國內外關于電力系統負荷預測的研究現狀分析

張彥宇，肖　茜（.湖南鐵道職業技術學院，湖南　株洲　400；.株洲市工業中等專業學校，湖南　株洲　4008）

?

國內外關于電力系統負荷預測的研究現狀分析

張彥宇1，肖茜2
（1.湖南鐵道職業技術學院，湖南株洲412001；2.株洲市工業中等專業學校，湖南株洲412008）

摘要：本文主要討論了國內外電力系統負荷預測的研究現狀，簡單介紹了幾種預測方法，包括回歸分析法、、趨勢外推法、時間序列法、專家系統法、人工神經網絡法、支持向量機法。為電力系統負荷預測研究提供參考。

關鍵詞：負荷預測；數學統計；人工智能

0　引言

自上世紀70年代開始，國內外對電力系統負荷預測的研究熱情逐漸升溫，進入上世紀80年代，我國步入到大力發展經濟建設的階段，電力需求極度旺盛，然而能源又極度緊張，電力供電一度出現供應不足的情況，負荷預測開始成為電力公司一項必要的日常工作任務。20世紀90年代，全球電力市場化層層滲透，隨著科學技術的迅猛發展，新的預測方法層出不窮，為電力負荷預測問題的研究提供了后備力量。

長久以來，國內外學者以及電力相關從業人員在長期的實踐研究過程中，不斷探索負荷預測新方法，隨著近年來各種數學模型的涌現，以及人工智能的發展，出現了不少新穎的預測方法，這些方法大概能分成兩大類別：一類是數學統計類的經典預測方法，比如回歸分析法、趨勢外推法、時間序列法等；另一類是人工智能類的新型預測方法，如80年代后期流行的專家系統法、90年代后期發展起來的人工神經網絡法等。下面分別介紹這些主要預測方法。

1　回歸分析法

回歸分析是一種經典統計學上分析數據的方法，通過對歷史負荷數據進行統計歸納分析總結，尋找預測輸入變量與影響負荷變量之間的某種相關的線性或非線性關系，并以此關系的規律建立數學模型，從而實現對未來負荷的基本預測。簡單來講就是建立自變量與因變量之間關系模型，依照變量數目的不同，一般分為單元和多元回歸分析。該方法原理成熟、計算簡便、運算速度快，但是過分依賴歷史負荷數據，對樣本容量需求過大，對平穩的且大量的歷史數據有著不錯的預測效果，但是在遇到氣溫，節假日等變化較大因素的影響下，該方法無法反映實時與非線性的影響關系。

2　趨勢外推法

節假日、社會環境、天氣變化會對電力負荷波動造成干擾，盡管在形成這種具有隨機性、不確定性的情況下，電力負荷總是本質的保持著一定的波動趨勢。我們可以在其中找出負荷的這種趨勢，根據這些負荷變化的相關歷史趨勢，擬合一條負荷波動趨勢曲線，按照這條擬合出來的曲線的發展趨勢，估計曲線上在未來某點的負荷變化，根據不同的負荷波動，采用不同的曲線擬合，這就是所謂的趨勢外推法。此方法優點與缺點同樣突出，優點是所需歷史負荷數據樣本較少，特點是作趨勢向外推斷，完全忽略分析內部的不確定成分，缺點是對影響因素變化大的因子無法考慮進來，如果負荷波動較大，那么誤差將會增大。

3　時間序列法

時間序列分析法是將歷史負荷變化所產生的變化規律，依照時間的先后順序進行排序，以時間為軸揭示負荷隨時間變化而變化的發展規律，利用這種對應關系，就可以將過去時間里發生的負荷變化規律作為未來時間里負荷變化的預測根據。同樣，時間序列法在電網正常運行，受外部環境影響變化小的平穩狀態下具有良好的預測精度，但是對時間序列的平穩性要求過高，一旦負荷受到特殊事件（如停機等）不確定性因素的影響，那么該方法也將失去其預期的效果。

4　專家系統法

專家系統其實是一種復雜的計算機程序設計系統，將計算機模擬成負荷預測的人類專家，基于歷史負荷變化知識數據庫，匯集人工經驗智能的利用計算機處理負荷信息，按照專家水平進行預測判斷工作。專家系統結構如圖1所示。在處理節假日等需要依靠人工經驗來判斷的不確定性影響因素對負荷影響產生較大的變化時，此方法有取得了很好的效果，但是各個地區的電力環境不同，造成計算機程序復雜，數據龐大，能否準確的對各個因素對負荷造成的影響進行定量分析成為了一個較為難以克服的困難。

5　人工神經網絡法

人工神經網絡是模擬人腦智能化地處理信息的人工智能預測方法，它通過學習獲得最優的參數，處理預測輸出與輸入影響變量之間復雜的非線性關系，對于分析處理任意復雜的非線性關系問題以及隨機的不確定性問題有著良好的解決問題能力。正因為它具有出色的學習能力，預測過程中都可以隨時不斷地選擇新的訓練樣本來優化和微調系統參數，這樣對非結構性、模糊性的規律具有一定的自適應功能，避免了數學建模的困難，也提高了系統計算的時間，相比較前面介紹的四種方法，它還能考慮并反映出各種不確定性因素（如氣候、特殊事件、節假日因素等）對負荷造成的干擾影響，更加適用于短期負荷預測。但是，人工神經網絡預測也存在許多缺陷，網絡的層數和神經元的選擇基本上要依靠經驗反復實驗幫助確定，且網絡收斂慢，容易陷入局部收斂。它本質上是一種基于經驗風險最小化的方法，范化能力有限，另外在小樣本學習方面也受到了不小限制。

6　支持向量機法

支持向量機（Support Vector Machines， SVM）是由BELL實驗室的Vapnik 等人在20世紀70年代中期提出的一種新型機器學習算法，因其卓越的性能，在模式識別和處理函數回歸估計問題等諸多領域內受到了各研究學者們的強烈青睞。支持向量機與傳統的人工神經網絡預測方法所采用的經驗風險最小化歸納原則是截然不同的，它實現了結構風險最小化（Structure Risk Minimization， SRM）的歸納原則，對未來樣本的泛化能力明顯增強。從理論上說，SVM的訓練相當于解決一個線性約束的二次規劃問題，所以必然存在解，獲得的將會是全局最優解，這樣就無形解決了人工神經網絡預測方法中根本無法規避的局部極值問題。對應的支持向量本質上是訓練樣本集的子集，對訓練樣本集進行分類實際上就是對支持向量進行最低分類。 當Vapnik引入ε-

不敏感損失函數之后，支持向量機由原來解決簡單的模式識別問題擴展為解決復雜的非線性回歸估計問題，我們把這一擴展內容稱之為支持向量回歸法（Support Vector Regression， SVR）。將各種負荷影響因子的歷史信息作為系統輸入量，建立訓練樣本空間，采用非線性映射變換方法將低維空間映射到高維特征空間，構造線性函數進行線性回歸，巧妙地解決了維數問題，構建SVM目標函數，將訓練好的預測模型應用于電力系統的負荷預測中去。影響電力系統短期負荷預測精度的因素包括日照、氣溫等氣象因素及國家政策、節假日因素等其它不確定性影響因素。可見，電力負荷由于這些因素的影響，本身就是一個復雜的非線性系統，而SVM模型求解算法簡單、泛化能力強、收斂速度快，在解決有限小樣本、非線性系統及高維識別問題中具有超群的優越性，如果將其置于短期負荷預測上，顯然SVM方法比起上述其他預測方法更加適用于電力系統本身。隨著機器學習，支持向量機的不斷發展，在此基礎上不斷改良的支持向量機預測方法逐漸涌現，人們追求更高的預測精度的訴求一直在不斷擴進。同時，尋找滿足適合各類電網環境的負荷預測新方法也成為了人們繼續研究的新命題。

7　結束語

本文通過分析基于數學統計的經典預測方法和基于人工智能的新預測方法，將回歸分析法、、趨勢外推法、時間序列法、專家系統法、人工神經網絡法、支持向量機法進行了比較分析，得出支持向量機是當前最合適的一種方法。

參考文獻：

［1］斐樂萍.縣級區域短期電力負荷預測研究［D］.華北電力大學，2014.

［2］尹立.基于支持向量機的某區域電網電力需求的預測研究［D］.北京交通大學，2014.

［3］蔡劍彪.基于云計算的智能電網負荷預測平臺研究［D］.湖南大學，2013.

DOI:10.16640/j.cnki.37-1222/t.2016.11.198

作者簡介：張彥宇，男，工程碩士，講師，技師，主要從事自動控制、電氣工程等方面的研究。