電力系統超短期負荷預測技術的應用與發展

張 怡， 張 鋒

（1.浙江大學電氣工程學院，杭州 310027； 2.浙江電力職業技術學院，杭州 310015；3.浙江電力調度通信中心，杭州 310007）

負荷預測是電力系統經濟調度中的重要內容，是能量管理系統（EMS）的一個重要模塊[1]。負荷預測按其預測所取時間長度一般可分為長期、中期、短期和超短期負荷預測[2]，其中超短期負荷預測主要用于安全監視、預防性控制和緊急狀態處理，其預測精度對電網安全、發用電平衡及提高電網頻率合格率有著舉足輕重的作用。

1 超短期負荷預測的特點及方法

超短期負荷預測是指預測未來1 h內負荷的變化，主要用于AGC調頻、超短期機組出力控制、安全監視、指導調度員控制聯絡線交換功率在規定范圍、預防控制和緊急狀態處理、電力市場小時交易計劃軟件編制。超短期負荷預測具有預測時間短、預測速度快以及預測精度要求高等特點。到目前為止，國內外學者在電力系統負荷預測方面作了大量的工作，研究出了許多負荷預測方法。總體來說，超短期負荷預測的發展大致經歷了3個階段：傳統預測方法階段、現代預測方法階段和綜合預測方法應用研究階段。

2 傳統預測方法

2.1 線性外推法[3]

線性外推法是對過去一段時間內具有隨機特性的負荷用線性曲線或二次曲線等擬合出負荷變化曲線，使得這條曲線能夠反映負荷本身的變化趨勢，然后根據這條擬合曲線，對未來某一點外推估計出預測結果。該方法能較好預測變化比較平坦的負荷曲線，但對負荷曲線拐點處的預測效果較差，會出現比較大的誤差。

2.2 時間序列法[4]

時間序列是按時間順序排列的一組數字序列。時間序列分析法就是利用這組數列，應用數理統計方法加以處理，以預測未來的發展。時間序列分析是定量預測方法之一，它的基本原理是：承認事物發展的延續性，應用過去數據就能推測事物的發展趨勢。考慮到事物發展的隨機性，任何事物發展都可能受偶然因素影響，為此要利用統計分析中加權平均法對歷史數據進行處理。

2.3 卡爾曼濾波法[5]

卡爾曼濾波法成功采用了狀態空間的概念，不要求直接給出信號過程的二階特性或譜密度函數，而是把信號過程視為在白噪聲作用下的一個線性系統的輸出，用狀態轉移矩陣φ（t，τ）來描述這個線性系統，系統的輸入、輸出用一個狀態方程來描述。這樣，就使所研究的信號過程除了平穩的標量隨機過程外，還包括非平穩矢量隨機過程。同時，卡爾曼濾波法將狀態空間描述與離散時間更新聯系起來，提出了使均方差最小的線性遞推濾波算法，這種方法不要求存儲過去的觀測數據，當新的數據被觀測到后，只要根據新的數據和前一時刻的估計量，借助于信號過程本身的狀態轉移方程，按照遞推公式，即可算出新的估計量，大大減少了濾波裝置的存儲量和計算量，便于實時處理。

2.4 負荷求導法[6]

負荷求導法是對負荷曲線進行一次求導，得到每一點的負荷變化率，再利用數理統計原理對得出的負荷變化率進行統計，可以采用求平均值或是求加權平均值的算法來進行統計，最后利用得到的負荷變化率曲線進行負荷預測，得到預測結果。這種方法適用于超短期負荷預測，預測精度比線性外推法要高。但當隨機因素發生大的變化或有壞數據存在時，預測誤差會比較大。

2.5 替代法

替代法是超短期負荷預測中最簡單的一種方法，它直接以當前時間的實際負荷作為下一點的預測值。該法對正常工作日的負荷預測效果較差，但在節假日時，系統負荷較小，變化平穩，與正常工作日相差很大時，實踐表明此時替代法效果比其它方法要好。

3 現代預測方法

3.1 灰色預測法[7]

灰色預測是就灰色系統所做的預測，所謂灰色系統是介于白色系統和黑箱系統之間的過渡系統。灰色系統理論認為對既含有已知信息又含有未知或非確定信息的系統進行預測，就是對在一定范圍內變化的、與時間有關的灰色過程的預測。盡管過程中所顯示的現象是隨機的、雜亂無章的，但畢竟是有序的、有界的，因此這一數據集合具備潛在的規律，灰色預測就是利用這種規律建立灰色模型對灰色系統進行預測。

3.2 人工神經網絡[8]

人工神經網絡是一種模仿動物神經網絡行為特征進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的內在節點聯系，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入/輸出數據，分析兩者之間潛在的規律，最終根據這些規律用新的輸入數據來預測輸出結果。

3.3 小波分析預測法[9]

小波分析是一種新興的數學工具，正被廣泛應用于各個專業技術領域中，它在時域和頻域具有同樣良好的局部化性質，可以任意提取短期負荷序列的細節。通過使用小波分析，可以在任何水平上分析短期負荷序列，對信息成分采取逐漸精細的時域和頻域處理，尤其在對突發與短時的信息分析上具有明顯的優勢。

3.4 數據挖掘技術[10]

所謂的數據挖掘（DM，Data Mining）就是從海量的數據中提取隱含在其中事先未知的，但又是潛在有用的信息和知識，并將其表示成最終能被人理解的模式的高級過程。數據挖掘技術產生于20世紀80年代末期，是目前國際國內的研究熱點。它是數據庫知識發現KDD（knowledge discovery in database）的核心技術。數據挖掘技術的顯著特點就是其強大的數據處理能力，能從大量的數據中發現有用的規律、規則、聯系、模式等知識。包括聚類分析、分類分析、時間序列相似性分析、關聯度分析、回歸分析等。

3.5 專家系統法[11]

專家系統預測法是對數據庫里存放的過去幾年甚至幾十年內每小時的負荷和天氣數據進行分析，匯集有經驗的負荷預測人員的知識，提取有關規則，按照一定的規則進行負荷預測的方法。對于突發性及節假日等非正常日引起的負荷變化脫離正常模式的情況，可由根據調度專家經驗發展而來的負荷預測專家系統來避開復雜的數值計算而使問題得到解決。這些系統有時非常簡單，但也存在通用性較弱、缺乏學習能力等缺點。

3.6 模糊系統預測[12]

模糊控制是在所采用的控制方法上應用了模糊數學理論，使其進行確定性的工作，對一些無法構造數學模型的被控過程進行有效控制。不管模糊系統是如何進行計算的，從輸入/輸出的角度看是一個非線性函數。對于任意一個非線性連續函數，都可以通過找出一類隸屬函數、一種推理規則和一個解模糊方法，使得設計出的模糊系統能夠任意逼近這個非線性函數，進而利用該逼近函數進行負荷預測。模糊負荷預測是近幾年比較熱門的研究方向，國內外眾多學者在該領域做了較多工作，取得了不少成果。

3.7 聚類分析[13]

聚類是將數據分類到不同的類或者簇的過程，所以同一個簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。聚類分析的目標就是在相似的基礎上收集數據。聚類方法具有非線性映射能力，能從大量數據中提取相似數據，進而揭示氣候等各種影響因素與負荷的關系，有助于提高短期負荷預測的精度。現階段聚類分析仍存在相似日劃分不科學及運算復雜等問題。

4 綜合預測方法

綜合預測方法[14]主要應用優選組合預測法。優選組合有2層含義：一是從幾種預測方法得到的結果中選取適當的權重加權平均；二是指在幾種預測方法中進行比較，選擇擬和度最佳或標準偏差最小的預測模型進行預測。該方法的優點是：優選組合了多種單一預測模型的信息，考慮的影響信息也比較全面，因而能夠有效地改善預測效果。缺點是權重的確定比較困難，同時也不可能將所有在未來起作用的因素都包含在模型中，在一定程度上限制了預測精度的提高。

5 超短期負荷預測發展方向的探討

超短期負荷預測是電力系統的經典研究課題，隨著新形勢的不斷變化，其發展方向應該重視以下問題。

5.1 在線快速精確預測

新形勢對超短期負荷預測功能提出了許多新要求，在電力市場條件下主要表現為自動運行與滾動預測。具體是指在正常情況下超短期負荷預測系統無需人工干預，可以連續不斷地根據最新獲取的系統運行數據進行周期性的滾動預測，只有當預測誤差較大、需要人工處理時，才由預測人員進行適當調整。

5.2 綜合因素的考慮

電力系統超短期負荷預測的結果實際上受到很多綜合因素的共同影響。在超短期負荷預測領域，為進一步提高預測精度，需要注意的影響因素主要包括氣溫、濕度、降雨、風力、工作日/休息日、節假日類型及可預見的大事件等。處理方法可以考慮嘗試對歷史數據進行數據挖掘，從多因素共同作用的結果中找出影響預測精度的主要相關因素。此外，對于一些新的相關因素，如近來在負荷預測領域中開始引入的溫度累積效應，也應考慮引入相關體現指標，構成對應預測模型。

5.3 組合預測

考慮到單一預測方法存在的弊端，探索組合預測方法已經成為國內外學者的共識。組合預測的實現主要有2種途徑，其一是直接從預測機理的角度對單一預測模型進行組合，通過單一預測模型的相互配合實現預測優化；其二是將單一模型預測結果直接加權組合，通過權值的設置實現對預測結果的綜合判斷，得到預測效果較好的綜合模型，但權重如何確定仍有待解決。

5.4 概率預測

傳統的預測結果一般都是確定的，即明確給出一個數值，缺點是無法給出預測結果的波動范圍。類似天氣預報中的降水概率預計，如能實現概率預測則更符合客觀需求。目前，在國外的一些預測方法中已經開始體現概率預測的傾向，但是從目前的技術來看，各種預測結果的概率分布函數還是一個很難解決的問題。

5.5 原始數據的優化處理

原始數據的準確性是提高一切超短期負荷預測方法性能的立足點。從實際工作中看，采樣得到的歷史負荷數據常常含有異常值。這些異常數據主要包括兩類：一是由于人為或設備因素造成的錯誤數據；二是數據是真實正確的，但是由于突發事件或特殊原因造成非規律性變化。在超短期負荷預測中，正確地識別并修正不良數據非常重要，目前這方面的研究雖取得了一些成果，但還需要進一步提高實用性。

5.6 “重近輕遠”原則的合理設置

預測中“重近輕遠”原則是指：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展規律，遠期的歷史數據與未來發展趨勢的相關性較弱。為實現“重近輕遠”原則，主要采用加權參數估計的方法，即對近期數據給予較大的權值，遠期數據給予較小的權值。在超短期預測中，可以通過輸入參數的選擇來實現“重近輕遠”原則，即選擇與預測時段比較接近的時段信息構成主要的輸入參數。如何合理配置相關權值及輸入參數，這方面還需要進一步研究。

5.7 充分考慮電力系統特色

在一些負荷預測研究中，將電力系統負荷數據當作一系列純數學的數據看待，失去了電力系統的特色。要在預測中引入電力系統特色，就要從電力系統的實際出發，重視負荷發展的內在特性和規律分析，從負荷構成的物理機理入手，研究其變化規律。以小水電運行方式對負荷預測影響為例，小水電有水發電、無水停機，在負荷預測中如果不考慮降水對小水電運行的影響，單純依靠數學方法，其預測結果將產生較大誤差。

5.8 自適應預測策略的開發

在實際工作中可以發現，相同的預測方法在不同的情況下預測效果會有變化。自適應預測根據其所應用的場合和最新運行方式的不同，自動進行預測模型參數的調整，達到更好的預測效果，其本質是一個根據預測偏差不斷調整模型結構和參數的閉環反饋問題。從電力系統智能化發展的趨勢來看，自適應預測需要予以充分的關注。

6 結語與展望

超短期負荷預測是實現電力系統安全、穩定、優質、經濟運行的基礎，對電力系統來說，提高電網運行的安全性和經濟性，改善電能質量，都依賴于準確的負荷預測。在電力企業走向市場、電力市場日趨成熟的形勢下，超短期負荷預測在電力系統安全經濟運行中將會發揮越來越重要的作用。目前，國內外學者就超短期負荷預測已研究出了許多方法，這些方法從簡單到復雜，但每一種都有一定的適應場合，并需要不斷的完善。實際應用時，需要掌握待預測系統的實際運行情況，細致分析負荷實際變化的規律和影響因素，才能最好地發揮各種方法的優勢。可以預見，隨著電力系統原始運行數據的有效積累和科學處理，電力負荷預測技術與相關科學領域技術（如氣象、經濟等）的交叉滲透，廣大電力工作者會對電力系統負荷預測有更加深入準確的認識，使電力負荷預測技術的研究取得更大進展，電力負荷預測將更準確更快捷。

[1] 康重慶，夏清，張伯明.電力系統負荷預測研究綜述與發展方向的探討[J].電力系統自動化，2004，28（17）∶1-11.

[2] 牛東曉，曹樹華，趙磊，等.電力負荷預測技術及其應用[M].北京∶中國電力出版社，1998.

[3] 汪峰，謝開，于爾鏗.一種簡單實用的超短期負荷預報方法[J].電網技術，1996，20（3）∶41-43.

[4] 陸海峰，單淵達.電力系統的遞推自適應超短期負荷預報[J].電網技術，2000，24（3）∶28-31.

[5] 謝開，汪峰，于爾鏗，等.應用Kalman濾波方法的超短期負荷預報[J].中國電機工程學報，1996，16（4）∶245-249.

[6] 吳勁暉.負荷求導法在電網超短期負荷預測中的實踐[J].中國電力，2003，36（3）∶31-32.

[7] 趙成旺，顧幸生，嚴軍.負荷求導法在超短期負荷預測中的應用[J].電力系統及其自動化學報，2006，18（5）∶5-9.

[8] REWAGAD A P，SOANAWANE V L.Artificial neural network based short term load forecasting[C].IEEE Region 10thInternational Conference on Global Connectivity in Energy,Computer，Communication and Control，1998.

[9] 邰能靈，侯志儉，李濤，等.基于小波分析的電力系統短期負荷預測方法[J].中國電機工程學報，2003，23（1）∶45-50.

[10] 劉敦楠，何光宇，范曼，等.數據挖掘與非正常日的負荷預測[J].電力系統自動化，2004，28（3）∶53-57.

[11] RAHMAN S，BHATNAGAR R.An expert system based algorithm for short-termload forecasting [J].IEEE Transactions on Power Systems，1998，3（2）∶392-399.

[12] KYUNG-BIN SONG，YOUNG-SIK BAEK，DUG HUN HONG.Short-term load forecasting for the holidays using fuzzy linear regression method[J].IEEE Trans on Power Systems，2005，20（1）∶96-101.

[13] SFETSOS A.Short-term load forecasting with a hybrid clustering algorithm[J].IEEE Proceedings： Communications，2003，150（3）∶257-262.

[14] 丁巧林，潘學華，楊薛明，等.最優組合預測方法在電力負荷預測中的應用[J].電網技術，2008，32（25）∶127-130.