分析法能夠反映各種社會經(jīng)濟(jì)因素在負(fù)荷預(yù)測中的作用，預(yù)測原理合理，在各電力公司得到了應(yīng)用推廣。但是這類方法一般需要的數(shù)據(jù)量較大，而且有些不易得到［10］。對統(tǒng)計數(shù)據(jù)依賴性強(qiáng)，相關(guān)數(shù)據(jù)的有效性對預(yù)測精度的影響大。相對于自身規(guī)律外推法，相關(guān)分析法的實施難度較大。

4 組合預(yù)測法

對于多變量、非確定性的中長期負(fù)荷預(yù)測，組合預(yù)測方法的優(yōu)點已逐漸顯現(xiàn)，很多文獻(xiàn)對此展開了研究。

文獻(xiàn)［5］選取灰色系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)作為待融合的基礎(chǔ)模型，采用證據(jù)理論融合基礎(chǔ)模型的預(yù)測結(jié)果，并考慮專家經(jīng)驗，提出了考慮專家經(jīng)驗的改進(jìn)D-S預(yù)測模型。文獻(xiàn)［10］對傳統(tǒng)的電力消費(fèi)彈性系數(shù)法進(jìn)行了改進(jìn)，結(jié)合灰色預(yù)測模型與二次滑動平均預(yù)測法，建立了新的綜合預(yù)測模型，并利用遺傳算法優(yōu)化各單一預(yù)測模型的權(quán)重。文獻(xiàn)［11］提出了一種基于計量經(jīng)濟(jì)學(xué)和系統(tǒng)動力學(xué)的組合預(yù)測方法。文獻(xiàn)［17］綜合了兩種非參數(shù)模型，提出了一種啟發(fā)式徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)中長期負(fù)荷預(yù)測模型。通過正交信號修正法處理相關(guān)的原始數(shù)據(jù)，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，并利用粗糙集理論修正預(yù)測結(jié)果。文獻(xiàn)［18］也提出了一種基于支持向量機(jī)和馬爾可夫鏈的組合負(fù)荷預(yù)測模型。文獻(xiàn)［19］提出了一個新的負(fù)荷預(yù)測程序，利用經(jīng)驗?zāi)B(tài)分解方法將時間序列分解為兩部分，分別描述能量消耗值的趨勢和局部振蕩，然后這兩部分被用于訓(xùn)練支持向量回歸模型。

組合預(yù)測存在兩個關(guān)鍵環(huán)節(jié)，一是確定要用到的單一預(yù)測模型，二是確定各單一預(yù)測模型在綜合預(yù)測結(jié)果中的權(quán)重［10］。單一模型的預(yù)測精度及其組合方式都會影響組合預(yù)測的精度［20］。組合方式有恒權(quán)重和變權(quán)重方式，其中，變權(quán)重組合的適應(yīng)性好，但同樣基于誤差理論，難以反映模型的預(yù)測有效性［21］。

文獻(xiàn)［22］提出基于兩個評價指標(biāo)來計算各單一預(yù)測模型的權(quán)重，指標(biāo)一是各單一模型預(yù)測值與實際負(fù)荷的誤差，指標(biāo)二是各預(yù)測值的年增長率與國內(nèi)生產(chǎn)總值年增長率的誤差?？陀^熵權(quán)法和主觀G1法被選用確定兩指標(biāo)的相對重要性，最后計算出各單一預(yù)測模型的權(quán)重，實現(xiàn)了變權(quán)重負(fù)荷預(yù)測。文獻(xiàn)［23］提出了基于誘導(dǎo)有序幾何加權(quán)平均算子和加權(quán)馬爾可夫鏈的新型組合預(yù)測模型。該模型根據(jù)各單項預(yù)測方法在各預(yù)測時間段的預(yù)測精度對其賦權(quán)，實現(xiàn)了權(quán)重與擬合精度在任一時點上的相關(guān)性。但是權(quán)重的確定仍基于歷史數(shù)據(jù)，在數(shù)據(jù)延續(xù)性較好時適用，數(shù)據(jù)突變時可能造成預(yù)測誤差較大。文獻(xiàn)［24］提出了3個指標(biāo)量，即指標(biāo)總量、指標(biāo)增長量和指標(biāo)增長率。利用層次分析模型優(yōu)選每個指標(biāo)量的最優(yōu)預(yù)測模型，然后利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)擬合3個最優(yōu)預(yù)測模型的預(yù)測結(jié)果。利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)算法替代權(quán)重計算。

5 中長期負(fù)荷預(yù)測方法發(fā)展

5.1 主動配電網(wǎng)

主動配電網(wǎng)（active distributed net，ADN）最早由2008年國際大電網(wǎng)會議配電與分布式發(fā)電專委會的C6.11項目組提出，是通過使用靈活的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)來管理潮流，以便對局部的分布式能源進(jìn)行主動控制和主動管理的配電系統(tǒng)［25］。

從是否受控角度出發(fā)，主動配電網(wǎng)中負(fù)荷可分為2類：友好負(fù)荷和非友好負(fù)荷。其中，友好負(fù)荷是完全受控負(fù)荷，可由電網(wǎng)調(diào)度和負(fù)荷引導(dǎo)機(jī)制進(jìn)行主動調(diào)節(jié)，也體現(xiàn)了主動配電網(wǎng)的需求側(cè)響應(yīng)特性［25］。這一負(fù)荷特點勢必影響電力系統(tǒng)中長期負(fù)荷預(yù)測的分析方法。未來中長期負(fù)荷預(yù)測技術(shù)應(yīng)將主動配電網(wǎng)的技術(shù)特征考慮進(jìn)去。

文獻(xiàn)［26］已經(jīng)在中長期負(fù)荷預(yù)測中考慮了主動需求，提出了一個基于灰色系統(tǒng)模型并考慮主動需求的負(fù)荷預(yù)測方法，其中負(fù)荷的季節(jié)性成分已經(jīng)過合適的預(yù)處理提取，主動需求被視為一個線性傳遞函數(shù)模型的外部輸入。電力系統(tǒng)中長期負(fù)荷預(yù)測還應(yīng)考慮電動汽車充換電的影響，目前已有文獻(xiàn)對此進(jìn)行了專門研究。文獻(xiàn)［27］提出了一種考慮時空分布的電動汽車充電負(fù)荷預(yù)測方法。采用蒙特卡洛模擬方法，仿真大規(guī)模電動汽車不同時間、不同空間的停放、駕駛以及充電行為，預(yù)測電動汽車充電負(fù)荷的時空分布特性。

5.2 電力大數(shù)據(jù)與云計算的綜合應(yīng)用

2013年中國電機(jī)工程學(xué)會信息化專委會發(fā)布了《中國電力大數(shù)據(jù)發(fā)展白皮書》，對電力大數(shù)據(jù)的特征、未來的社會價值、在電力行業(yè)中的發(fā)展前景以及面臨的技術(shù)挑戰(zhàn)都進(jìn)行了說明。電力用戶側(cè)大數(shù)據(jù)的主要來源有智能電表、各類傳感器和智能家電［28］。

云計算是解決大數(shù)據(jù)管理的一種基礎(chǔ)平臺和支撐技術(shù)。目前大數(shù)據(jù)管理與處理的主流技術(shù)是開源Hadoop技術(shù)，憑借高可靠性和強(qiáng)大的可擴(kuò)展能力等優(yōu)點，該技術(shù)已被眾多互聯(lián)網(wǎng)公司使用。

目前，大數(shù)據(jù)和云計算技術(shù)在新能源接入、風(fēng)電機(jī)組安全狀態(tài)評估和電網(wǎng)災(zāi)難預(yù)警中得到了應(yīng)用，也將在電力系統(tǒng)負(fù)荷預(yù)測方面發(fā)揮作用。高準(zhǔn)確度的中長期負(fù)荷預(yù)測將是智能電網(wǎng)建設(shè)的重要組成部分。相關(guān)關(guān)系分析法在大數(shù)據(jù)處理和管理中也得到了重視［29］。在電力系統(tǒng)負(fù)荷特性統(tǒng)計指標(biāo)和氣溫日益積累大數(shù)據(jù)背景下，有效提取數(shù)據(jù)之間關(guān)聯(lián)特征對電力系統(tǒng)規(guī)劃和運(yùn)行具有重大意義［30］。大數(shù)據(jù)技術(shù)可促進(jìn)地球空間、天氣預(yù)報等技術(shù)在智能電網(wǎng)中的應(yīng)用，對提高負(fù)荷預(yù)測精確度具有積極意義［31］。

5.3 結(jié)合空間電力負(fù)荷預(yù)測方法

空間電力負(fù)荷預(yù)測是指對供電區(qū)域內(nèi)未來電力負(fù)荷的大小和位置的預(yù)測。傳統(tǒng)負(fù)荷預(yù)測方法只預(yù)測未來負(fù)荷的大小，并不關(guān)注其精確的位置分布。20世紀(jì)30年代中期，國外開始出現(xiàn)有關(guān)電力負(fù)荷分布的負(fù)荷預(yù)測，國內(nèi)關(guān)于空間電力負(fù)荷預(yù)測的研究起步相對較晚。電力系統(tǒng)的管理正逐步由粗放型向精益化轉(zhuǎn)變，只預(yù)測未來負(fù)荷的數(shù)值已不能滿足電力系統(tǒng)規(guī)劃的要求，所以對空間電力負(fù)荷預(yù)測的關(guān)注越來越多［32］。文獻(xiàn)［33］分析了元胞負(fù)荷中的異常數(shù)據(jù)，計算元胞負(fù)荷的概率譜曲線，并基于該曲線進(jìn)行限定和約束，得到適合空間負(fù)荷預(yù)測使用的元胞負(fù)荷最大值。

在一個覆蓋大面積區(qū)域的電力系統(tǒng)中，整個地區(qū)的單一負(fù)荷預(yù)測模型有時無法保證滿意的負(fù)荷預(yù)測精度。一個主要原因是由整個地區(qū)的氣候多樣性導(dǎo)致的負(fù)荷多樣性［34］。總量負(fù)荷預(yù)測與空間電力負(fù)荷預(yù)測的結(jié)合是一種可行且有效的可為大面積電力系統(tǒng)提供精確負(fù)荷預(yù)測結(jié)果的解決方案。但總量負(fù)荷預(yù)測仍是空間電力負(fù)荷預(yù)測不能替代的，其對電力行業(yè)的長期發(fā)展規(guī)劃起著不可替代的指導(dǎo)作用。并且，在引入負(fù)荷同時率和多區(qū)域負(fù)荷預(yù)測思路后，空間電力負(fù)荷預(yù)測結(jié)果可向總量負(fù)荷預(yù)測轉(zhuǎn)化。

5.4 數(shù)據(jù)預(yù)處理

負(fù)荷歷史數(shù)據(jù)是進(jìn)行中長期負(fù)荷預(yù)測的基礎(chǔ)，數(shù)據(jù)預(yù)處理對于負(fù)荷預(yù)測精度影響較大。預(yù)測方法不同，歷史數(shù)據(jù)年限對預(yù)測結(jié)果的影響也不同，應(yīng)考慮方法特點選取歷史數(shù)據(jù)年限長度。一般來說，中長期負(fù)荷預(yù)測的歷史數(shù)據(jù)以5～10年為宜［2］。

在中長期負(fù)荷預(yù)測中，“近大遠(yuǎn)小”原則也常被提及，其含義是：物理量未來的變化趨勢更多地取決于歷史時段中近期的發(fā)展規(guī)律，遠(yuǎn)期的歷史數(shù)據(jù)與未來發(fā)展趨勢的相關(guān)性較弱。在中長期負(fù)荷預(yù)測中，“近大遠(yuǎn)小”原則比較容易實現(xiàn)，常用方法主要是加權(quán)參數(shù)估計［2］。

歷史數(shù)據(jù)異常及缺失將嚴(yán)重影響負(fù)荷預(yù)測模型的精度及有效性［35］。已有文獻(xiàn)關(guān)注如何正確識別不良數(shù)據(jù)和補(bǔ)足缺損數(shù)據(jù)［2］。許多學(xué)者也將注意力轉(zhuǎn)向了負(fù)荷預(yù)測基礎(chǔ)數(shù)據(jù)處理技術(shù)。文獻(xiàn)［35］提出了基于T2橢圓圖的異常數(shù)據(jù)識別方法，和基于最小二乘支持向量機(jī)的缺失數(shù)據(jù)填補(bǔ)方法。文獻(xiàn)［36］引入蒙特卡羅算法和區(qū)間算法處理中長期負(fù)荷預(yù)測中的數(shù)據(jù)不確定性問題，嚴(yán)格分析數(shù)據(jù)不確定性對預(yù)測結(jié)果的影響。文獻(xiàn)［37］提出了一種結(jié)合了改進(jìn)后的正交信號修正法與偏最小二乘法的中長期負(fù)荷預(yù)測模型，通過正交信號修正法消除自變量系統(tǒng)中與因變量無關(guān)的正交數(shù)據(jù)信息，增強(qiáng)自變量、因變量之間的相關(guān)性，有效提高了模型成分的解釋性。

5.5 預(yù)測誤差評估

負(fù)荷預(yù)測準(zhǔn)確性是對負(fù)荷預(yù)測結(jié)果與實際負(fù)荷偏離程度的事后衡量指標(biāo)。電力負(fù)荷預(yù)測方法的準(zhǔn)確性評估，是對其的客觀評價，分析預(yù)測誤差產(chǎn)生的原因并靈活調(diào)整選擇最優(yōu)預(yù)測方法，有利于提高負(fù)荷預(yù)測的準(zhǔn)確性。

目前，關(guān)于中長期負(fù)荷預(yù)測誤差評估技術(shù)和事后預(yù)測校驗預(yù)測精度的研究較少。對負(fù)荷預(yù)測準(zhǔn)確性的評價有預(yù)測誤差和預(yù)測準(zhǔn)確率兩種方法［38］。文獻(xiàn)［38］集中討論了負(fù)荷預(yù)測準(zhǔn)確性評估方法，對評價指標(biāo)進(jìn)行了綜合比較。負(fù)荷預(yù)測誤差評價是自適應(yīng)預(yù)測發(fā)展的基礎(chǔ)，能夠推動中長期電力負(fù)荷預(yù)測方法的改進(jìn)，應(yīng)當(dāng)予以重視。

5.6 概率性負(fù)荷預(yù)測

電力負(fù)荷預(yù)測根據(jù)電力負(fù)荷及其相關(guān)因素的歷史數(shù)據(jù)推測它的未來數(shù)值，具有不確定性、時間性、條件性和多方案性等特點［39］。負(fù)荷預(yù)測從本質(zhì)上說是一個隨機(jī)問題，但今天很多電力公司仍舊研究和應(yīng)用點式預(yù)測而不是概率性預(yù)測［4］。實現(xiàn)概率性的預(yù)測更符合負(fù)荷預(yù)測自身特點和客觀需求。

目前，概率化預(yù)測方法已被應(yīng)用到日負(fù)荷預(yù)測中［40］，在一個長期背景下，對于潛在峰值需求水平，規(guī)劃者應(yīng)采用概率的觀點。文獻(xiàn)［4］提出了一種準(zhǔn)確率高、防御性好的現(xiàn)代化概率性長期負(fù)荷預(yù)測方法，利用了每小時信息，現(xiàn)代化地處理了預(yù)測模型、氣象標(biāo)準(zhǔn)化和概率性負(fù)荷預(yù)測。文獻(xiàn)［39］提出了一種概率密度預(yù)測方法，基于RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸實現(xiàn)了對未來負(fù)荷完整概率分布的預(yù)測。文獻(xiàn)［41］提出了一種基于神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的中期電力負(fù)荷概率密度預(yù)測方法。針對溫度因素對中期電力負(fù)荷的影響，在現(xiàn)有的神經(jīng)網(wǎng)絡(luò)預(yù)測、區(qū)間預(yù)測和概率密度預(yù)測方法的基礎(chǔ)上，研究在不同分位點上溫度和歷史負(fù)荷對電力系統(tǒng)中期負(fù)荷分布規(guī)律的影響。文獻(xiàn)［3］提出了一個提前10年預(yù)測每年和每周峰值電力需求密度的全面方法。密度預(yù)測（提供未來可能需求值的全概率分布估計）比點式預(yù)測更有價值，對于電力企業(yè)評估和對沖由于需求變化和預(yù)測不確定性造成的財政風(fēng)險是必要的。

6 結(jié)語

對現(xiàn)有中長期負(fù)荷預(yù)測方法進(jìn)行了總結(jié)分類，舉例說明了自身規(guī)律外推法、相關(guān)分析法和組合預(yù)測的典型方法與特點，重點討論了在未來的中長期負(fù)荷預(yù)測中，應(yīng)將主動配電網(wǎng)、電力大數(shù)據(jù)與云計算、數(shù)據(jù)預(yù)處理、預(yù)測誤差評估和概率性負(fù)荷預(yù)測等納入負(fù)荷預(yù)測方法研究體系中，探討了中長期負(fù)荷預(yù)測方法未來的研究重點及方向，為廣大的電力系統(tǒng)規(guī)劃及負(fù)荷預(yù)測人員提供參考。

［1］賀輝.電力負(fù)荷預(yù)測和負(fù)荷管理［M］.北京：中國電力出版社，2013.

［2］康重慶，夏清，張伯明.電力系統(tǒng)負(fù)荷預(yù)測研究綜述與發(fā)展方向的探討［J］.電力系統(tǒng)自動化，2004，28（17）：1-11.

［3］HYNDMAN R J，F(xiàn)AN S.Density forecasting for long-term peak electricity demand［J］.IEEE Transactions on Power Systems，2010，25（2）：1 142-1 153.

［4］HONG T，WILSON J，XIE J.Long term probabilistic load forecasting and normalization with hourly information［J］.IEEE Transactions on Smart Grid，2014，5（1）：456-462.

［5］吳耀武，婁素華，盧斯煜，等.基于改進(jìn)的D-S證據(jù)理論的中長期負(fù)荷預(yù)測方法［J］.電工技術(shù)學(xué)報，2012，27（8）：157-162.

［6］錢衛(wèi)華，姚建剛，龍立波，等.基于短期相關(guān)性和負(fù)荷增長的中長期負(fù)荷預(yù)測［J］.電力系統(tǒng)自動化，2007，31（11）：59-64.

［7］李瑾，劉金朋，王建軍.采用支持向量機(jī)和模擬退火算法的中長期負(fù)荷預(yù)測方法［J］.中國電機(jī)工程學(xué)報，2011，31（16）：63-66.

［8］HOBBS B F，HELMAN U，JIPRAPAIKULSARN S，et al.Artificial neural networks for short-term energy forecasting：Accuracy and economic value［J］.Neurocomputing，1998，23（1）：71-84.

［9］葉宗斌，周步祥，林楠，等.基于等維新息指數(shù)平滑法模型的中長期負(fù)荷預(yù)測［J］.電力系統(tǒng)保護(hù)與控制，2012，40（18）：47-51.

［10］袁鐵江，袁建黨，晁勤，等.電力系統(tǒng)中長期負(fù)荷預(yù)測綜合模型研究［J］.電力系統(tǒng)保護(hù)與控制，2012，40（14）：143-146.

［11］譚忠富，張金良，吳良器，等.中長期負(fù)荷預(yù)測的計量經(jīng)濟(jì)學(xué)與系統(tǒng)動力學(xué)組合模型［J］.電網(wǎng)技術(shù)，2011，35（1）：186-190.

［12］劉思峰.灰色系統(tǒng)理論的產(chǎn)生、發(fā)展及前沿動態(tài)［J］.浙江萬里學(xué)院學(xué)報，2003，16（4）：14-17.

［13］李紅偉，毛文晉.基于雙向差分建模的優(yōu)化GM（1，1）模型及其在中長期電力負(fù)荷預(yù)測中的應(yīng)用［J］.電力系統(tǒng)保護(hù)與控制，2011，39（13）：53-58.

［14］王大鵬，汪秉文.基于變權(quán)緩沖灰色模型的中長期負(fù)荷預(yù)測［J］.電網(wǎng)技術(shù)，2013，37（1）：167-171.

［15］張成，滕歡，付婷.基于灰色離散Verhulst模型理論的電力中長期負(fù)荷預(yù)測研究［J］.電力系統(tǒng)保護(hù)與控制，2013，41（4）：45-49.

［16］周德強(qiáng).改進(jìn)的灰色Verhulst模型在中長期負(fù)荷預(yù)測中的應(yīng)用［J］.電網(wǎng)技術(shù)，2009，33（18）：124-127.

［17］夏非，范莉，蘇浩益.基于粗糙集理論和啟發(fā)式徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的中長期電力負(fù)荷預(yù)測模型［J］.電力系統(tǒng)保護(hù)與控制，2012，40（16）：21-26.

［18］陳劍勇，蘇浩益.結(jié)合支持向量機(jī)和馬爾可夫鏈算法的中長期電力負(fù)荷預(yù)測模型［J］.南方電網(wǎng)技術(shù)，2012，6（1）：54-58.

［19］GHELARDONI L，GHIO A，ANGUITA D.Energy load forecasting using empirical mode decomposition and support vector regression［J］.IEEE Transactions on Smart Grid，2013，4（1）：549-556.

［20］劉達(dá).基于誤差校正的中長期負(fù)荷預(yù)測模型［J］.電網(wǎng)技術(shù)，2012，36（8）：243-247.

［21］尹星露，肖先勇，孫曉璐.基于預(yù)測有效度和馬爾科夫-云模型的母線負(fù)荷預(yù)測模型篩選與變權(quán)重組合預(yù)測［J］.電力自動化設(shè)備，2015，35（3）：114-119.

［22］溫青，張筱慧，楊旭.基于負(fù)荷誤差和經(jīng)濟(jì)發(fā)展趨勢的組合預(yù)測模型在中長期負(fù)荷預(yù)測中的應(yīng)用［J］.電力系統(tǒng)保護(hù)與控制，2011，39（3）：57-61.

［23］毛李帆，姚建剛，金永順，等.中長期電力組合預(yù)測模型的理論研究［J］.中國電機(jī)工程學(xué)報，2010，30（16）：53-59.

［24］李春祥，牛東曉，孟麗敏.基于層次分析法和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的中長期負(fù)荷預(yù)測綜合模型［J］.電網(wǎng)技術(shù)，2009，33（2）：99-104.

［25］鐘清，孫聞，余南華，等.主動配電網(wǎng)規(guī)劃中的負(fù)荷預(yù)測與發(fā)電預(yù)測［J］.中國電機(jī)工程學(xué)報，2014，34（19）：3 050-3 056.

［26］GARULLI A，PAOLETTI S，VICINO A.Models and techniques for electric load forecasting in the presence of demand response［J］.IEEE Transactions on Control Systems Technology，2015，23（3）：1 087-1 097.

［27］張洪財，胡澤春，宋永華，等.考慮時空分布的電動汽車充電負(fù)荷預(yù)測方法［J］.電力系統(tǒng)自動化，2014，38（1）：13-20.

［28］王德文，孫志偉.電力用戶側(cè)大數(shù)據(jù)分析與并行負(fù)荷預(yù)測［J］.中國電機(jī)工程學(xué)報，2015，35（3）：527-537.

［29］彭小圣，鄧迪元，程時杰，等.面向智能電網(wǎng)應(yīng)用的電力大數(shù)據(jù)關(guān)鍵技術(shù)［J］.中國電機(jī)工程學(xué)報，2015，35（3）：503-511.

［30］馬瑞，周謝，彭舟，等.考慮氣溫因素的負(fù)荷特性統(tǒng)計指標(biāo)關(guān)聯(lián)特征數(shù)據(jù)挖掘［J］.中國電機(jī)工程學(xué)報，2015，35（1）：43-51.

［31］張東霞，苗新，劉麗平，等.智能電網(wǎng)大數(shù)據(jù)技術(shù)發(fā)展研究［J］.中國電機(jī)工程學(xué)報，2015，35（1）：2-12.

［32］肖白，周潮，穆鋼.空間電力負(fù)荷預(yù)測方法綜述與展望［J］.中國電機(jī)工程學(xué)報，2013，33（25）：78-92.

［33］肖白，徐瀟，穆鋼，等.空間負(fù)荷預(yù)測中確定元胞負(fù)荷最大值的概率譜方法［J］.電力系統(tǒng)自動化，2014，38（21）：47-52.

［34］FAN Shu，METHAPRAYOON K，LEE W J.Multiregion load forecasting for system with large geographical area［J］.IEEE Transactions on Industry Applications，2009，45（4）：1 452-1459.

［35］毛李帆，姚建剛，金永順，等.中長期負(fù)荷預(yù)測的異常數(shù)據(jù)辨識與缺失數(shù)據(jù)處理［J］.電網(wǎng)技術(shù)，2010，34（7）：148-153.

［36］鄭志杰，李磊，趙蘭明.考慮數(shù)據(jù)不確定性的中長期電力負(fù)荷預(yù)測［J］.電力系統(tǒng)保護(hù)與控制，2011，39（7）：123-132.

［37］毛李帆，江岳春，姚建剛，等.采用正交信號修正法與偏最小二乘回歸的中長期負(fù)荷預(yù)測［J］.中國電機(jī)工程學(xué)報，2009，29（16）：82-88.

［38］王干軍，徐衍會.負(fù)荷預(yù)測準(zhǔn)確性評估方法研究［J］.廣東電力，2012，25（11）：39-42.

［39］何耀耀，許啟發(fā)，楊善林，等.基于RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的電力負(fù)荷概率密度預(yù)測方法［J］.中國電機(jī)工程學(xué)報，2013，33（1）：93-98.

［40］陳新宇，康重慶，陳敏杰.極值負(fù)荷及其出現(xiàn)時刻的概率化預(yù)測［J］.中國電機(jī)工程學(xué)報，2011，31（22）：64-72.

［41］何耀耀，聞才喜，許啟發(fā)，等.考慮溫度因素的中期電力負(fù)荷概率密度預(yù)測方法［J］.電網(wǎng)技術(shù)，2015，39（1）：176-181.

Discussion on Development of Mid-long-term Load Forecasting Method of Power System

XING Luhua1，F(xiàn)U Zhaoyuan2，SHI Yu2
（1.State Grid Shandong Electric Power Research Institute，Jinan 250003，China；2.State Grid Jinan Power Supply Company，Jinan 250012，China）

The main task of mid-long-term load forecasting is to forecast the temporal and spatial distribution of power load for the next few months，years or even longer period.It plays an important role in guiding development plan and fuel plan of an electric power system.In order to make full use of existed research findings，characteristics of mid-long-term load forecasting and ever presented forecasting methods are analyzed，and applicable conditions and problems of these existed mid-long-term load forecasting methods are discussed.The necessity and importance of integrating the active distribution network，big data of electric power，cloud calculation，spatial load forecasting，data preprocessing，forecasting error evaluation and probabilistic load forecasting into the future research system of mid-long-term load forecasting are analyzed.Finally the emphasis and direction of mid-long-term load forecasting methods research in future are discussed.

power system；mid-long-term load forecasting；active distributed net；big data；probabilistic load forecasting

TM71

A

1007－9904（2017）01－0013－06

2016-07-23

邢魯華（1986），女，工程師，主要從事電力系統(tǒng)運(yùn)行與規(guī)劃等方向的研究工作。